AssemblyAI-TTS-1 بسعر 15 دولارًا لكل مليون حرف: الحد الأدنى لأسعار وكلاء الصوت قد تحرّك للتو

AssemblyAI-TTS-1 أصبح متاحًا للجميع في 27 أكتوبر 2026 بسعر 15 دولارًا لكل مليون حرف إدخال، والرقم المهم ليس هو الوارد في العنوان الرئيسي — بل هو الرقم الذي تحصل عليه بعد القسمة. وبمعدل كلام طبيعي يبلغ نحو 15 حرفًا في الثانية، يمثل مليون حرف نحو 18 ساعة من الصوت النهائي، ما يضع النموذج قريبًا من 81 سنتًا لكل ساعة كلام. وتتقاضى Cartesia Sonic 3.6، الرائدة الحالية في السرعة، 49 دولارًا لكل مليون حرف، أو نحو 2.70 دولار في الساعة. وتتقاضى ElevenLabs v4 مبلغ 80 دولارًا، أو نحو 4.40 دولار في الساعة. هذا أول نموذج مستقل لتحويل النص إلى كلام من AssemblyAI — كانت الشركة بائعة لتحويل الكلام إلى نص حتى هذا الأسبوع — وقد دخلت سوقًا يتقاضى فيه الرائد ثلاثة إلى خمسة أضعاف المبلغ مقابل وحدة العمل نفسها.

يستحق هذا الادعاء تحفظًا فوريًا، لأن ثلاثة أطراف مختلفة تُقدّم هنا ثلاثة أنواع مختلفة من الأرقام. فالسعر مأخوذ من قائمة الأسعار المنشورة الخاصة بـ AssemblyAI نفسها ويمكن التحقق منه على صفحة التسعير الخاصة بها. أما رقم زمن الاستجابة فهو من اختبار معملي أجرته AssemblyAI ضد خمسة مزودين منافسين، على 30 مطالبة، وثلاث جولات، وأربعة أصوات جاهزة لكل نموذج، وطلب واحد في كل مرة. أما موضع التصنيف في لوحة الصدارة فهو خاص بـ Artificial Analysis، وقد قُيس بشكل مستقل. وحيثما تستشهد هذه المقالة بتقييمات الجودة الخاصة بـ AssemblyAI — دقة الكيانات، وMOS المتوقعة، والسمات العروضية، وتشابه الاستنساخ — فإنها مُبلّغ عنها من المورّد ولم يُعِد إنتاجها أحد خارج AssemblyAI. ويشير القياس المستقل حقًا لزمن الاستجابة المتاح حتى الآن إلى نتيجة أقل إطراءً من التسويق، ويجدر أن يُبدأ بها.

ورقة المواصفات في شاشة واحدة

• السعر — 15 دولارًا لكل مليون حرف إدخال، تُحتسب على النص بما في ذلك المسافات وعلامات الترقيم، وجميع أصوات المكتبة وجميع اللغات مشمولة، دون رسوم لكل صوت أو رسوم تزامن.

• الأصوات — أكثر من 4,000 في المكتبة، بالإضافة إلى استنساخ فوري من عيّنة مرجعية قصيرة (استخدم العرض التجريبي 24 ثانية من الصوت)

• اللغات — الإنجليزية والإسبانية والفرنسية والألمانية والإيطالية والبرتغالية عند الإطلاق، بلهجات متعددة، دون تحديد موعد للدفعة التالية

• زمن الاستجابة — 90 مللي ثانية هو زمن الوصول إلى أول صوت المعلن لأغراض الإنتاج، ووصفته الشركة بأنه تقدير متحفظ؛ و47 مللي ثانية هو الوسيط الزمني للوصول إلى أول بايت في مقارنتها المخبرية الخاصة.

• الإنتاجية — 162 حرفًا في الثانية على Artificial Analysis، متقدمة على Cartesia Sonic 3.6 عند 148.6

• الواجهات — HTTP، وWebSocket مع رسالة إلغاء للمقاطعة، ومسار متوافق مع OpenAI؛ ويُشحَن معه وكلاء LiveKit وPipecat المرجعيون

• الإخراج — PCM وmu-law وA-law بترددات من 8 إلى 48 كيلوهرتز، و24 كيلوهرتز أصلي، مع إرجاع طوابع زمنية على مستوى الكلمة مع الصوت

• الإقامة والحدود — المعالجة في الولايات المتحدة أو الاتحاد الأوروبي بالسعر نفسه، وتزامن غير محدود مع الدفع حسب الاستخدام، وبدون عقد سنوي أو شراء باقة

• ليس بعد — لا SSML، ولا معامل سرعة، ولا قواميس نُطق، ولا وسوم مشاعر، ولا استنساخ "pro" مُحسَّن بدقة

سطران من تلك السطور يؤديان عملاً تجارياً أكبر من البقية. فالتزامن غير المحدود بسعر القائمة يزيل التفاوض الذي يفرضه معظم موردي TTS على وكلاء الصوت ذوي الحجم الكبير، حيث يمكن لشرائح التزامن حسب الدقيقة أن تتجاوز سعر الحرف. والفوترة التي تحتسب المسافات وعلامات الترقيم صادقة لكنها ليست مجانية: فنص من 1,000 كلمة يبلغ نحو 6,000 حرف بمجرد تضمين المسافات والفواصل، لذا فإن السعر الفعلي لكل كلمة منطوقة أعلى مما توحي به مقارنة ساذجة مع التسعير لكل كلمة. وAssemblyAI لا يخفي ذلك — فصفحة التسعير تقوله بصراحة — لكنه من نوع التفاصيل التي تحوّل فجوة معلنة بمقدار 3 أضعاف إلى فجوة بمقدار 2.7 أضعاف على نص حقيقي.

لماذا يحمل رقم 47 مللي ثانية كل هذه الأهمية؟

يضع منشور الإطلاق السرعة في المقدمة، والاختبار الأساسي أكثر إفادة من معظم مقارنات المزوّدين لأنه يسمّي منافسيه وطريقته. الوسيط الزمني للوصول إلى أول بايت، عميل واحد، طلبات متتابعة: AssemblyAI-TTS-1 عند 47 ms، وElevenLabs Flash v2.5 عند 119 ms، وCartesia Sonic 3.6 عند 143 ms، وInworld TTS-2 Flash عند 244 ms، وInworld TTS-2 عند 280 ms، وElevenLabs v4 عند 612 ms. إذا قبلت ذلك الإعداد، فإن AssemblyAI ليست سريعة فحسب — بل أسرع بنحو ثلاثة أضعاف في الوصول إلى أول بايت من Cartesia Sonic 3.6، النموذج الذي تُسعّر مقابله، وأسرع بمرتين ونصف من ElevenLabs Flash v2.5.

ما لا يمكن أن يخبرك به الإعداد هو ما يحدث تحت الحمل. فالعميل الواحد الذي يرسل طلبًا واحدًا في كل مرة يقيس النموذج لا الخدمة: لا انتظار في الطابور، ولا تنازعًا على التزامن، ولا مسار بدء بارد، ولا قفزة شبكة عبر المناطق. ورقم الإنتاج البالغ 90 مللي ثانية هو محاولة الشركة نفسها لاحتساب ذلك، والفجوة بين 47 و90 مللي ثانية تقارب حجم الكلفة الواقعية التي لا يستطيع اختبار المختبر رؤيتها. وأي شخص شغّل وكيلًا صوتيًا بأحجام كبيرة سيتعرف على هذا باعتباره الشكل المعتاد لتسويق زمن استجابة TTS: رقم مختبر نظيف لشريحة العرض التقييمي، ورقم إنتاجي أكثر ليونة لمحادثة التسعير، ورقم ثالث لا يظهر إلا عندما تكون على شبكة عامة في منطقة بعيدة عن نقطة النهاية.

ذلك الرقم الثالث موجود الآن بالفعل، وهو أسوأ. فقد قاست Cekura، وهي جهة مستقلة لتقييم وكلاء الصوت، وسيط زمن انتظار البث البالغ 159 مللي ثانية لـ AssemblyAI-TTS-1 عبر مجموعة اختبارها من الجمل بأسلوب الوكيل — مما وضعته في المرتبة الثامنة من أصل تسعة عشر نظامًا بدلًا من الأولى. كما سجّلت Cekura دقة القراءة عند 81.5%، بمستوى متعادل أساسًا مع ElevenLabs v4 عند 80.4%، بينما صنّفت AssemblyAI في المرتبة الأولى في أرقام الهواتف والرموز عند 91.7% والرابعة في الطبيعية عند 4.50. وعند قراءة المصدرين معًا تتشكل صورة متماسكة: AssemblyAI-TTS-1 سريع حقًا في بدء الكلام، وجيد بشكل غير عادي في الرموز الصعبة النطق، وليس الأسرع على الساحة حالما يصبح مسار بث حقيقي جزءًا من المعادلة.

ساحتان من Artificial Analysis، قصتان مختلفتان

تشغّل Artificial Analysis لوحتَي تقييم لتحويل النص إلى كلام (TTS)، وهما تقيسان أشياء مختلفة. في ساحة Provider Voice، يتحدث كل نموذج بأصواته الأصلية الخاصة؛ أما ساحة Controlled Voice فتُلزم كل نموذج باستخدام الأصوات الثمانية المستنسخة نفسها. هذا التمييز هو الشيء الأكثر فائدة في هذا الإطلاق، لأن AssemblyAI-TTS-1 يسجل نتيجة أفضل على اللوحة المضبوطة مما يسجله على كتالوجه الخاص.

• Provider Voice — 1,227 Elo، المركز الثاني عشر عند الظهور الأول، و1,626 ظهورًا خاضعًا للتقييم. بعد يومين، تعرض لوحة الصدارة المباشرة 1,227 في المركز الرابع عشر: النتيجة نفسها، وترتيب أدنى، لأن نموذجين دخلا فوقه. Elo هو الرقم المستقر؛ أما الترتيب فهو هدف متحرك.

• Controlled Voice — 1,110 Elo، المركز العاشر عند المشاركة الأولى، 1,674 مشاركة. تعرض لوحة الصدارة المباشرة الآن 1,108 في المركز العاشر.

• متانة النطق — 81.7% عبر 2,115 مقطعًا مُقيَّمًا، المرتبة 16 في تلك اللوحة.

• سرعة التوليد — 162 حرفًا في الثانية.

النموذج الذي يحتل مرتبة أعلى بين الأصوات المستنسخة مما يحتل بين مكتبة أصواته البالغة 4,000 صوت يخبرك بشيء محدد: الجوانب الصوتية تنافسية، لكن تصميم الصوت ليس بعد العامل المميّز. ويُظهر Breeze TTS 2، الرائد في فئة الأوزان المفتوحة، النمط المعاكس تمامًا — قوي في أصوات المزوّدين، وضعيف في الأصوات المضبوطة — وهذا المقارنة هي ما يجعل الأمر مثيرًا للاهتمام. لقد بنت AssemblyAI كتالوجًا واسعًا ورخيصًا وكفؤًا؛ لكنها لم تبنِ بعد أصواتًا تفوز في اختبارات الاستماع العمياء بفضل جدارتها الخاصة.

يجدر الانتباه إلى انزياح الترتيب لسبب عملي. فكل منصة تجميع تغطي هذا الإطلاق تقتبس عبارة "المرتبة 12 ضمن Provider Voice" من منشور إعلان Artificial Analysis، وبحلول وقت قراءتك لهذا النص قد تكون النتيجة نفسها في المرتبة 15 أو 16. هذا ليس فقدانًا من AssemblyAI للجودة. بل إنها لوحة ترتيب تفصل فيها حفنة من نقاط Elo بين خمسة مراكز، وتصل فيها إدخالات جديدة في معظم الأسابيع. احكم على Elo، وسجّل التاريخ الذي قرأت فيه النتيجة، ولا تعتبر هبوط مركزين تراجعًا.

حيث تبدو تقييمات المورّدين قوية، وحيث لا تبدو كذلك

نشرت AssemblyAI مجموعة أرقام أكثر شمولاً مما تفعله معظم إطلاقات TTS، وكلها من عملها الخاص، وكلها اختُبرت على 50 صوتًا مستنسخًا مشتركًا مع إعادة نسخ الصوت المُولّد عبر مُعرّف Universal-3.5 Pro الخاص بها. المنهجية معقولة — فتمرير الصوت ذهابًا وإيابًا عبر نموذج ASR يُعد مؤشرًا معقولًا على الوضوح — لكنه لا يزال اختبارًا صمّمه المورّد واحتسب نتيجته.

• دقة الكيانات على الأهداف الصعبة (أرقام الهواتف، وعناوين URL، ورموز التأكيد، وأسماء الأدوية) — 93.7% لـ AssemblyAI-TTS-1، و93.6% لـ ElevenLabs v4، و82.5% لـ Cartesia Sonic 3.6، و68.0% لـ ElevenLabs Flash v2.5. إنّ عُشر نقطة فوق ElevenLabs v4 هو تعادلٌ يتنكّر في زي فوز؛ أما الفجوة البالغة 11 نقطة مقارنةً بـ Sonic 3.6 فهي الاكتشاف الحقيقي.

• دقة الكلمات — 99.0%، وهي قريبة بما يكفي من السقف بحيث تتوقف عن التمييز بين النماذج الجيدة.

• MOS المتوقع — 3.85، وهنا يخسر AssemblyAI: يسجّل Inworld TTS-2 Flash نتيجة 3.88 على المقياس نفسه، مع Cartesia Sonic 3.6 عند 3.82 وكلا طرازَي ElevenLabs أدنى منهما. جدول المورّد نفسه لا يضعه في المرتبة الأولى.

• تنغيم TTSDS — 85.5، وهو رقم لا يتوفر له خط أساس مقارن بين البائعين في المنشور.

• تشابه المتحدث في الاستنساخ — 0.64، وهو منخفض بالنسبة إلى الاستنساخ الفوري، ومتوافق مع الموضع في الساحة الخاضعة للتحكم بدلاً من موضع المزوّد.

الخلاصة الأمينة لذلك الجدول أضيق نطاقًا من نصّ الإطلاق: AssemblyAI-TTS-1 بارع في إخراج السلاسل الصعبة على نحو صحيح، ومنافس في وضوح الكلام، وفي منتصف الترتيب من حيث الطبيعية، وهو الأضعف في هوية الصوت عند الاستنساخ. أما بالنسبة إلى وكيل صوتي يقرأ أرقام الحسابات والرموز البريدية، فالسطر الأول هو الذي يُجدي نفعًا. وأما بالنسبة إلى كتاب مسموع بصوت راوٍ أو إلى صوت شخصية، فالسطران الأخيران هما المهمّان، وهذا الطراز ليس الخيار المناسب.

ما لا يستطيع فعله بعد، وما يكلفك ذلك

فجوات الميزات عادية بالنسبة لإصدار أول، وذات تبعات غير معتادة بالنسبة لهذه الفئة. لا توجد SSML، ومن ثم لا توجد طريقة موثوقة لفرض وقفة أو تشديد أو نطق دون إعادة كتابة النص. لا يوجد معامل سرعة، ما يعني أنه يتعين التعامل مع الوتيرة في المراحل السابقة من خلال توليد كلمات أكثر أو أقل. لا توجد قواميس نطق مخصصة، رغم أن دقة الكيانات هي أبرز نقاط القوة — فعندما يخطئ النموذج في نطق اسم علامة تجارية، لا يمكنك تسليمه معجمًا، بل لا يمكنك إلا إعادة تهجئة النص والأمل. ووسوم المشاعر والاستنساخ الاحترافي المضبوط بدقة كلاهما «قريبًا» بحسب كلمات البائع نفسه، ويأتي عنوان «المشاعر الأصلية» في صفحة الإطلاق في موقع غير متناسق بجانب قسم أسئلة شائعة يقول إن أدوات التحكم المخصصة في المشاعر غير متاحة.

تغطية اللغات هي الحدّ الأكثر حدّة. ستّ لغات عند الإطلاق مقابل 44 لـ Cartesia Sonic 3.6 و50 يُزعم أنها لـ Breeze TTS 2 — مع التحفّظ بأن بطاقة الطراز الخاصة بـ Breeze نفسها لا تُصنّف سوى الإنجليزية والصينية. إذا كان وكيلك يحتاج إلى الرد على متصل ألماني ومتصل برتغالي في الأسبوع نفسه، فإن AssemblyAI يغطي كليهما. أما إذا كان يحتاج البولندية أو اليابانية أو العربية، فهو لا يغطيها، ولم يُحدَّد أي موعد.

كيف تحصل عليه فعليًا

يُقدَّم AssemblyAI-TTS-1 من واجهة API الخاصة بالمورّد — عبر HTTP وWebSocket ونقطة نهاية متوافقة مع OpenAI — مع مضيفين في الولايات المتحدة والاتحاد الأوروبي بالسعر نفسه، إضافةً إلى رصيد تسجيل بقيمة 50 دولارًا ونقطة بداية معلنة تتمثل في الدفع حسب الاستخدام فقط. وعلاوة على ذلك، يتوفر عبر عدة منصات تابعة لجهات خارجية. وهو غير موجود في كتالوج OrcaRouter اليوم، ولن ندّعي خلاف ذلك؛ إذا أردته هذا الأسبوع، فإن واجهة API الخاصة بالمورّد هي الطريق المباشر.

الجزء من هذا الإطلاق الذي يهمّنا فعلًا هو شكل القرار الذي يخلقه. وكيل الصوت عبارة عن خط معالجة من ثلاثة نماذج — التعرّف على الكلام، ونموذج لغوي، وتركيب الكلام — وأصبحت مرحلة TTS الآن هي صاحبة أوسع تفاوت سعري وأحدث الوافدين. وهذه تحديدًا هي المرحلة التي تريد فيها إدماج خيار ثانٍ قبل أن تلتزم، لأن نموذجًا جديدًا تمامًا باختبار زمن استجابة من عميل واحد ودون اختبار حمل مستقل هو تعريف مكوّن ينبغي أن يقع خلف خيار احتياطي. توجيه أكثر من 200 نموذج عبر واجهة API واحدة بهامش ربح 0% هو ما نقوم به، مع تمرير سعر القائمة الخاص بالمورّد كما هو بحيث يصل تخفيض السعر في اليوم نفسه، وتحويل تلقائي عند الفشل بحيث لا تؤدي فترة سيئة لدى مزوّد واحد إلى إسقاط الوكيل. نماذج TTS التي نوجّهها اليوم هي tts-1 من OpenAI، وtts-1-hd وgpt-4o-mini-tts إلى جانب Gemini 3.1 Flash TTS Preview من Google — مرحلة ثانية عملية بينما يثبت AssemblyAI-TTS-1 جدارته تحت حجم استخدامك بدلًا من حركته الخاصة.

ما الذي قد يغيّر الحكم؟

ثلاثة أمور، مرتبة حسب مدى تأثير كل منها في القرار. أولاً، اختبار مستقل لزمن التأخير في ظل تزامن حقيقي: رقم Cekura البالغ 159 مللي ثانية للبث هو القياس الخارجي الوحيد حتى الآن، وهو رقم واحد من مختبر واحد. إعادة مختبر ثانٍ إنتاج ميزة زمن أول بايت البالغة 47 مللي ثانية — أو فشله في ذلك — ستحسم ما إذا كان ادعاء السرعة سيصمد عند التعامل مع طابور. ثانياً، قاموس النطق. دقة الكيانات هي أقوى حجة للنموذج، وهي أيضاً القدرة الأكثر عرضة للانهيار في الإنتاج بسبب اسم منتج لم يرَه النموذج من قبل. وتوفير القواميس يحوّل فوزاً في الاختبارات المعيارية إلى فوز تشغيلي. ثالثاً، ما إذا كانت اللغات الست تنمو وفق الجدول الزمني نفسه لبقية خارطة الطريق، لأن ميزة السعر لا تتعاظم إلا إذا لحقت التغطية بالركب.

إلى أن تصل تلك، فإن القراءة الصحيحة لهذا الإطلاق ضيقة ومفيدة: AssemblyAI-TTS-1 هو أرخص API TTS موثوق في السوق من مورّد خلفه عقد من البنية التحتية للكلام، وهو سريع في المختبر وسريع بما يكفي في الاختبار الخارجي الوحيد الموجود، ويقرأ السلاسل الصعبة أفضل مما قورن به أي شيء، وهو متوسط في الطبيعية وضعيف في الهوية المستنسخة. ذلك شراء قوي للوكلاء ذوي الحجم العالي في ست لغات، وشراء سابق لأوانه لأي شيء يحتاج إلى صوت مميز.