پیشتر در همین وبلاگ از برنامهٔ «گنج» نوشتم؛ برنامهای که امین اکبری برای خواندن گنجور روی گوشی و رایانه ساخته بود. حالا همان امین سراغ کار تازهای رفته که ادامهٔ همان مسیر است: صدا دادن به شعرهایی که هنوز کسی آنها را در گنجور نخوانده است.
امین خودش در معرفی این کار نوشته:
بعضی شعرها را وقتی بلند میخوانیم بهتر میفهمیم. برای همین، در برنامهٔ گنج امکانی به نام «خوانش ماشینی» گذاشتم تا بتوانیم شعرهایی را هم بشنویم که هنوز خوانشی برایشان در گنجور ضبط نشده است.
اسم این صدا «آوای گنج» است. در ادامه میخوانید این امکان چیست، چطور از آن استفاده کنید و چطور ساخته شده است.
آوای گنج چیست؟
«آوای گنج» مدلی است که متن شعر را، روی همان گوشی یا رایانهای که برنامهٔ گنج را اجرا میکند، به صدا تبدیل میکند. یعنی نه سروری در کار است که متن شما را برایش بفرستید و نه حساب کاربری لازم است؛ وقتی مدل روی دستگاه باشد، ساخت و پخش خوانش بدون اینترنت انجام میشود.
یک نکتهٔ مهم: این صدا جای خوانشهای انسانی گنجور را نمیگیرد. خوانشهای داوطلبان گنجور سر جای خودشان هستند و در برنامه هم همچنان جداگانه دیده میشوند. «خوانش ماشینی» فقط برای وقتی است که برای شعری خوانش انسانی ضبط نشده.
چطور آن را بشنویم؟
- برنامهٔ گنج را باز کنید و صفحهٔ شعر مورد نظرتان را بیاورید.
- در بخش «خوانشها» روی «خوانش ماشینی» بزنید.
- بار اول، برنامه از شما اجازه میگیرد و بستهٔ صدا را دریافت میکند. این بسته حجم قابلتوجهی (چند صد مگابایت) دارد؛ پس بهتر است این کار را روی وایفای انجام دهید. این دریافت فقط یک بار لازم است.
- بعد از آن، اگر متن شعر روی دستگاه در دسترس باشد (برای نمونه با دانلود شاعر از «کتابخانهٔ آفلاین» برنامه)، ساخت و پخش خوانش بدون اینترنت انجام میشود.
خوانش از همانجا که بخش اول آماده شد شروع میشود و بقیهٔ شعر همزمان آماده میشود؛ پس لازم نیست منتظر ساخت همهٔ شعر بمانید. هر مصراع هم هنگام پخش پررنگ میشود تا بتوانید متن را همراه صدا دنبال کنید.
خوانش ماشینی فعلاً روی اندروید، ویندوز، مک و لینوکس در دسترس است. مصراعهایی که فارسی نیستند، مثل مصراعهای عربی، در خوانش ماشینی رد میشوند.
صدای «هیچکس»
در توضیحات پروژه آمده که این صدا عمداً «صدای هیچکس» ساخته شده است: صدایی که شبیه هیچیک از خوانشگرانی که مدل از آنها یاد گرفته نیست. پروژه صریحاً میگوید هدف تقلید از افراد واقعی نیست و نباید صدا را برای شبیهشدن به یک خوانشگر تنظیم مجدد کرد.
برای شکلدادن به صدای خروجی، امین از نمونهای کوتاه از خوانش امیرحسین عظیمی استفاده کرده است که در گنجور بارگذاری شده بود و ویژگیهای صوتی آن (مثل زیروبمی و رنگ صدا) تغییر داده شده است. خوانشهای ایشان برای آموزش مدل به کار نرفته است. از امیرحسین عظیمی برای این خوانش پاکیزه و دقیق سپاسگزارم.
چطور ساخته شد؟
مدل از صفر آموزش دیده است، یعنی از وزنهای آمادهٔ مدل دیگری شروع نشده. برای آموزش آن، با موافقت گنجور از شعرخوانیهای داوطلبانهٔ خوانشگران گنجور استفاده شده و برای نثر از مجموعهٔ گفتار فارسی «مانا» (ManaTTS)، که نشریهٔ «نسل مانا»، نشریهٔ جامعهٔ نابینایان ایران، آن را با مجوز CC0 منتشر کرده است.
پس این صدا از دل کار داوطلبانهٔ همهٔ کسانی ساخته شده که صدایشان را با گنجور به اشتراک گذاشتهاند. امین نام خوانشگران و منابع را در یک فهرست آورده است: فهرست خوانشگران و منابع. از همهٔ این عزیزان و از امین سپاسگزارم.
تلفظ؛ دشوارترین بخش کار
یکی از دشواریهای خواندن شعر فارسی این است که تلفظ همیشه از روی نوشته پیدا نیست. برای نمونه «کشت» میتواند «کِشت» یا «کُشت» خوانده شود و فقط معنا تعیین میکند کدام درست است. آوای گنج برای تعیین تلفظ از نشانههای متن و، در صورت دسترسی، از وزن شعر کمک میگیرد. نسخهٔ تازه کسرهٔ اضافه و حرکتها را دقیقتر میخواند.
با این حال هنوز بیخطا نیست. ممکن است در تلفظ بعضی واژهها یا در مکثها اشتباه کند، و واژههایی که تلفظشان به معنا وابسته است گاهی غلط خوانده میشوند. اگر چنین جایی شنیدید، گزارش آن کمک بزرگی به بهتر شدن صداست. بهتر است در گزارش، واژه، مصراعی که در آن آمده و تلفظ درست آن را بنویسید و آن را در صفحهٔ مشکلات پروژه در گیتهاب ثبت کنید.
برای برنامهنویسها
کد و مدل آوای گنج در گیتهاب در دسترس است و برای استفادهٔ مستقل از برنامهٔ گنج هم طراحی شده است. چند نکته برای کسانی که میخواهند از آن استفاده کنند:
- مدل از نوع flow-matching و بر پایهٔ ZipVoice است. نسخهٔ سبکشدهٔ آن بهصورت فایلهای ONNX با sherpa-onnx روی پردازندهٔ گوشی اجرا میشود؛ همان که برنامهٔ گنج استفاده میکند.
- کد به چند بستهٔ جدا تقسیم شده و هر کدام مستقل قابل استفاده است: قواعد خواندن شعر فارسی (تبدیل حروف به واج، اعراب، وزن عروضی)، ساخت پیکرهٔ آموزشی از گنجور، ابزارهای صدا و ارزیابی.
- بستهٔ «قواعد خواندن» بهتنهایی، بدون هیچ مدل و پردازندهٔ گرافیکی، قابل نصب است و برای هر پروژهای که به وزنیابی عروضی یا تلفظ شعر فارسی نیاز دارد مفید است.
مجوز استفاده
کد با مجوز AGPL-3.0 و مدل با مجوز CC BY-NC 4.0 منتشر شده است. استفادهٔ شخصی، آموزشی، پژوهشی، غیرانتفاعی و فرهنگی با ذکر نام رایگان است؛ استفادهٔ تجاری از مدل نیازمند مجوز تجاری از سازنده است. جزئیات دقیق را در صفحهٔ پروژه ببینید.
دریافت و مشارکت
«گنج» و «آوای گنج» پروژههایی مستقل و غیررسمی بر پایهٔ دادههای گنجورند. اگر ایرادی در برنامه یا در تلفظ صدا دیدید، آن را با سازنده در میان بگذارید، نه با گنجور.
از امین اکبری برای این کار و برای وقتی که گذاشته سپاسگزارم، و امیدوارم هر روز شعر بیشتری را بشنویم.