تحويل النص إلى كلام (Text-To-Speech، اختصاراً TTS)، ويُعرف أيضاً بتركيب الكلام (Speech Synthesis)، هو فئة من تقنيات الذكاء الاصطناعي التي تحول المعلومات النصية إلى إشارات صوتية مسموعة. هدفه هو جعل الحاسوب يولّد كلاماً طبيعياً ومتسقاً بناءً على النص المُدخل، بحيث يتمكن الجهاز من إخراج المحتوى اللغوي بطريقة مشابهة للقراءة البشرية. تتضمن تقنية TTS مجالات متعددة مثل معالجة اللغة الطبيعية، ومعالجة الإشارات الصوتية، والتعلم الآلي، وتُعد مكوناً أساسياً في أنظمة التفاعل الصوتي بين الإنسان والآلة.

مر تطور تقنية تركيب الكلام بمراحل متتابعة من القيادة بالقواعد، والتركيب القائم على التقطيع، وصولاً إلى التوليد القائم على الشبكات العصبية. في الأنظمة المبكرة لـ TTS، اعتمدت بشكل أساسي على قواعد لغوية مصممة يدوياً وتسجيل مقاطع صوتية، مع توليد الكلام عبر تقنية التقطيع، ورغم أن التحكم كان قوياً نسبياً، إلا أن الطبيعية كانت محدودة. مع تطور التعلم العميق، بدأ الباحثون في استخدام الشبكات العصبية لتعلم العلاقة المباشرة بين النص والكلام مباشرة. في عام 2017، طرح باحثو Google في ورقة بحثية بعنوان Tacotron: Towards End-to-End Speech Synthesis نموذج Tacotron، الذي يحول تسلسل النص مباشرة إلى خصائص صوتية (مخطط طيفي)، ويولّد شكل الموجة الصوتية عبر خوارزمية Griffin-Lim، مما أثبت جدوى التركيب الصوتي من البداية إلى النهاية؛ وقد طُوّر هذا النهج لاحقاً في Tacotron 2 عام 2018 ليصبح عملية تركيب كاملة تعتمد على الشبكات العصبية مع دمج الترميز العصبي الصوتي (WaveNet)، ليصبح عملاً بحثياً مهماً في مجال TTS القائم على الشبكات العصبية.

تشتمل أنظمة TTS الحديثة عادةً على مراحل مثل تحليل النص، والنمذجة الصوتية، وتوليد شكل الموجة الصوتية. يفهم النموذج أولاً معلومات الحروف والكلمات والدلالات والإيقاع في النص، ثم يتنبأ بالتمثيل الصوتي المقابل (مثل طيف ميل، Mel-spectrogram)، وأخيراً يولّد إشارة كلام مستمرة عبر الترميز الصوتي (Vocoder). في السنوات الأخيرة، مع تطور Transformer، ونماذج الانتشار (Diffusion Models)، ونماذج الكلام واسعة النطاق، تواصلت أنظمة TTS في التحسن من حيث طبيعية الكلام، والتعبير العاطفي، ودعم تعدد اللغات، والتحكم في أسلوب الصوت.

تعالج تقنية TTS بشكل أساسي مشكلة عدم إمكانية نقل المعلومات الرقمية مباشرة عبر الشكل الصوتي، مما يمكن الحاسوب من تحويل المحتوى النصي إلى مخرجات صوتية قابلة للتفاعل. حالياً، تُطبق هذه التقنية على نطاق واسع في المساعدات الذكية، والقراءة الصوتية، والإعلانات الملاحية، وأنظمة خدمة العملاء، والمساعدات لذوي الاحتياجات الخاصة، والوكلاء الافتراضيين، وغيرها من السيناريوهات، مما يوفر واجهة صوتية أكثر طبيعية للتفاعل بين الإنسان والآلة.