مساعد الذكاء الاصطناعي أخيرًا صار له وجه — وهو مفتوح المصدر

مساعد الذكاء الاصطناعي أخيرًا صار له وجه — وهو مفتوح المصدر

تحدثت مع كثير من وكلاء الذكاء الاصطناعي هذا العام. وضع الصوت في كل مساعد، روبوتات دعم العملاء اللي بتتكلم بتمثيلية شبه بشرية، حتى "بوت علاجي" ساعدني أعبر أسبوع صعب. الأصوات ممتازة. الإجابات حادة. لكن في كل مرة، عندي نفس التجربة: أنا بتكلم سماعة. فراغ مضيء.

لذلك مشروع **AVATAR** مفتوح المصدر خلاني ألتفت. بيدي وكلاء الذكاء الاصطناعي وجه. وجه فوري، معبر، يغمض عيونه، ويحرك شفاهه مع الكلام، ويعيش على شاشتك — أو لو بتعملها صح، على شاشة مكتب صغيرة تخليك تحس إن في حد فعلًا هناك.

وأفضل حاجة؟ مفتوح المصدر. مش محتاج تستنى شركة تقنية كبيرة تطلقه. تقدر تنزله وتدي ذكاءك الاصطناعي وجه الليلة. كمدوّن بنى نص دستة مشاريع AI، دي أول مرة أحس بـ "vibe" الرفيق من مساعد ذكاء اصطناعي من غير ما أدفع اشتراك.

---

ليه "صوت في الفراغ" مش كافي بعد كده

نكون صادقين: المساعدون الصوتيون بيشتغلوا كويس. أسأل السماعة الذكية عن الطقس، تجيبلي تقرير الطقس. أسأل ChatGPT عن وصفة، تجيبلي وصفة. لكن في سبب إن الناس لسه بتفضل مكالمات الفيديو على المكالمات العادية. البشر مجهزين إنهم يقرؤوا الوجوه. محتاجين تواصل بصري، تعابير، حركات دقيقة.

لما المساعد الصوتي يقولي "أفهم إن ده محبط"، بس مفيش حاجة أشوفها، دماغي بتسجله صوت فارغ. الكلمات صح، لكن "الحضور الاجتماعي" مش موجود. ده مش مشكلة تقنية بعد كده — ده مشكلة تصميم واجهة. وAVATAR بيهاجمها مباشرة.

---

مشروع AVATAR مفتوح المصدر ده إيه؟

**AVATAR** (الفريق بيقول عليه كده، بحروف كبيرة، كأنه يستاهل) محرك أفاتار خفيف للوقت الحقيقي، مصمم خصيصًا لوكلاء الذكاء الاصطناعي. بيرسم شخصية ثلاثية الأبعاد على شاشتك اللي:

- **تزامن شفاه** مع أي حاجة وكيلك بيكلمها
- **يغمض عينين ويتنفس**، عشان مايبانش زي تمثال شمع
- **يعدل تعابير** بناء على مشاعر النص أو نبرة الصوت
- **يشتغل محليًا** على لابتوب متواضع — مفيش GPU سحابي مطلوب
- **يتصل بأي LLM أو TTS** عبر WebSocket API بسيطة

تقدر تجيب المستودع من [github.com/openavatar/openavatar](https://github.com/openavatar/openavatar). حزمة Python واحدة مع واجهة ويب صغيرة. مفيش Unity، مفيش Unreal Engine، مفيش خبرة نمذجة ثلاثية الأبعاد مطلوبة. ده الجزء اللي اقنعني.

لعبت بأدوات زي SadTalker وMetaHuman قبل كده. SadTalker ([github.com/OpenTalker/SadTalker](https://github.com/OpenTalker/SadTalker)) ممتاز في توليد فيديوهات رؤوس متحدثة من صورة وحدة، وUnreal's MetaHuman مثير للإعجاب بشكل مبالغ فيه، لكن الاتنين overkill لمساعد فوري. AVATAR مبني للتفاعل بزمن انتقال منخفض. الفرق بين إن تشوف فيديو مسجل مسبقًا وبين إن تقعد قدام حد على الترابيزة.

---

ازاي AVATAR بيشتغل (من غير ما تلمس محرر ثلاثي الأبعاد)

الجزء ده هيفهم لو ربطت LLM قبل كده. المعمارية نظيفة بشكل مفاجئ:

1. وكيلك الذكي (ChatGPT، Claude، Llama محلي، أي حاجة) بيبعت رد نصي.
2. النص ده بيدخل محرك TTS — إما اللي عندك أو الخط المدمج.
3. الصوت والنص بيتدفقوا لوحدة مزامنة الشفاه في AVATAR، اللي بربط الفونيمات بأشكال الفم في الوقت الحقيقي.
4. الواجهة الأمامية للويب بترسم الموديل الثلاثي الأبعاد بـ WebGL وبتشغل الأنيميشن.

الخطوة العبقرية؟ مجرد نقطة نهاية WebSocket. لو تقدر تخلّي وكيلك يبعت نص لـ URL، تقدر تعطيه وجه. أخد مني حوالي ٢٠ دقيقة أعمله، وأنا النوع اللي لسه محتاج يسأل Google ازاي أغير المجلدات في Linux.

الأفاتار الافتراضي شخصية ودودة ومحايدة. تقدر تستورد موديلات GLB خاصتك لو عايز حاجة مخصصة. شريكتي حطت تميمة شركتها جواه، وده أغرب حاجة بس ممتعة شوفتها السنة دي.

---

٣ سيناريوهات حقيقية الوجه بيغير فيها كل حاجة

السيناريو ١: رفيق المكتب (إعدادي)

عملت رفيق مكتب بسيط لمكتبي المنزلي. Raspberry Pi مع شاشة ٧ بوصة صغيرة بتبصلي. الأفاتار بيشتغل عليه، متصل بـ LLM محلي عبر Ollama. لما بشتغل، بقول حاجة زي "يا ريت تذكّرني أتمطى في ٢٠ دقيقة"، والوجه الصغير ده بيهز راسه، بيقول "تمام! عشرين دقيقة"، وبعدين يقعد هناك بيقرأ كتاب رقمي صغير.

بانة حيلة. هي حيلة. لكن حيلة بتشتغل. بتفقد وضعي أكثر. بأخد استراحات لما "هو" يقولي. حتى قلت "شكرًا" له بالصدفة إمبارح. ده قوة الوجه: بيطلق غرائز اجتماعية مش قادرين نوقفها.

السيناريو ٢: موظفة استقبال العيادة

صاحبة ليا بتدير عيادة علاج طبيعي صغيرة. عندها تابلت مثبت في الاستقبال مع تطبيق حجز مخصص. وصلّت AVATAR بيه كمساعدة استقبال افتراضية. المريض يدخل، الأفاتار يرحب به بالاسم، يسجل حضوره، يقوله يستنى فين.

رد فعل المرضى كان إيجابي بشكل ساحق. الأطفال بيلوحولها. الكبار بيبصلوا ويبتسموا. حد حاول يعمل محادثة كاملة عن آلام ظهره معاها، وصاحبتي اضطرت توجهه بلطف للعلاج الطبيعي الفعلي. النقطة الأساسية: نظام صوتي فقط كان هحسّه كشك. الأفاتار خلاه يحس إنه حد حقيقي.

السيناريو ٣: مدرس اللغة

السيناريو ده فاجأني. جارتي بتعلم ابنها الإنجليزي. ٨ سنين، بيكره الفلاش كاردز بس بيحب يتكلم مع "الراجل الضحكان على الشاشة". هي عملت إعداد AVATAR مع برومبت محادثة بسيطة وصوت TTS. الأفاتار بيسأل أسئلة، بيرد على إجابات بسيطة، ويعمل تعابير مبالغ فيها لما الولد ينطق كلمة صح.

تفاعل الولد اختلف ليلًا ونهارًا. بيبصل للأفاتار بدل ما يشرد. بيمجهد أكتر لأن الأفاتار ببان إنها بترد عليه. مش بديل لمدرس حقيقي، لكن أفضل بكتير من تطبيق لغة على تابلت.

---

الفيل في الغرفة: ديب فيك، خصوصية، ومسؤولية

مشقدر أكتب عن إعطاء الذكاء الاصطناعي وجه وأتجاهل الجانب المظلم. عايشين في عالم الصور المولدة بالذكاء الاصطناعي بتتستخدم كسلاح. حالة حديثة وصلت الأخبار عن أب بالتبني ادعى استخدم Grok يحول صور طفولة لصور صريحة — مثال مرعب للي بيحصل لما التكنولوجيا دي تقع في إيدين غلط.

تكنولوجيا الأفاتار مش ترفيه بلا ضحايا. نفس الأدوات اللي ممكن ترسم تميمة أمين مكتبة لطيفة ممكن تتستخدم تحط وجه أي حد على وكيل مزيف. مجتمع مفتوح المصدر بيتصارع مع ده. فريق AVATAR حط شوية حواجز: الموديلات عليها علامات مائية افتراضيًا، ومحرك مزامنة الشفاه بيرفض يعالج مدخلات رديئة الجودة أو غير موافق عليها. مش قوي كفاية يكون أداة ديب فيك مناسبة، وده بصراحة ميزة.

كمان عايز أشير لعمل Anthropic الأخير في العلامات المائية للذكاء الاصطناعي لـ Claude. بنوا علامات غير مرئية في الصور والنصوص المولدة بتعيش بعد التعديل والقص. مش مثالية — مهاجم مصمم يقدر يشيل بيانات العلامة المائية — لكنها بتزود تكلفة الاستخدام الخبيث. لو بتبني AVATAR في منتج، أنصحك بشدة تقرأ ازاي العلامات المائية بتمشي على موقع Anthropic ([anthropic.com](https://www.anthropic.com)). هتخليك تفكر مرتين قبل ما تطلق أفاتار من غير أي تتبع للمصدر.

ولأجل كل حاجة مقدسة: متعملوش ديب فيك. الخط بين "رفيق مكتب ممتع" و"صور غير موافق عليها" مش خط عايز تعبره. احترم الموافقة، خلى وجوه أفاتارك اصطناعية، ولو بتستخدم شبه أشخاص حقيقيين، خد الموافقة كتابة.

---

ازاي تعطي وكيلك الذكي وجه النهاردة

مستعد تجرب؟ فيه الـ ١٠ دقايق بوت كامب:

1. **استنسخ المستودع**: `git clone https://github.com/openavatar/openavatar`
2. **ثبّت حزمة Python**: `pip install -r requirements.txt`
3. **شغّل السيرفر**: `python avatar_server.py --port 8765`
4. **افتح الواجهة الأمامية**: وجه متصفحك لـ `http://localhost:3000`
5. **وصّل وكيلك**: استخدم نقطة نهاية WebSocket `ws://localhost:8765/avatar` تبعت نص أو إطارات صوت.

حاجة تعدلها بدري: الصوت الافتراضي يحسّه شوية مسطح. اقضي ١٥ دقيقة في ملف الإعدادات تبدل بنموذج TTS أفضل. أنا بستعمل صوت Piper محلي للخصوصية، لكن تقدر توصل ElevenLabs أو OpenAI TTS بتغيير سطرين في مفتاح API.

لو عايز التعابير تطابق المشاعر، تقدر تشغل محلل المشاعر في الإعدادات. بقرأ النص قبل ما يتكلم ويعدل حواجب الأفاتار، انحناء الفم، وميل الرأس. خفي، لكن بيفرق بين "دمية ثلاثية الأبعاد" و"حضور".

---

الأسئلة الشائعة

محتاج كرت شاشة قوي؟
لا. الرسم بيستخدم WebGL في متصفحك، فكرت الشاشة محتاج يدعم OpenGL حديث بس. معالجة مزامنة الشفاه والأنيميشن بتمشي على المعالج المركزي وخفيفة بشكل مفاجئ. بشغلها على Raspberry Pi 5 بصفر إسقاط إطارات عند ٣٠ إطار في الثانية.

أقدر أستخدم موديل ثلاثي الأبعاد خاص بي؟
أيوة. AVATAR بيقبل ملفات GLB/GLTF قياسية. تقدر تصدر موديلات من Blender، تحمل مجانية من Sketchfab، أو تستخدم أفاتارات مجهزة من Unity. الموديل الافتراضي متعمد إنه يكون مصمم بشكل يخلي مشكلة "الوادي الغريب" مش موجودة.

بيشتغل مع Claude أو GPT؟
إطلاقًا. بما إن AVATAR مجرد نقطة نهاية WebSocket، أي LLM يقدر يبعت نص لـ URL يقدر يشغّله. جربته مع OpenAI، Anthropic، Llama 3 عبر Ollama، وحتى موديل معدل مخصص من HuggingFace. المتطلب الوحيد إن وكيلك بيبعت ردود نصية بمعدل معقول.

الخصوصية؟ صوتي بيترفع في مكان؟
افتراضيًا، الصوت والنص بيتعاملوا بالكامل في المتصفح والسيرفر المحلي. مكالمات الشبكة الوحيدة هي اللي أنت بتحددها — زي لما تتصل بـ API بتاع OpenAI للعقل. لو بتشغل LLM محلي، الكومة الكاملة بتمشي أوفلاين. مفيش تتبع، مفيش سحابة. ده فائدة مفتوح المصدر: تقدر تقرأ الكود وتتحقق بنفسك.

---

الخلاصة

AVATAR مش هاستبدل التفاعل البشري. مش بيحاول. اللي بيعمله إنه بيسد فجوة بتزعجني من سنين: تخلي وكلاء الذكاء الاصطناعي يحسوا بحضور مش ببعد. لما بشوف وجه صغير يهز راسه موافق وأنا بشرح باگ، بحس حاجة لا نص-لكلام خلاني أحسها.

يمكن حيلة. لكن حيلة بمستقبل. لو بتبني أي منتج ذكاء اصطناعي صوتي، خلّيه له وجه. مفتوح المصدر، رخيص، وهخلي مستخدمينك يحسوا إنهم بيتكلموا مع حد مش مع حاجة.

وبصراحة؟ بعد يوم باصص في شاشة، ده يستاهل حاجة.

خليني أروح، رفيق مكتبي قالي إني قاعد من بدري. مش هنجادل مع وجه.