AssemblyAI-TTS-1 مقابل Cartesia Sonic 3.6: المنافس قاسَ المتصدّر عند 143 مللي ثانية

الجملة الأكثر فائدة في منشور إطلاق AssemblyAI ليست عن نموذجها الخاص. إنها سطر في جدول مقارنة يُظهر Cartesia Sonic 3.6وهو يستغرق 143 مللي ثانية لإعادة أول بايت بينما AssemblyAI-TTS-1أعاد أول بايت خلال 47 مللي ثانية — اختبار أجرته AssemblyAI على عتادها الخاص ونشرته عن منافس أمضى عامين يسوّق نفسه باعتباره أسرع TTS في السوق. ورقم الجهة المصنعة لـ Sonic 3.6 نفسه أقل من 90 مللي ثانية حتى أول صوت، وهو ليس القياس نفسه، ولا على الشبكة نفسها، وقد جرى تداول الرقمين في مقابل بعضهما منذ ذلك الحين. هذا التصادم هو القلب الصادق لهذه المواجهة: أحد النموذجين هو رائد الجودة واللغات بسعر 49 دولارًا لكل مليون حرف، والآخر هو المتحدي في السعر والإنتاجية بسعر 15 دولارًا، ولا يملك أي منهما رقم كمون أكده طرف محايد.

كل ما يلي مؤرخ. قُرئت أرقام Artificial Analysis في 30 أكتوبر 2026، وتتغير لوحات التصنيف بعشرات نقاط Elo في غضون أسابيع؛ فقد انتقل Sonic 3.6 نفسه من المركز الأول إلى الرابع منذ أغسطس. تُوسَم مزاعم المورّدين على أنها مزاعم مورّدين. نقطتا بيانات زمن التأخير المستقلتان الموجودتان — تشغيل AssemblyAI المخبري وقياس Cekura للبث — تقيسان أمرين مختلفين، وتُعرضان على هذا النحو بدلًا من حساب متوسطهما في حقيقة واحدة مزعومة.

أين يقفون في الواقع، حتى تاريخ اليوم

أُطلق كارتيسيا سونيك 3.6 في منتصف أغسطس 2026، واحتل المركز الأول في كل من ساحتي الكلام لدى Artificial Analysis خلال أيام — 1,282 في Provider Voice و1,123 في Controlled Voice، وكلاهما مسجّل في ذلك الوقت. وبعد شهرين ونصف من الإدخالات الجديدة، صار يحمل 1,296 والمركز الرابع في Provider Voice، و1,147 والمركز السادس في Controlled Voice. ارتفعت نتيجته 14 نقطة وتراجع ترتيبه ثلاثة مراكز. هذا ما تفعله لوحة سريعة الحركة، وهو السبب في أن عمود الترتيب في أي مقال عن الإطلاق يقدم سريعًا.

• صوت المزوّد — Cartesia Sonic 3.6 1,296، المركز الرابع مقابل AssemblyAI-TTS-1 1,227، المركز الرابع عشر

• الصوت المتحكَّم فيه (ثمانية أصوات مستنسخة مشتركة) — Cartesia Sonic 3.6 1,147، المركز السادس مقابل AssemblyAI-TTS-1 1,108، المركز العاشر

• سعر كل مليون حرف — 49 دولارًا مقابل 15 دولارًا

• اللغات — 44 مقابل 6 (الإنجليزية، الإسبانية، الفرنسية، الألمانية، الإيطالية، البرتغالية)

• الإنتاجية (Artificial Analysis) — 148.6 حرفًا في الثانية مقابل 162

• متانة النطق (Artificial Analysis) — AssemblyAI 81.7%، المركز السادس عشر مقابل ترتيب Sonic الأدنى في اختبارات السلاسل الصعبة لدى أطراف ثالثة

• فاتورة الأصوات المستنسخة — تتقاضى Cartesia مبلغًا يعادل 1.5 ضعف للأصوات المستنسخة مقابل السعر الثابت من AssemblyAI الذي يشمل الاستنساخ

الفجوتان ليستا بالحجم نفسه. فارق 69 إيلو في Provider Voice هو فرق جودة حقيقي ومرئي — يقارب المسافة بين نموذجين متجاورين في منتصف لوحة الترتيب، ويكفي لأن يكون لدى مستمع أعمى تفضيل. أما 37 إيلو في Controlled Voice فهو أصغر ويقع في النطاق الذي يمكن فيه لجولة تقييم واحدة أن تحرّك نموذجًا عدة مراتب. بعبارة واضحة: Sonic 3.6 يبدو أفضل بأصواته الخاصة، والاثنان متقاربان بما يكفي عند استخدام صوت مستنسخ بحيث تحدد تفاصيل النشر الفرق. أما فارق السعر البالغ 3.3x فليس متقاربًا بأي مقياس.

حجّة زمن الاستجابة، تُروى بثلاث طرق

توجد ثلاثة قياسات ولا يحسم أي منها المسألة، لذا يجدر التحلي بالدقة بشأن ما يُظهره كل منها.

أولًا، اختبار AssemblyAI المعملي الخاص. ثلاثون مطالبة، وثلاث جولات، وأربعة أصوات قياسية لكل نموذج، وطلب واحد في كل مرة، وعميل واحد. الوسيط الزمني للبايت الأول: AssemblyAI ‏47 ms، وElevenLabs Flash v2.5 ‏119 ms، وCartesia Sonic 3.6 ‏143 ms، وElevenLabs v4 ‏612 ms. هذا اختبار نظيف وموصوف جيدًا، لكن به قيد واضح — فالطلبات المتسلسلة تقيس النموذج، لا الخدمة. ولا يمكنه إظهار الاصطفاف أو التنازع على التزامن أو تكلفة الشبكة عبر المناطق. وفيه أيضًا مشكلة حوافز: المورّد الذي ينشر الجدول هو المورّد الفائز فيه.

الثاني هو ادعاء Cartesia نفسها: زمن أقل من 90 مللي ثانية حتى أول صوت، وهو ما تصفه الشركة بأنه يخصّ النموذج وحده ويستبعد الشبكة. لاحِظ تغيّر الوحدة. الـ47 مللي ثانية لدى AssemblyAI هي أول بايت؛ والـ90 مللي ثانية لدى Sonic هي أول صوت؛ وهما لحظتان مختلفتان في مسار البثّ، وقد يصل أول بايت قبل أول إطار مُصنَّع بوقت طويل. ومقارنتهما مباشرةً هي الخطأ الأكثر شيوعًا في التغطية الصحفية لهذا الإطلاق.

الثالث هو قياس Cekura المستقل للبثّ، الذي وضع AssemblyAI-TTS-1 عند وسيط 159 مللي ثانية عبر جُمل بأسلوب الوكلاء — ثامنًا بين تسعة عشر نظامًا، لا أولًا. وهذا ضعف رقم الإنتاج الذي أعلنه المورّد، ويتوافق تقريبًا مع ما يفعله مسار شبكة حقيقي برقم مختبري نظيف. ولم يكن ثمة رقم مستقل مكافئ متاح لـ Sonic 3.6 في التشغيل نفسه، وهذا يعني أن العبارة الصادقة ليست «AssemblyAI أسرع»، بل «AssemblyAI أسرع في اختبار صمّمه بنفسه، ولم يتنافس أيٌّ من النموذجين في سباق نظّمه مختبر محايد في اليوم نفسه».

الإنتاجية هي المقارنة الأنظف لأن Artificial Analysis يقيسها بالطريقة نفسها لكليهما. عند 162 حرفًا في الثانية مقابل 148.6، يولّد AssemblyAI الصوت أسرع بنحو 9% — وهي ميزة أصغر بكثير مما توحي به أرقام البايت الأول، ولا جدوى منها لوكيل مباشر حيث يكون كلا النموذجين أسرع بالفعل عدة مرات من الزمن الحقيقي. ما يهم في الإنتاج هو زمن الاستجابة الطرفي والموثوقية تحت التزامن، ولم ينشر أي من البائعين رقم p99.

ما يشمله فرق السعر

{{1}}سعر $49 لدى Cartesia ليس سعرًا ثابتًا شاملًا لكل شيء كما هو الحال مع سعر $15 لدى AssemblyAI.{{/1}} {{2}}تفرض Sonic 3.6 على الأصوات المستنسخة رسمًا يعادل 1.5 ضعف السعر القياسي، مما يدفع تكلفة وكيل يستخدم أصواتًا مخصصة إلى نحو $73.50 لكل مليون حرف — أي نحو 4.9 أضعاف سعر AssemblyAI.{{/2}} {{3}}تتقاضى AssemblyAI $15 عن الأصوات المكتبية والأصوات المستنسخة على حد سواء، وتشمل الطوابع الزمنية للكلمات، والمعالجة في الولايات المتحدة أو الاتحاد الأوروبي، والتزامن غير المحدود، دون شراء أي مستوى ودون التزام سنوي.{{/3}} {{4}}تبيع Cartesia أرصدة عبر خطط عند فئات شهرية مجانية و$5 و$49 و$299، وتمنع طبقتها المجانية الاستخدام التجاري.{{/4}}

تم الحساب على أساس نص فعلي لا على أساس بطاقة أسعار: مليون حرف يعادل نحو 18 ساعة من الكلام النهائي بوتيرة حديث عادية، مما يجعل AssemblyAI بتكلفة نحو 81 سنتًا لكل ساعة نهائية مقابل نحو 2.70 دولار لـ Sonic 3.6 بالسعر المعلن، أو نحو 4.05 دولارات عندما تُحتسب الأصوات المستنسخة بمعامل 1.5. وبالنسبة لعملية تبلغ مئة ألف ساعة شهريًا، فهذا هو الفرق بين بند بتكلفة 81,000 دولار وآخر بتكلفة 270,000 دولار. ولا شيء في جودة الصوت يبرر بمفرده مضاعفًا قدره 3.3؛ إذ يجب أن تُبنى حجة Cartesia على التغطية وأدوات التحكم والموثوقية، لا على Elo.

اللغات وأدوات التحكم، حيث لا تزال Cartesia تتفوق بفارق مريح

أربع وأربعون لغة محلية مقابل ست لغات هي أكبر فجوة وظيفية منفردة في هذه المقارنة، وليست فجوة يمكن أن يسدّها تخفيض السعر. تقدّم AssemblyAI الإنجليزية والإسبانية والفرنسية والألمانية والإيطالية والبرتغالية بلهجات متعددة، وقد وعدت بالمزيد دون تحديد موعد. إذا كان وكيلك يخدم أسواقًا أوروبية خارج تلك الست — البولندية والهولندية والسويدية واليونانية — فإن Sonic 3.6 هو الخيار الوحيد من بين الاثنين، وعندها يتوقف اختلاف السعر عن كونه ذا أهمية.

فجوة أدوات التحكم تسير في الاتجاه نفسه. فلا تتوفر في AssemblyAI-TTS-1 عند الإطلاق خاصية SSML، ولا معامل للسرعة، ولا قاموس للنطق، ولا وسوم للمشاعر؛ وتصف صفحة الإطلاق الخاصة بالمورّد نفسه المشاعر بأنها أصيلة في النموذج، بينما تؤكد الأسئلة الشائعة أن أدوات التحكم المخصصة غير متاحة. أما منتج Cartesia فقد بُني حول كلام قابل للتوجيه — إذ تُعد السرعة والمشاعر ومعالجة النطق جزءًا من العرض. وبالنسبة إلى السرد المكتوب أو الدبلجة أو أي عمل يجب فيه توجيه الإيقاع، تطلب منك AssemblyAI حاليًا إعادة كتابة النص للحصول على الأداء الذي تريده، وهو عمل لا يمكنك تحميل تكلفته على أي جهة.

المكان الوحيد الذي يتفوق فيه AssemblyAI من حيث القدرات هو بالضبط المكان الذي تكون فيه Cartesia أضعف: النصوص الصعبة. وتضع Artificial Analysis متانة نطق AssemblyAI عند 81.7%، في المرتبة السادسة عشرة على تلك اللوحة، كما يضع تقييم AssemblyAI الخاص دقة الكيانات عند 93.7% في أرقام الهواتف وعناوين URL والأكواد، مقابل 82.5% لـ Sonic 3.6 — وهي مقارنة مورّدين أجراها المورّد نفسه، وفارق بمقدار 11 نقطة أكبر من أن يُستبعد باعتباره ضوضاءً منهجية. وقد وضع أحد الاختبارات المستقلة (اختبار Gradium) نتيجة Sonic في الحالات الصعبة عند 75.1%. وبالنسبة إلى IVR وإعادة قراءة البيانات وأكواد التأكيد، فهذا هو الرقم الذي يحسم عملية النشر.

من ينبغي أن يأخذ أيًّا؟

اختر AssemblyAI-TTS-1 عندما يكون عبء العمل كثيف الحجم، وعندما تكون اللغة الإنجليزية بالإضافة إلى خمس لغات، وعندما يعتمد العمل بكثافة على القراءة المنظمة للبيانات — أرقام الطلبات والعناوين والرموز والجرعات — حيث تتضاعف ميزة دقة الكيانات والسعر الثابت 15 دولارًا. اختر Cartesia Sonic 3.6 عندما تحتاج إلى أكثر من ست لغات، أو عندما يجب أن يكون الإلقاء موجهًا بدلاً من إعادة كتابته، أو عندما تستنسخ الأصوات ويمكنك تحمل فاتورة 1.5x، أو عندما تكون فجوة الطبيعية في Provider Voice هي ما يسمعه مستخدموك. فرق 37 نقطة في الساحة المضبوطة صغير بما يكفي بحيث يبدو وكيل جيد البناء على أي من النموذجين جيدًا صوتيًا؛ أما فرق 69 نقطة لدى المزوّد فهو الفرق الذي يلاحظه المستمع.

ثمة خيار ثالث لا يعلن عنه أيٌّ من المورّدين، وهو الخيار الذي تصل إليه معظم الفرق: تشغيل كليهما وترك القرار لحركة المرور. إن وجود مسارَي TTS خلف قاعدة توجيه واحدة يتيح لك إرسال العبارات التي تكثر فيها إعادة القراءة إلى النموذج الذي يقرأ الرموز بشكل صحيح، والسرد إلى النموذج الذي يبدو صوته أفضل، دون صيانة مسارَي تكامل. وهذه هي الحجة التي تقدّمها طبقة التوجيه عن نفسها — أكثر من 200 نموذج خلف API واحدة بهامش ربح 0% مع تمرير أسعار القائمة كما هي، بحيث يصل أي تخفيض من أي من الجانبين في اليوم نفسه، وDSL التوجيه لتقسيم حركة المرور حسب عبء العمل لا حسب التخمين. لا يظهر AssemblyAI-TTS-1 ولا Cartesia Sonic 3.6 في كتالوج OrcaRouter اليوم، لذا فهذا شكل للمقارنة لا ادعاء باستضافتهما؛ أما نماذج TTS التي نوجّهها فعلًا — tts-1 من OpenAI، وtts-1-hd وgpt-4o-mini-tts، وGemini 3.1 Flash TTS Preview من Google — فتغطي المسار الثاني بينما يجري تقييم الرائدين على حركة المرور الخاصة بك.

ما الذي سيحسم الأمر فعليًا؟

مختبر محايد يشغّل كلا النموذجين على العتاد نفسه، ومسار الشبكة نفسه، وملف الحمل نفسه، كان سينهي الجدل حول زمن الاستجابة في أمسية واحدة، ولم يفعل ذلك أحد. وحتى ذلك الحين، فإن الموقف الدفاعي هو أن AssemblyAI أسرع في اختباره الخاص وربما أسرع في الواقع، وأن Cartesia هو النموذج الأفضل صوتًا وبتغطية أوسع بكثير، وأن فجوة السعر كبيرة بما يكفي بحيث يتعين على ميزة الجودة لدى Sonic 3.6 أن تستحق 3.3 ضعف لكل حرف — أو 4.9 ضعف على الأصوات المستنسخة — بالنسبة للمشتري الذي يدفع مقابلها.

ثمة تطوران آخران سيحركان الإجابة أكثر من أي معيار قياس. إذا أطلقت AssemblyAI دعم SSML وقواميس النطق، فإن حد اللغات الست يصبح الاعتراض الوظيفي الوحيد المتبقي، وتصبح حجة السعر بالغة الصعوبة في الجدال. وإذا خفّضت Cartesia سعرها نحو الحد الأدنى الجديد في السوق، أو وسّعت فوترة الأصوات المستنسخة، تصبح ميزة التغطية ميسورة التكلفة. راقب هذين التحركين بدلًا من قراءة Elo التالية — ففي لوحة يمكن لنموذج أن يكسب 14 نقطة ويفقد ثلاثة مراكز خلال عشرة أسابيع، تكون المرتبة ضجيجًا والسعر إشارة.