AssemblyAI-TTS-1 مقابل Breeze TTS 2: فارق نقطة إيلو واحدة، وفارق 87 نقطة

ضع AssemblyAI-TTS-1 وBreeze TTS 2 على لوحة Provider Voice لدى Artificial Analysis، فلا يمكن التمييز بينهما: 1,227 مقابل 1,228، نقطة Elo واحدة، ومركز واحد على السلّم. ضعهما على لوحة Controlled Voice — حيث يتحدث كل نموذج بالأصوات الثمانية المستنسخة نفسها — فيتسع الفارق إلى 87 نقطة، 1,108 مقابل 1,021، مع حلول AssemblyAI في المركز العاشر وBreeze في المركز الثامن والعشرين. كلا الرقمين حقيقيان، وقد قُرِئا في 30 أكتوبر 2026، والمسافة بينهما هي حجة هذه المقارنة بأكملها. أحد هذين النموذجين لديه كتالوج أصوات قوي يلتف حول نموذج أكوستيكي عادي. والآخر لديه نموذج أكوستيكي قوي يلتف حول أرخص سعر لكل حرف في الفئة.

ما يلي ليس قذف عملة معدنية مُغلّفًا بثوب التحليل. فالمنتجان يستهدفان مشترين مختلفين. AssemblyAI-TTS-1 هو API مستضاف من شركة للتعرف على الكلام أضافت للتو فمًا إلى آذانها — احتكاري، بسعر 15 دولارًا لكل مليون حرف، وست لغات، وتزامن غير محدود. أما Breeze TTS 2 فهو نموذج مفتوح الأوزان بثلاثة مليارات معامل من BreezeBlue، وهي شركة ناشئة مؤلفة من خمسة عشر شخصًا، مع نقطة نهاية مستضافة بسعر 34 دولارًا لكل مليون حرف، وترخيص أوزان يحظر الاستضافة الذاتية التجارية. والنتائج متقاربة بما يكفي لتكون مثيرة للاهتمام، ويصعب أن يكون النموذجان التجاريان أكثر اختلافًا مما هما عليه.

رقمان قبل أي جزء آخر منه.

تتجري Artificial Analysis اختبارات الاستماع العمياء الخاصة بها على أساس متدرج، وتتحرك لوحات الصدارة تحت النماذج. ظهر Breeze TTS 2 لأول مرة في أغسطس عند 1,215 إيلو وفي المركز السادس إجمالًا، وذُكر آنذاك باعتباره أفضل إدخال مفتوح الأوزان. بعد شهرين ودزينة من الإطلاقات، أصبح يُسجّل 1,228 وفي المركز الثالث عشر — نتيجة أعلى وترتيب أسوأ، لأن الميدان امتلأ فوقه. وصل AssemblyAI-TTS-1 في 27 أكتوبر عند 1,227 وفي المركز الثاني عشر، وسُجّل في المركز الرابع عشر بعد يومين عند النتيجة نفسها. أي شخص ينقل ترتيبًا من منشور إطلاق دون تاريخ إنما ينقل حقيقة قديمة.

• صوت المزوّد (الأصوات الأصلية) — AssemblyAI-TTS-1 1,227، الرابع عشر؛ Breeze TTS 2 1,228، الثالث عشر

• الصوت المُتحكَّم فيه (ثمانية أصوات مستنسخة مشتركة) — AssemblyAI-TTS-1 1,108، المركز العاشر؛ Breeze TTS 2 1,021، المركز الثامن والعشرون

• سعر كل مليون حرف — 15 دولارًا مقابل 34 دولارًا

• الأصوات — أكثر من 4,000 صوت من المكتبة، بالإضافة إلى الاستنساخ الفوري مقابل الأصوات المصممة انطلاقًا من وصف نصي، إضافةً إلى مكتبة مرافقة تضم 15,000 صوت

• الأوزان — لا توجد، عبر API فقط مقابل قابلة للتنزيل لكن للأبحاث/غير التجارية فقط

• اللغات — ستّ عند الإطلاق مقابل 50 يُدّعى دعمها، وبطاقة النموذج موسومة باللغتين الإنجليزية والصينية

• الإنتاجية — 162 حرفًا في الثانية مقابل حوالي 45

تقسيم الساحة المضبوطة هو ما ينبغي استيعابه، لأنه القياس الوحيد في هذه المقارنة الذي يثبّت متغيرًا واحدًا. يتيح "Provider Voice" لكل نموذج اختيار أصواته الخاصة، لذا قد يفوز نموذج يضم 15,000 شخصية مصممة يدويًا على أساس اختيار الأصوات لا الصوتيات. ويزيل "Controlled Voice" ذلك. يخسر Breeze 207 نقاط Elo عندما تُستبعد أصواته الخاصة؛ وتخسر AssemblyAI 119. وعندما يُثبَّت الصوت، لا يكون Breeze في المنافسة — في المرتبة 28 — بينما تظل AssemblyAI ضمن العشرة الأوائل.

لماذا يُعد التعادل في الاستماع الأعمى مجرد سراب

لوحة المزوّدين مسابقة شعبية بين نماذج يُسمح لكل منها بأن يُحضر أفضل صوت لديه، وBreeze تُحضر الكثير منها. عرض BreezeBlue يقوم على تصميم الصوت: تصف شخصية بلغة طبيعية فيُركّب النموذج نبرةً تطابقها، ثم يفصل توجيه الصوت الأداءَ عن الهوية بحيث يمكنك طلب أداء «هامس» أو «متسرّع» بينما يظل المتحدث الشخص نفسه المعروف. وتضم مكتبتها المرافقة Voice Galaxy أكثر من 15,000 صوت شخصية. هذا هو نوع الكتالوج الذي يفوز في اختبار تفضيل أعمى، وهو أيضًا نوع الكتالوج الذي لا يخبرك بشيء عمّا يحدث عندما تعطي أيًا من النموذجين مقطعًا مرجعيًا وتطلب منه أن يتحدث بذلك الصوت.

أعطِ كلا النموذجين صوتًا مستنسخًا تنقلب الصورة. هذا ما تفعله الساحة الخاضعة للتحكم، وهي المكان الذي تتوافق فيه أرقام البائع نفسه مع الأرقام المستقلة. تُبلغ Breeze عن تشابه متحدث 0.67 لاستنساخاتها؛ وتُبلغ AssemblyAI عن 0.64. لا أيّ منهما مثير للإعجاب، والفرق بينهما يقع ضمن الضوضاء. وما لا يقع ضمن الضوضاء هو فارق Elo البالغ 87 نقطة على اللوحة نفسها. إذا كان منتجك يحتاج إلى صوت مميز صممته بنفسك، فإن أدوات التصميم لدى Breeze هي بالضبط الميزة المهمة، وضعفها في الساحة الخاضعة للتحكم هو بالضبط المخاطرة — يستطيع النموذج إلقاء صوت صنعه، وهو أقل موثوقية في الحفاظ على صوت صنعته أنت.

ما الذي يشتريه السعر فعليًا

15 دولارًا مقابل 34 دولارًا يعني فارقًا يبلغ 2.3 ضعف في قائمة الأسعار، ويتسع هذا الفارق أو يضيق حسب طريقة الفوترة. تتقاضى AssemblyAI عن كل حرف إدخال، بما في ذلك المسافات وعلامات الترقيم، وتشمل بسعر واحد كل أصوات المكتبة، وكل لغة مدعومة، والاستنساخ الفوري، والطوابع الزمنية للكلمات، والمعالجة في الولايات المتحدة أو الاتحاد الأوروبي، مع عدم وجود حد أقصى للتزامن في نموذج الدفع عند الاستخدام. أما نقطة النهاية المستضافة من Breeze فتبلغ 34 دولارًا لكل مليون حرف على أساس حساب الأحرف نفسه، ولا تغيّر الأوزان المجانية ذلك للمستخدمين التجاريين — إذ يرتبط الترخيص بالمخرجات المستضافة ذاتيًا فضلًا عن الأوزان نفسها.

إذا حسبت الأرقام على نص حقيقي، تجد أن الفجوة تبلغ نحو دولار واحد لكل ساعة صوت مكتملة عند سرعة تحدث طبيعية: نحو 81 سنتًا مع AssemblyAI مقابل نحو 1.84 دولار مع Breeze، باستخدام التقدير المعتاد البالغ 15 حرفًا في الثانية. وبالنسبة لشركة تولّد مئة ألف ساعة من كلام الوكلاء شهريًا، فإن هذا هو الفرق بين 81,000 دولار و184,000 دولار — وهو فارق تدفعه مقابل أدوات تصميم صوتي قد لا تستخدمها، وحكاية "أوزان مفتوحة" قد لا يكون مسموحًا لك بالبناء عليها.

الرخصة هي مفترق الطرق، وهي تشير في الاتجاه الخطأ بالنسبة لـ Breeze

عادةً ما تكون الأوزان المفتوحة هي الحجة التي تُنهي مقارنة كهذه: نزّلها، وشغّلها على عتادك الخاص، وتوقّف عن الدفع مقابل كل حرف. لكن هذه الحجة لا تصمد أمام ترخيص Breeze TTS 2. فرسالة الاستدلال مرخّصة بموجب Apache 2.0؛ أما الأوزان وأي مخرجات من نشر مستضاف ذاتيًا فتندرج تحت ترخيص للبحث وغير التجاري يمتد ليشمل المشتقات وLoRAs وعمليات الدمج والتكميم. وتتطلب الاستضافة الذاتية التجارية إذنًا من BreezeBlue. عمليًا، تُعدّ واجهة API المستضافة هي المسار التجاري، ما يعني أن شارة الأوزان المفتوحة تشتري لك الفحص والتجريب ومنفذ نجاة عليك التفاوض عليه — لا مسارًا إنتاجيًا أرخص.

قارن ذلك بـ AssemblyAI-TTS-1، الذي لا يوفّر أي أوزان على الإطلاق ولا أي ادعاء بالانفتاح. إنها خدمة مستضافة ذات بطاقة أسعار منشورة وخيار لإقامة البيانات. بالنسبة لمشترٍ يفصل بين الاثنين، فالسؤال ليس «مفتوح أم مغلق»، بل «هل أريد توقيع ترخيص بحثي والتفاوض من أجل حق تشغيل نموذج 3B بنفسي، أم أريد فاتورة لكل حرف يمكنني التنبؤ بها؟» إن حجم 3B عملي فعلاً — نحو 7.7 GiB من ذاكرة VRAM في إعداد eager، ووحدة معالجة رسومات بسعة 12GB كحد أدنى معلن، ومعامل زمن حقيقي قدره 0.32 على H100، أي أسرع بنحو ثلاث مرات من الوقت الفعلي على العتاد الذي قاسته BreezeBlue. إنها أصغر استضافة ذاتية ذات مصداقية في هذه الفئة. غير أنها ليست الاستضافة الذاتية التي تستطيع معظم الشركات استخدامها قانونيًا.

الشيء الذي لا تقيسه لوحات إيلو

الإنتاجية هي النقطة التي تتوقف عندها ميزة AssemblyAI عن أن تكون مجرد فرق هامشي لا يكاد يُذكر. سجّل Artificial Analysis 162 حرفًا في الثانية لـ AssemblyAI-TTS-1 مقابل نحو 45 لـ Breeze TTS 2 — أي فرق بمقدار 3.6 أضعاف في سرعة تحويل النموذج النص إلى صوت. بالنسبة لمهمة معالجة دفعات، يمثل ذلك فرقًا في طول قائمة الانتظار. وبالنسبة لوكيل مباشر، فهو الفرق بين نموذج يستطيع مواكبة متحدث سريع وآخر لا يستطيع. وجواب Breeze على ذلك هو مسار البث الخاص بها، الذي تقول إنه يحقق زمنًا يقل عن 40 مللي ثانية للوصول إلى أول صوت؛ وتشير القياسات المستقلة إلى أن الوسيط p50 لزمن الوصول إلى أول بايت يبلغ نحو 119 مللي ثانية، وأن زمن الوصول إلى أول صوت يبلغ نحو 134 مللي ثانية، مع مئين 95 عند نحو 163 مللي ثانية. أرقام AssemblyAI المستقلة المماثلة أكثر شحًا — مختبر واحد فقط، بوسيط زمن كمون للبث يبلغ 159 مللي ثانية — لذا تعامل مع قصتي زمن الكمون على أنهما أقرب إلى بعضهما مما يوحي به العنوان الرئيسي لأي من المورّدين.

في دقة السلاسل الصعبة، الفجوة ليست ضئيلة. يضع تقييم المورّد لدى {{1}}AssemblyAI{{/1}} دقة الكيانات عند {{2}}93.7%{{/2}} في أرقام الهواتف، وعناوين URL، والأكواد، وأسماء الأدوية، مقابل {{3}}82.5%{{/3}} لـ{{4}}Cartesia Sonic 3.6{{/4}} و{{5}}68.0%{{/5}} لـ{{6}}ElevenLabs Flash v2.5{{/6}} — ولا يوجد أي رقم لـ{{7}}Breeze{{/7}} في ذلك الجدول. لم تنشر {{8}}Breeze{{/8}} أي ما يعادله قط، ولا تدّعي بطاقة الطراز الخاصة بها وجود رقم مماثل. إذا كان وكيلك يؤكد أرقام الطلبات، أو يعيد قراءة عناوين البريد الإلكتروني، أو يتهجّى رموز التأكيد، فذلك خطر غير مُقاس على جانب {{9}}Breeze{{/9}} ونقطة القوة الأكثر توثيقًا لدى المورّد على جانب {{10}}AssemblyAI{{/10}}.

حيث تكون Breeze ببساطة الأداة الأفضل

لا شيء مما سبق يجعل Breeze نموذجًا سيئًا؛ بل يجعل منه نموذجًا متخصصًا. إذا كان المنتج لعبة تضم أربعين شخصية، أو تطبيقًا سرديًا صوتيًا، أو رفيقًا يحتاج إلى أن يبدو صوته مثل شخص محدد موصوف في موجّه بدلًا من صوت مختار من قائمة منسدلة، فإن خط أنابيب التصميم والتوجيه الخاص بـ Breeze قدرة لا تمتلكها AssemblyAI بأي شكل. أصوات AssemblyAI البالغ عددها 4,000 هي مكتبة تختار منها؛ أما أصوات Breeze فهي أصوات تصنعها بنفسك. أضف أحداثًا صوتية مضمّنة — ضحكة، أو تنهيدة، أو نفَس مكتوب في السيناريو — وستحصل على أداة للأداء بدلًا من الإعلانات. كما أن ادعاءها دعم 50 لغة يتجاوز بكثير ست لغات لدى AssemblyAI، رغم أن وسوم بطاقة النموذج نفسها تتوقف عند الإنجليزية والصينية ولم يتحقق أحدٌ بشكل مستقل من القائمة الأوسع.

الحجة المضادة هي التي تظل تتكرر: 45 حرفًا في الثانية بطيء، و1,021 Elo على الأصوات المضبوطة أمر عادي، والترخيص يمنع السبب الواضح للرغبة في أوزان مفتوحة. Breeze TTS 2 نتاج بحثي له مسار تجاري للدخول. AssemblyAI-TTS-1 منتج تجاري بلا قصة بحثية. اختر وفقًا لأيٍّ من تلك الجمل يصف مشكلتك.

إذا كنت تتوقع أنك ستحتاج إلى كليهما

تنتهي معظم فرق وكلاء الصوت إلى التعامل مع مزوّدَي TTS، لا لأنها تريد ذلك، بل لأن الجودة والتغطية اللغوية والسعر نادرًا ما تجتمع في نموذج واحد. لا AssemblyAI-TTS-1 ولا Breeze TTS 2 موجودان في كتالوج OrcaRouter اليوم، لذا هذه ليست ترويجًا لأيّ منهما؛ النصيحة الصادقة هي ربط الثاني قبل أن يتعرّض الأول لانقطاع. هذه هي الحالة التي وُجد التبديل التلقائي عند الفشل من أجلها، وهي أيضًا أرخص طريقة لاختبار نموذجَي TTS بأسلوب A/B على حركة المرور الخاصة بك بدلًا من مجموعة مطالبات أحد المورّدين — مفتاح واحد، وقاعدة توجيه، وتوزيع حركة المرور الذي تختاره، بدلًا من عقدين وتكاملين مع SDK.

نمرّر أكثر من 200 نموذج خلف واجهة API واحدة عندهامش ربح 0%، ونمرّر أسعار قوائم المزوّدين كما هي دون تغيير، وهذا مهم هنا لأن تسعير TTS يتغيّر شهريًا: دخلت AssemblyAI عند 15 دولارًا، وتستقر Cartesia عند 49 دولارًا، وتتبدّل لوحة الترتيب الخاصة بها كل بضعة أسابيع. أما مسارات TTS التي نوفّرها فهي tts-1 من OpenAI، وtts-1-hd وgpt-4o-mini-tts وGemini 3.1 Flash TTS Preview من Google — قابلة للاستخدام كمسار ثانٍ بينما تقرّر ما إذا كان سعر 15 دولارًا أم مجموعة أدوات تصميم الصوت هو ما يحتاجه منتجك فعلاً.

القرار، بصيغة واضحة.

اختر AssemblyAI-TTS-1 إذا كنت تبني وكيلًا عالي الحجم، معظمه بالإنجليزية مع خمس لغات إضافية، ويؤكد الأرقام ويقرأ البيانات المهيكلة بصوت مسموع، وإذا كانت ميزة معدل نقل 162 حرفًا في الثانية، بالإضافة إلى التزامن غير المحدود، وبطاقة أسعار يمكنك التنبؤ بها، تهمك أكثر من امتلاك أجمل صوت. اختر Breeze TTS 2 إذا كان الصوت هو المنتج نفسه — إذا كنت تحتاج إلى تصميم الشخصيات، وإخراج الأداء، والحفاظ على أداء عبر النص — وإذا كان بإمكانك التعايش مع ترخيص أوزان غير تجاري، ونحو 45 حرفًا في الثانية، ودرجة صوت مُتحكَّم فيه تقع في الثلث الأدنى من لوحة الترتيب.

النقطة الوحيدة الجديرة بالاستخلاص هي أن هذين ليسا متنافسين حقًا. إنهما يتعادلان على لوحة تكافئ الصب، ويتباعدان بشكل حاد على لوحة تكافئ الصوتيات، والطراز الذي يبدو أضعف في التعادل هو الذي يفوز في القياس مع تثبيت كل شيء آخر. ثم يحدد السعر والترخيص الأمر بالنسبة لمعظم المشترين التجاريين قبل أن تحظى حجة Elo بسماع.