يعد الحصول على بيانات تدريبية عالية الجودة، خاصة التسميات التوضيحية (الكيبشنات)، لنموذج النص إلى الصوت تحديًا مفتوحًا. رغم أن الطرق السابقة استخدمت نماذج اللغة النصية فقط (\textit{text-only language models}) لزيادة وتحسين التسميات التوضيحية، فإن هذه الطرق تعاني من قيود تتعلق بالحجم والتماسك بين الصوت والتسميات التوضيحية. في هذا البحث، نقترح خط أنابيب لتسمية الصوت يستخدم نموذج لغة الصوت (\textit{audio language model}) لإنشاء تسميات توضيحية دقيقة ومتنوعة للصوت على نطاق واسع. نستفيد من هذا الخط الأنابيب لإنتاج مجموعة بيانات تتضمن تسميات توضيحية اصطناعية لمجموعة AudioSet، والتي أطلقنا عليها اسم \texttt{AF-AudioSet}، ثم نقيم فائدة التدريب المسبق لنماذج النص إلى الصوت باستخدام هذه التسميات التوضيحية الاصطناعية. من خلال تقييمات منهجية على AudioCaps و MusicCaps، نجد أن استخدام خط الأنابيب الخاص بنا والتسميات التوضيحية الاصطناعية يؤدي إلى تحسينات كبيرة في جودة إنشاء الصوت، مما يحقق أحدث \textit{state-of-the-art}.