تراخيص ⁨TTS⁩ المحلي واستنساخ الصوت ⁨2026⁩: أي المحركات تسمح بالاستخدام التجاري (⁨Piper⁩ و⁨XTTS v2⁩ و⁨F5-TTS⁩ و⁨Coqui⁩)

حقائق سريعة

• أسرع TTS محلي: Piper — وقت فعلي على Raspberry Pi 5، أسرع ~10× من الوقت الفعلي على CPU حديث.
• أفضل جودة استنساخ صوت: XTTS v2 — 6 ثوانٍ صوت مرجعي، استنساخ متعدد اللغات بـ17 لغة.
• أسرع استنساخ صوت zero-shot (معمارية أحدث): F5-TTS — ~3 ثوانٍ صوت، flow-matching، ~3–5× وقت فعلي على RTX 4070.
• أكثر مجموعة أدوات مفتوحة المصدر مرونة: Coqui TTS — يدعم backends VITS وTacotron2 وXTTS وأكثر من 20 نموذج لغة.
• الصوت الإبداعي الوحيد (أصوات غير منطوقة): Bark — ضحك وتنهدات وموسيقى وأصوات محيطية. الأبطأ من الجميع.
• أفضل جودة سرد إنجليزي: StyleTTS 2 — نقل أسلوب قائم على الانتشار، MOS شبه بشري على معيار LJSpeech.
• مجاني للاستخدام التجاري: Piper وBark وStyleTTS 2 (MIT)؛ Kokoro وTortoise (Apache 2.0)؛ مجموعة أدوات Coqui TTS (MPL 2.0، بشروط). غير تجاري: XTTS v2 (CPML)، F5-TTS (CC-BY-NC-4.0).
• أصوات XTTS v2 ولغاته: لا قائمة أصوات ثابتة — تزوّده بمقطع مرجعي مدته 6 ثوانٍ فيستنسخ ذلك الصوت. تأتي إعدادات متحدثين مدمجة مع النموذج، ويولّد بـ17 لغة: en، es، fr، de، it، pt، pl، tr، ru، nl، cs، ar، zh-cn، ja، hu، ko، hi.
• VRAM لـXTTS v2: أوزان النموذج ~2 غيغابايت؛ 4 غيغابايت كحد أدنى للتشغيل، 4–6 غيغابايت موصى بها للاستدلال في الوقت الفعلي.
• قبول CPML في CI/Docker: export COQUI_TOS_AGREED=1 — بلا مطالبة تفاعلية.
• متطلبات VRAM: Piper: CPU فقط. Kokoro: CPU / 1–2 غيغابايت. StyleTTS 2: 2–4 غيغابايت. Coqui VITS: 2–4 غيغابايت. F5-TTS: 3–5 غيغابايت. XTTS v2: 4–6 غيغابايت. Bark: 4–8 غيغابايت. Tortoise: 4–8 غيغابايت.

لماذا يهم TTS المحلي

• الخصوصية: محتوى نصك لا يغادر جهازك. ضروري للإملاء الطبي والملخصات القانونية وقراءة المستندات السرية بصوت عالٍ.
• التكلفة: أسعار TTS السحابي عادةً 4–30 دولار لكل مليون حرف. مطوّر يولّد 10 ملايين حرف شهريًا يوفر 40–300 دولار/شهر بإعداد محلي.
• زمن الاستجابة: بلا رحلة شبكة ذهابًا وإيابًا. Piper يولّد أول رمز صوتي في أقل من 50 ميلي ثانية على CPU.
• التخصيص: استنساخ الصوت (XTTS v2 وF5-TTS وCoqui) يتيح إنشاء صوت مخصص من بضع ثوانٍ من الصوت.
• التشغيل دون اتصال: يعمل في الطائرات والمنشآت الآمنة والمناطق النائية بلا إنترنت.
• المنزل الذكي: Piper هو طبقة TTS الرئيسية لواجهات الصوت المحلية دائمة التشغيل — وقت فعلي على Raspberry Pi، بلا GPU. مساعد صوتي محلي للمنزل الذكي ←.

جدول المقارنة

مقارنة زمن استجابة الصوت الأول

Piper TTS — الخيار الخفيف الأسرع

• المعمارية: TTS عصبي VITS مع استدلال ONNX. مصمم لأجهزة الكمبيوتر ذات اللوحة الواحدة وLinux المُدمج.
• التثبيت: pip install piper-tts. حزم الأصوات المدرّبة مسبقًا متاحة في مستودع Piper voices على Hugging Face.
• الاستخدام: echo "مرحبا بالعالم" | piper --model ar_JO-kareem-medium.onnx --output_file output.wav
• حزم الأصوات: أكثر من 20 لغة، خيارات أصوات متعددة لكل لغة. كل حزمة صوت ملف نموذج ONNX بحجم 20–200 ميغابايت.
• السرعة: ~10× أسرع من الوقت الفعلي على CPU حديث. وقت فعلي على Raspberry Pi 5. زمن استجابة الصوت الأول أقل من 50 مللي ثانية.
• Apple Silicon: ~15× وقت فعلي على M5 Pro (CPU، ARM NEON).
• استمع إلى عينات: عينات صوت Piper
• مثالي لـ: المساعدين المنزليين وأجهزة الكشك وواجهة الصوت المُدمجة والقراءة الصوتية الخاصة حيث لا GPU متاح.
• القيد: بلا استنساخ صوت. الجودة "جيدة" — تبدو طبيعية لكن اصطناعية وضوحًا مقارنة بـXTTS v2 أو StyleTTS 2.
• الترخيص: MIT — تجاري كليًا، بلا قيود.
• Kokoro TTS — بديل Piper: Kokoro TTS بديل ناشئ لـPiper في الفئة الخفيفة. يحقق طبيعية أعلى من Piper مع الحفاظ على السرعة على CPU. مرخّص تحت Apache 2.0.

Coqui TTS — أفضل مجموعة أدوات مفتوحة المصدر

• التثبيت: pip install TTS. تُحمَّل النماذج تلقائيًا عند الاستخدام الأول.
• استنساخ الصوت: وفّر 6+ ثوانٍ من الصوت المرجعي.
• خيارات الـbackend: VITS (الأسرع، جودة جيدة)، Tacotron2 (أقدم، أبطأ)، XTTS (أفضل جودة).
• اللغات: أكثر من 20 نموذج لغة متاح عبر tts --list_models.
• VRAM: 2–4 غيغابايت لـbackend VITS؛ 4–6 غيغابايت لـbackend XTTS.
• Apple Silicon: ~8× وقت فعلي على M5 Pro (CPU). بلا تسريع Metal GPU.
• حالة المجتمع: Coqui Inc أُغلقت في يناير 2024. المستودع المفتوح (coqui-ai/TTS) يحتفظ به المجتمع.
• الترخيص: MPL 2.0 — الاستخدام التجاري مسموح، لكن يجب الإفصاح عن الكود المصدري للتعديلات.
• مثالي لـ: المطورين الذين يريدون استنساخ الصوت بمجموعة أدوات مفتوحة المصدر وترخيص مرن.

XTTS v2 — أفضل جودة استنساخ صوت

• استنساخ الصوت: بـ6 ثوانٍ من الصوت المرجعي يكفي لاستنساخ صوت مقنع. 3 ثوانٍ تنتج جودة مقبولة.
• الاستنساخ متعدد اللغات: استنسخ الصوت بلغة، ولّد كلامًا بـ17 لغة مختلفة بنفس خصائص الصوت.
• اللغات (17): الإنجليزية والإسبانية والفرنسية والألمانية والإيطالية والبرتغالية والبولندية والتركية والروسية والهولندية والتشيكية والعربية والصينية (zh-cn) واليابانية والمجرية والكورية والهندية. أُضيفت الكورية والهندية في XTTS v2.0.3.
• "أصوات XTTS v2": لا توجد قائمة ثابتة بأصوات مُسمّاة. XTTS v2 نموذج استنساخ — تزوّده بمقطع مرجعي مدته 6 ثوانٍ فيعيد إنتاج ذلك المتحدث. يأتي المستودع بعدد قليل من إعدادات المتحدثين المدمجة للاختبارات السريعة، لكن سير العمل المقصود هو تزويد speaker_wav الخاص بك.
• VRAM: أوزان النموذج ~2 غيغابايت. 4 غيغابايت VRAM هي الحد الأدنى العملي؛ 4–6 غيغابايت موصى بها للاستدلال في الوقت الفعلي. يعمل على CPU لكن ~5–10× أبطأ.
• السرعة: بطيء — يولّد ~2× وقت فعلي على RTX 4070.
• Apple Silicon: ~3× وقت فعلي على M5 Pro (CPU، بلا تسريع Metal).
• استمع إلى عينات: عرض XTTS v2 على Hugging Face
• الترخيص: CPML (Coqui Public Model License) — غير تجاري. يسمح CPML بالاستخدام الشخصي والبحثي والهواية للنموذج ومخرجاته الصوتية، لكنه يحظر الاستخدام التجاري (أي منتج مدفوع أو SaaS أو محتوى مدعوم بالإعلانات أو عمل للعملاء) دون اتفاقية تجارية منفصلة. أغلقت Coqui Inc في يناير 2024، فلا يوجد حاليًا كيان يبيع تراخيص XTTS v2 التجارية — عمليًا، تعامل مع XTTS v2 على أنه غير تجاري فقط. راجع قسم قبول CPML بشكل غير تفاعلي لمتغير البيئة COQUI_TOS_AGREED.

from TTS.api import TTS

# Load XTTS v2 model
tts = TTS("tts_models/multilingual/multi-dataset/xtts_v2").to("cuda")

# Clone voice from 6-second reference audio and synthesize in any of 17 languages
tts.tts_to_file(
    text="Bonjour, je suis votre assistant vocal.",
    speaker_wav="reference_voice.wav",   # 6+ seconds of the target speaker
    language="fr",                        # Output in French using the cloned voice
    file_path="output.wav"
)

Bark — صوت إبداعي ما وراء الكلام

• القدرة الفريدة: أدرج `[laughs] أو [sighs] أو [music]` في نصك ويولّد Bark هذه الأصوات مع الكلام.
• غير قابل للتحكم كـTTS تقليدي: الناتج يتباين بين التشغيلات لنفس الإدخال.
• السرعة: بطيء — 2–4× أبطأ من الوقت الفعلي حتى على RTX 4090.
• Apple Silicon: ~1.5× وقت فعلي على M5 Pro (CPU، MPS جزئي).
• مثالي لـ: الصوت الإبداعي وإنتاج البودكاست بمؤثرات صوتية والخيال التفاعلي.
• VRAM: GPU 4–8 غيغابايت.
• التثبيت: pip install suno-bark. تُحمَّل النماذج عند التشغيل الأول (~2 غيغابايت).
• الترخيص: MIT — تجاري كليًا.
• القيد: بلا استنساخ صوت موثوق.

StyleTTS 2 — أقصى جودة طبيعية

• المعمارية: نقل أسلوب قائم على الانتشار.
• الجودة: أعلى درجات MOS من أي محرك TTS إنجليزي مفتوح المصدر على معيار LJSpeech.
• مثالي لـ: سرد الكتب الصوتية والتعليق الصوتي الاحترافي وإنتاج البودكاست.
• التثبيت: استنسخ المستودع من GitHub، ثبّت المتطلبات، حمّل نقاط التفتيش (~500 ميغابايت).
• دعم اللغات: إنجليزي أساسًا. غير موصى به لغير الإنجليزية.
• استنساخ الصوت: غير مدعوم.
• VRAM: GPU 2–4 غيغابايت. أسرع من XTTS v2 بـ~5–8× وقت فعلي على RTX 4070.
• Apple Silicon: ~6× وقت فعلي على M5 Pro (CPU).
• استمع إلى عينات: StyleTTS 2 على GitHub
• الترخيص: MIT — تجاري كليًا.

F5-TTS — استنساخ صوت zero-shot، مفتوح كليًا

• المعمارية: Flow-matching بدلًا من المعمارية القائمة على GPT في XTTS v2. عادةً يوفر استدلالًا أسرع بجودة تنافسية.
• استنساخ الصوت: ~3 ثوانٍ من الصوت المرجعي كافية لاستنساخ zero-shot.
• الجودة: تنافسية مع XTTS v2 في الإنجليزية. درجات MOS ~4.1 تقريبًا.
• السرعة: ~3–5× وقت فعلي على RTX 4070.
• اللغات: متعدد اللغات — دعم قوي للإنجليزية والصينية مع توسع مستمر.
• Apple Silicon: ~2× وقت فعلي على M5 Pro (CPU).
• VRAM: GPU 3–5 غيغابايت موصى به.
• التثبيت: pip install f5-tts أو استنسخ من GitHub.
• الترخيص: CC-BY-NC-4.0 — غير تجاري فقط.
• لماذا يهم: F5-TTS يُحضر معمارية أحدث لاستنساخ الصوت المحلي مع مجتمع نشط.

التراخيص والاستخدام التجاري — هل يمكنني استخدام محرك TTS هذا تجاريًا؟

قبول CPML بشكل غير تفاعلي (COQUI_TOS_AGREED)

• الصدفة / CI: export COQUI_TOS_AGREED=1 قبل تشغيل نصك البرمجي.
• Docker: أضف ENV COQUI_TOS_AGREED=1 إلى Dockerfile، أو مرّر -e COQUI_TOS_AGREED=1 إلى docker run.
• Python (اضبطه قبل تحميل النموذج): `import os; os.environ["COQUI_TOS_AGREED"] = "1" — يجب أن يعمل قبل أن يُنشئ TTS(...)` نموذج XTTS.
• ما الذي يفعله: يسجّل قبولًا غير تفاعلي لـCPML بحيث لا يتوقف تحميل النموذج على مطالبة y/n. ليس ترخيصًا تجاريًا ولا يزيل القيد غير التجاري.

# 1) Shell / CI — accept the CPML once for the session
export COQUI_TOS_AGREED=1

# 2) Dockerfile — bake acceptance into the image
# ENV COQUI_TOS_AGREED=1

# 3) Python — set it before the model is created
import os
os.environ["COQUI_TOS_AGREED"] = "1"   # must be set BEFORE the TTS() call below

from TTS.api import TTS
tts = TTS("tts_models/multilingual/multi-dataset/xtts_v2").to("cuda")
# Model now loads without the interactive license prompt

TTS محلي مقابل ElevenLabs وTTS السحابي

• سقف الجودة: ElevenLabs > StyleTTS 2 ≈ XTTS v2 > F5-TTS ≈ Coqui TTS > Piper.
• زمن الاستجابة: Piper المحلي (~30–50 مللي ثانية أول صوت) أسرع من أي رحلة ذهابًا وإيابًا لـAPI ElevenLabs (~300–500 مللي ثانية).
• التكلفة: ElevenLabs يُقيّد 5–99 دولار/شهر. TTS المحلي بدون تكلفة بعد الأجهزة الأولية.
• استنساخ الصوت: ElevenLabs Instant Voice Clone ≈ جودة XTTS v2.
• الخصوصية: TTS محلي = لا بيانات صوتية مُرسَلة. ElevenLabs = صوت معالَج على خوادمهم.
• القدرة دون اتصال: محلي = دون اتصال كليًا. ElevenLabs = يتطلب إنترنت.
• متى تستخدم السحابة: الإنتاج الصوتي الاحترافي، المنتجات الموجّهة للعملاء التي تتطلب أعلى جودة.
• متى تستخدم المحلي: الصوت الحساس للخصوصية، الأجهزة المُدمجة، المعالجة الدُّفعية الحساسة للتكلفة، البيئات دون اتصال.

كيفية الاختيار

• تحتاج استنساخ صوت؟ ← نعم: XTTS v2 (أفضل جودة، CPML) أو F5-TTS (أسرع، CC-BY-NC-4.0) أو Coqui VITS (جودة جيدة، MPL 2.0). لا: Piper (سرعة)، StyleTTS 2 (جودة).
• تحتاج العمل على CPU فقط / Raspberry Pi؟ ← Piper فقط. Kokoro بديل CPU أعلى جودة بترخيص Apache 2.0.
• تحتاج صوتًا إبداعيًا بأصوات غير منطوقة؟ ← Bark.
• تحتاج أفضل جودة سرد إنجليزي؟ ← StyleTTS 2.
• تحتاج دعمًا متعدد اللغات؟ ← XTTS v2 (17 لغة، استنساخ متعدد اللغات)، Coqui (20+ لغة)، Piper (20+ حزمة لغة).
• تحتاج ترخيص MIT تجاريًا كليًا؟ ← Piper أو Bark أو StyleTTS 2.
• تبني خط أنابيب مساعد صوتي؟ ← Piper لمخرج TTS منخفض زمن الاستجابة (انظر /ar/power-local-llm/build-local-voice-assistant-2026).

الأسئلة الشائعة

المصادر

• Piper TTS على GitHub — الكود المصدري وحزم الأصوات وتنزيلات نماذج ONNX ودليل الإعداد لـRaspberry Pi.
• Coqui TTS على GitHub — الكود المصدري وقائمة النماذج ووثائق استنساخ الصوت.
• وثائق XTTS v2 — بطاقة نموذج XTTS v2 والترخيص (CPML) وAPI استنساخ الصوت.
• Bark على GitHub — الكود المصدري وتوكنات موجّه الصوت وتنزيل النموذج.
• StyleTTS 2 على GitHub — ورقة المعمارية ونقاط التفتيش ودليل الاستدلال.
• F5-TTS على GitHub — TTS قائم على flow-matching مع استنساخ صوت zero-shot.
• Kokoro TTS على GitHub — TTS خفيف عالي الجودة بترخيص Apache 2.0.
• Tortoise TTS على GitHub — TTS متعدد الأصوات عالي الجودة مع استنساخ الصوت، ترخيص Apache 2.0. بطيء جدًا لكنه متوافق تجاريًا.
• XTTS-v2 LICENSE.txt (CPML) على Hugging Face — النص الكامل لـCoqui Public Model License الذي يحكم XTTS v2.
• Piper voices على Hugging Face — جميع تنزيلات حزم اللغة/الصوت المتاحة.
• عينات صوت Piper — عروض صوتية لجميع أصوات Piper.

قراءة ذات صلة

• بناء مساعد صوتي دون اتصال كليًا في 2026 — استخدم Piper أو Coqui TTS كطبقة مخرجات في خط أنابيب كامل من Whisper + LLM + TTS.
• التعرف على الكلام المحلي 2026: Whisper.cpp مقابل faster-whisper — جانب الإدخال في خط أنابيب الصوت: STT لتكملة TTS.
• خط أنابيب الذكاء الاصطناعي متعدد الوسائط المحلي 2026 — ادمج TTS كطبقة مخرجات صوتية في مجموعة متعددة الوسائط كاملة.
• بناء مساعد صوتي محلي على هاتفك — مساعد صوتي موبايل باستخدام TTS نظام iOS أو Piper.
• أفضل وحدات GPU الاقتصادية لـLLM المحلي — اختيار GPU لتشغيل استدلال XTTS v2 وF5-TTS وBark وStyleTTS 2.
• أفضل ذكاء اصطناعي لتحويل النص إلى كلام لمنتجي المحتوى — Piper مقابل Coqui XTTS مقابل ElevenLabs Local: مقارنة جودة الصوت وزمن الاستجابة.