توليد الصوت هو تقنية توليدية تستخدم نماذج الذكاء الاصطناعي لتوليف المحتوى الصوتي تلقائيًا. يهدف هذا الأسلوب إلى توليد إشارات صوتية مثل الموسيقى والكلام والأصوات المحيطة والمؤثرات الصوتية بناءً على وصف نصي أو ظروف صوتية أو غيرها من المدخلات. تدمج هذه التقنية النماذج التوليدية ومعالجة الكلام واسترجاع المعلومات الموسيقية والتعلم متعدد الوسائط، وهي عنصر أساسي في مجال توليد المحتوى المدعوم بالذكاء الاصطناعي.

يستند تطوير توليد الصوت إلى أبحاث طويلة الأمد في مجالات متعددة، تشمل معالجة الإشارات الرقمية، وتوليف الكلام، وتوليد الموسيقى. اعتمدت الأساليب المبكرة بشكل أساسي على الأنظمة القائمة على القواعد، وخوارزميات معالجة الإشارات، والدمج القائم على العينات، مما حدّ من ثراء المحتوى المُولّد وطبيعته. مع تقدم التعلم العميق والنماذج التوليدية، بدأ الباحثون باستكشاف استخدام الشبكات العصبية لتعلم توزيع بيانات الصوت مباشرةً، مما أتاح توليفًا صوتيًا أكثر مرونة. في عام 2022، نشر باحثون من شركة Meta AI والجامعة العبرية في القدس ورقة بحثية... AudioGen: توليد الصوت الموجه نصيًا تم اقتراح نموذج AudioGen، الذي يُولّد محتوى صوتيًا عامًا من خلال التحكم الشرطي في النص. يستكشف هذا النموذج طريقة نمذجة شاملة تبدأ من وصف اللغة الطبيعية وصولًا إلى توليد الصوت، وقد أصبح من أهم الدراسات الرائدة في مجال توليد الصوت من النصوص.

تعتمد أنظمة توليد الصوت الحديثة عادةً على تقنيات مثل نماذج الانتشار، ونماذج الانحدار الذاتي، وبرامج ترميز الصوت العصبية، لتحويل النصوص، والأوصاف الموسيقية، أو غيرها من المعلومات المشروطة إلى تمثيلات صوتية، ومن ثم توليد إشارات صوتية متواصلة. في السنوات الأخيرة، ومع تطور النماذج متعددة الوسائط واسعة النطاق، شهدت تقنية توليد الصوت تحسناً مستمراً من حيث جودة الصوت، وتنوع التوليد، وقدرات التحكم المشروط. تُستخدم هذه التقنية حالياً على نطاق واسع في تأليف الموسيقى التصويرية للأفلام والمسلسلات التلفزيونية، والمؤثرات الصوتية للألعاب، وإنشاء الإعلانات، والشخصيات الافتراضية، والتأليف الموسيقي، والتفاعل بين الإنسان والحاسوب، مما يوفر مساراً تقنياً جديداً لإنتاج المحتوى الصوتي المؤتمت.