أفضل محرك تحويل نص إلى كلام محلي لإعداد GPU من NVIDIA (2026)

تعمل XTTS v2 وChatterbox وBark جميعها على CPU، لكن GPU هي ما يجعلها عملية للاستخدام الفوري أو الدُفعي — أما Kokoro فهو الاستثناء، إذ تجعله معاملاته البالغة 82 مليونًا سريعًا على CPU وحدها. تشترك المحركات الثلاثة الأثقل في سمة واحدة: إنها نماذج تُعطي الأولوية لجودة الاستنساخ أو التوليد، حيث تستبدل بنيتها القدرة الحسابية بالتعبيرية، لذا فإن تسريع CUDA يزيل عنق الزجاجة بدلًا من تقديم تحسن هامشي فقط.

استخدم محركًا موجهًا نحو GPU (XTTS v2 أو Chatterbox أو Bark) إذا كانت حالة استخدامك هي استنساخ الصوت، أو الصوت التعبيري غير الكلامي، أو أي عبء عمل تهم فيه سرعة التوليد — كعملية سرد دُفعية، أو تطبيق صوتي تفاعلي، أو خط أنابيب يولّد عددًا كبيرًا من المقاطع. تجنب إنفاق VRAM الخاصة بـGPU على TTS إذا كانت حاجتك الوحيدة هي سرد نص عادي مباشر دون استنساخ: يغطي Kokoro أو Piper هذه الحالة على CPU وحدها، مما يحرر VRAM لديك لنموذج لغوي كبير أو عبء عمل آخر يعمل بجانبه.

XTTS v2، الذي أصدرته Coqui ويُشغَّل عبر مجموعة أدوات Coqui TTS، هو أفضل خيار محلي لاستنساخ الصوت لمالكي GPU الذين يحتاجون إلى أعلى جودة يمكن تحقيقها من مقطع مرجعي قصير. يستنسخ صوتًا من 6 ثوانٍ فقط من الصوت المرجعي وينطقه بـ17 لغة، بما في ذلك الاستنساخ عبر اللغات — استنساخ صوت من صوت إنجليزي وجعله يتحدث بالإسبانية أو اليابانية.

من حيث VRAM، تبلغ أوزان نموذج XTTS v2 حوالي 2 جيجابايت، لكن 4 جيجابايت هو الحد الأدنى العملي لتشغيله، ويُنصح بـ4-6 جيجابايت للاستدلال الفوري، وفقًا لـمراجعة XTTS v2 المخصصة من PromptQuorum. الترخيص هو العامل الحاسم لمعظم القراء: Coqui Public Model License (CPML) غير تجاري صراحةً، وبما أن Coqui AI، الشركة، أوقفت خدماتها المدفوعة في ديسمبر 2023، فلا يوجد حاليًا مسار مؤكد نحو ترخيص تجاري.

Chatterbox، الذي أصدرته Resemble AI على GitHub، هو الخيار الأفضل لمالكي GPU الذين يريدون استنساخ صوت حواري فوري بموجب ترخيص متساهل تمامًا ومناسب تجاريًا. إنه مرخّص بموجب ترخيص MIT، الذي — على عكس CPML غير التجاري الخاص بـXTTS v2 — يسمح بالاستخدام التجاري دون اتفاقية منفصلة.

يأتي Chatterbox بعدة أحجام: نسخة Nano (110 مليون معامل) تصفها وثائق Resemble AI نفسها بأنها تعمل بسرعة أعلى من الوقت الفعلي على 8 أنوية CPU، ونسخة Turbo (350 مليون معامل) مصممة لزمن استجابة منخفض، ونسخة متعددة اللغات (حوالي 500 مليون معامل، على بنية تنسب في تصميمها إلى Llama 3) تدعم أكثر من 20 لغة. يعمل استنساخ الصوت بدون أمثلة مسبقة (zero-shot) انطلاقًا من مقطع صوتي مرجعي — يستخدم المثال الرسمي لـResemble AI مقطعًا مدته 10 ثوانٍ، رغم أن ملف README لا يذكر مدة دنيا رسمية كما يفعل ملف XTTS v2.

لا ينشر ملف README العام لـResemble AI رقمًا دقيقًا لـVRAM، لذا تعامل مع أي رقم محدد بالجيجابايت تراه في مكان آخر على أنه غير مؤكد حتى تختبره على بطاقتك الخاصة. ما هو موثّق هو: تعمل نسخة Nano بشكل مقبول على CPU وحدها، بينما صُممت نسختا Turbo وMultilingual الأكبر للتوليد المسرَّع بواسطة GPU وبزمن استجابة منخفض — وكلاهما يدعم CUDA وApple Silicon (MPS).

Bark، الذي أصدرته Suno على GitHub، هو الخيار الصحيح إذا أردت أكثر من الكلام — ضحك، تنهدات، لهاث، وموسيقى بسيطة تُولَّد فقط من مطالبات نصية — وهو المحرك في هذه المقارنة الذي يستفيد أكثر من GPU، لأن بنيته التوليدية القائمة على الرموز واحدًا تلو الآخر هي الأبطأ بين الأربعة دون تسريع CUDA. لا يدعم استنساخ الصوت المخصص؛ فوفقًا لوثائق Suno نفسها، فهو "لا يدعم حاليًا استنساخ الصوت المخصص".

من حيث VRAM، توثّق مراجعة Bark المخصصة من PromptQuorum أن النموذج الكامل يحتاج إلى حوالي 12 جيجابايت، مع علامة بيئية لنموذج صغير (SUNO_USE_SMALL_MODELS) تخفض ذلك إلى حوالي 8 جيجابايت — أكثر بشكل ملحوظ من 4-6 جيجابايت لـXTTS v2. إنه مرخّص بموجب MIT، وأصبح مناسبًا تجاريًا بالكامل في 1 مايو 2023، لكن حالة صيانته سؤال حقيقي مفتوح: لا يُظهر مستودع GitHub العام أي تعديلات (commits) منذ 5 أبريل 2024.

يُدرج Kokoro هنا كنقيض: امتلاك GPU من NVIDIA لا يعني أن كل عبء عمل لـTTS يحتاج إليها، وKokoro دليل على ذلك. بمعاملاته البالغة 82 مليونًا، هو أصغر بشكل كبير من XTTS v2 وChatterbox وBark، وتوثّق بطاقة نموذجه الخاصة على Hugging Face تركيبًا بسرعة الوقت الفعلي أو أسرع على CPU وحدها، مع إضافة استخدام GPU هامشًا إضافيًا لا شرطًا لازمًا.

Kokoro مرخّص بموجب Apache 2.0، الذي — مثل ترخيص MIT الخاص بـChatterbox — يسمح بالاستخدام التجاري دون قيود. لا يدعم استنساخ الصوت، لذا فهو ليس بديلًا عن XTTS v2 أو Chatterbox إذا كان الاستنساخ هو المطلوب، لكن بالنسبة للسرد البسيط، أو قراءة النص بصوت عالٍ، أو طبقة صوتية في تطبيق لا يحتاج إلى استنساخ، فهو خيار أخف وأبسط.

يقيّم هذا الجدول المحركات الأربعة تحديدًا وفق معايير الملاءمة مع GPU — متطلبات VRAM، ومدى استفادة كل منها من تسريع CUDA، والقدرة على استنساخ الصوت، والترخيص — وليس وفق جودة الصوت الخام.

تغطي GPU بذاكرة VRAM تبلغ 6 جيجابايت أو أكثر بارتياح كل المحركات في هذه المقارنة باستثناء النموذج الكامل لـBark، الذي يحتاج إلى حوالي 12 جيجابايت (أو حوالي 8 جيجابايت مع علامة النموذج الصغير). اختر بطاقتك بناءً على المحرك الذي تحتاجه فعليًا بدلًا من الشراء افتراضيًا للخيار الأثقل.

للحصول على إرشادات عامة حول اختيار GPU حسب مستوى VRAM لأعباء عمل الذكاء الاصطناعي المحلية (غير مخصصة لـTTS)، راجع دليل شراء GPU للنماذج اللغوية الكبيرة المحلية من PromptQuorum — نفس منطق الشراء القائم على أولوية VRAM ينطبق على TTS، وإذا كنت تشغّل بالفعل نموذجًا لغويًا كبيرًا محليًا إلى جانب TTS، فإن عبئي العمل يتنافسان على نفس مجمع VRAM.

استنساخ صوت شخص حقيقي دون علمه أو موافقته الصريحة مشكلة منفصلة عن الترخيص، وتنطبق بغض النظر عن المحرك أو الترخيص أو الوضع التجاري الذي تعمل بموجبه. XTTS v2 وChatterbox كلاهما أداتان قادرتان وعامّتا الاستخدام لاستنساخ الصوت؛ ولا تتحقق أي منهما من أن الصوت المرجعي الذي تقدّمه يعود إلى شخص وافق على استنساخ صوته.

قد يثير استنساخ صوت دون موافقة مسائل متعلقة بالموافقة، وحق نشر الصورة/الصوت، وفي بعض الولايات القضائية الاحتيال أو انتحال الشخصية، بغض النظر عمّا إذا كان مشروعك تجاريًا أو شخصيًا، وبغض النظر عن شروط ترخيص النموذج. هذه ملاحظة واقعية، وليست استشارة قانونية — استشر محاميًا إذا كنت تبني منتجًا يستنسخ أصوات أشخاص حقيقيين، واحصل دائمًا على موافقة واضحة وموثّقة من أي شخص تستنسخ صوته.

بالنسبة للقراء الذين يمتلكون بالفعل GPU من NVIDIA ويريدون استخدامها لتحويل النص إلى كلام، يعتمد الاختيار على ما يحتاجه الصوت. XTTS v2 هو الخيار لأعلى جودة استنساخ صوت يمكن تحقيقها في سياق غير تجاري أو بحثي، نظرًا لترخيصه CPML غير التجاري. Chatterbox هو الخيار عندما يجب أن تُشحن قدرة الاستنساخ نفسها في منتج تجاري، بفضل ترخيصه MIT وأحجام نماذجه الأصغر الموجهة نحو الوقت الفعلي. Bark هو الخيار تحديدًا عندما يحتاج المشروع إلى صوت تعبيري غير كلامي — ضحك، تنهدات، موسيقى بسيطة — ويمكنه إنفاق 8-12 جيجابايت من VRAM للحصول عليه، مع التحفظ بأن حالة صيانته غير مؤكدة. يبقى Kokoro الخيار الصحيح كلما لم يكن الاستنساخ مطلوبًا: فهو يعمل بارتياح على CPU وحدها، لذا نادرًا ما يستحق تخصيص VRAM من GPU له. إذا لم تكن متأكدًا، ابدأ بـKokoro للسرد البسيط وانتقل إلى XTTS v2 أو Chatterbox فقط عندما تظهر حاجة استنساخ حقيقية — وهذا يبقي VRAM الخاصة بـGPU لديك متاحة لكل ما تشغّله بجانبها، بما في ذلك نموذج لغوي كبير محلي. للاطلاع على تفاصيل الترخيص لكل محرك مذكور هنا، راجع دليل تراخيص TTS واستنساخ الصوت المحلية من PromptQuorum.