AssemblyAI-TTS-1 مقابل ElevenLabs Eleven v4: ما الذي يقدمه سعر أقل بـ5.3×، وما تكلفته

AssemblyAI-TTS-1 تبلغ تكلفته 15 دولارًا لكل مليون حرف. ElevenLabs Eleven v4 تبلغ تكلفته 80 دولارًا. تلك النسبة — 5.3× — هي الرقم الذي تتصدر به كل العناوين الصحفية التي تتناول هذه المواجهة، وهو أقل الأرقام فائدةً فيها، لأن النموذج الذي ستفعله فعلاً خلف وكيل هاتفي ليس Eleven v4، بل Eleven v4 Turbo، بتكلفة 40 دولارًا لكل مليون حرف، أو Flash v2.5، بتكلفة 40 دولارًا أيضًا. مقابل هذين يصبح الخصم 2.7×، ومقارنةً بـ Flash v2.5 — الشقيق منخفض زمن الاستجابة الذي تبيعه ElevenLabs لهذه المهمة تحديدًا — فإن AssemblyAI-TTS-1 لا يصارع لاعبًا قديمًا راسخًا على الإطلاق. كلاهما صدر خلال الأسابيع الخمسة الماضية. وكلاهما بُني للعميل نفسه. أحدهما يدفع ثمن سقف جودة قرر الآخر عدم التنافس عليه.

جدول الأسعار يقوم بعمل أكثر مما يقوم به جدول المعايير.

أصبح AssemblyAI-TTS-1 متاحًا للاستخدام العام في 27 أكتوبر 2026، ونُشرت أرقام التقييم بعد ذلك بيوم واحد. وتسعيرته مسطّحة على نحو غير معتاد: 15 دولارًا لكل مليون حرف إدخال، بما في ذلك المسافات وعلامات الترقيم، وهذا السعر الواحد يغطي كل صوت في المكتبة التي تضم أكثر من 4,000 صوت، وكل لغة أُطلق بها، والاستنساخ الفوري للصوت، والطوابع الزمنية للكلمات، والمعالجة في الولايات المتحدة أو الاتحاد الأوروبي. ولا توجد رسوم لكل صوت، ولا مستويات للتزامن، ولا عقد سنوي، وتقول الشركة إن سعر الحرف الواحد هو نفسه سواء شغّلت عشر مكالمات متزامنة أو عشرة آلاف.

تتدرّج بطاقة أسعار ElevenLabs حسب الطراز. يُسعّر Eleven v4، الذي أُعلن في 28 سبتمبر 2026، عند 0.08 دولار لكل ألف حرف — أي 80 دولارًا لكل مليون. ويُسعّر كلٌّ من Eleven v4 Turbo وFlash v2.5 عند 0.04 دولار لكل ألف حرف، أو 40 دولارًا لكل مليون. وقد خفّض عرض إطلاق سعر v4 بنسبة 72% حتى 12 أكتوبر 2026؛ وقد انتهت تلك النافذة، لذا فإن مبلغ 80 دولارًا هو المبلغ الذي ستُحاسب عليه فعليًا الآن.

ترجم كلاهما إلى الوحدة التي يعدّ فريق وكيل صوتي ميزانيته بها. بمعدل تحدث طبيعي يبلغ نحو 150 كلمة في الدقيقة، وبما يقرب من ستة أحرف لكل كلمة شاملة المسافات، فإن دقيقة واحدة من الكلام النهائي تساوي نحو 900 حرف. هذا تقدير، وليس رقمًا من مورّد، لكنه قريب بما يكفي لرؤية شكل الفاتورة:

• ساعة واحدة من الكلام المتواصل — نحو 54,000 حرف — تبلغ تكلفتها نحو 0.81 دولار على AssemblyAI-TTS-1، و4.32 دولار على Eleven v4، و2.16 دولار على Eleven v4 Turbo.

مئة ألف مكالمة مدتها ثلاث دقائق — 300,000 دقيقة، أي نحو 270 مليون حرف — تكلّف نحو 4,050 دولارًا على AssemblyAI-TTS-1، و21,600 دولار على Eleven v4، و10,800 دولار على Eleven v4 Turbo.

• الفرق بين AssemblyAI-TTS-1 وEleven v4 Turbo على عبء العمل هذا هو 6,750 دولارًا شهريًا لحجم المكالمات نفسه. أما مقابل Eleven v4 فهو 17,550 دولارًا.

هذا هو القرار الحقيقي، وهو قرار ممل: أنت تختار ما إذا كان فرق الجودة يستحق 6,750 دولارًا شهريًا عند مئة ألف مكالمة. كل ما عدا ذلك في هذه المقارنة يدور حول حجم ذلك الفرق فعليًا.

ما الذي يشتريه مبلغ 65 دولارًا إضافيًا لكل مليون حرف

على لوحة الاستماع الأعمى، يمنح ذلك مكسبًا قابلًا للقياس. يصنّف Provider Voice Arena التابع لـ Artificial Analysis، وفق قراءة بتاريخ 30 أكتوبر 2026، Eleven v4 Turbo في المرتبة الأولى برصيد 1,336 إيلو وEleven v4 في المرتبة الثانية برصيد 1,334، مقابل AssemblyAI-TTS-1 برصيد 1,227 في المرتبة الرابعة عشرة. والفارق البالغ 107 نقاط على ذلك المقياس ليس ضجيجًا — فالفترات لا تتقاطع. وفي Controlled Voice Arena، حيث يُثبَّت التسجيل المرجعي بحيث تدور المقارنة حول دقة الاستنساخ لا حول الأصوات الجاهزة، يحل AssemblyAI-TTS-1 في المرتبة العاشرة برصيد 1,110.

الجزء المتبقي من الفجوة هو المخزون وسطح التحكم، وهو أكبر مما يوحي به فارق Elo:

• اللغات — أُطلق AssemblyAI-TTS-1 بست لغات: الإنجليزية والإسبانية والفرنسية والألمانية والإيطالية والبرتغالية، مع عدة لهجات لكل منها. ويغطي Eleven v4 أكثر من 90 لغة بلهجات أصلية بدلاً من متحدث إنجليزي يقرأ كلمات أجنبية.

• مكتبة الأصوات — أكثر من 4,000 في AssemblyAI-TTS-1 مقابل أكثر من 17,500 يُعلن عنها في Eleven v4.

• الاستنساخ — الاستنساخ الفوري على AssemblyAI-TTS-1 فقط، انطلاقًا من عيّنة يعرضها المورّد عند 24 ثانية. ويجمع Eleven v4 بين الاستنساخ الفوري من عشر ثوانٍ فقط وبين Professional Voice Cloning، الذي عاد في v4 بعد أن غاب عن v3. وقد تحتاج عمليات الاستنساخ الاحترافية الحالية إلى إعادة تدريب مخصصة لـ v4.

• عناصر التحكم — يأتي AssemblyAI-TTS-1 دون SSML، ودون معامل سرعة، ودون قاموس نطق، ودون وسوم مشاعر. ويوضح منشور إطلاقه صراحةً أن علامات الترقيم والتلعثم المكتوب تُقرأ كما هي مكتوبة، وأن التوقفات تُستحضر عبر التوجيه النصي، لا عبر الوسوم. ويأتي Eleven v4 بوسوم صوتية مضمّنة قابلة للتراكم — [laughs]، [whispers] — وبحد طلب يبلغ 10,000 حرف.

• الإخراج والتكامل — يُبث AssemblyAI-TTS-1 عبر WebSocket وHTTP، ويكشف نقطة نهاية متوافقة مع OpenAI، ويتضمن طوابع زمنية للكلمات، ويدعم رسالة إلغاء للمقاطعة، وينشر وكلاء مرجعيين لـ LiveKit وPipecat. تُباع Eleven v4 عبر ElevenAPI وElevenAgents وElevenCreative تحت معرّفي الطراز eleven_v4 وeleven_v4_turbo.

اقرأ تلك القائمة بوصفها بيانًا عن المنتج لا لوحةَ نتائج. لقد بنت AssemblyAI نقطة نهاية TTS لمهمة واحدة — تحويل دور من الحوار إلى خط هاتف بسرعة ودقة وبسعر ثابت — وتجاهلت عمدًا أدوات التحكم الاستوديو. أما ElevenLabs فواصل بناء منصة صوتية. وإذا كان منتجك دبلجةً أو تعليقًا صوتيًا أو صوت علامة تجارية يحتاج إلى التدريب والحوكمة، فإن نقطة النهاية ذات اللغات الست خارج المنافسة بصرف النظر عن السعر.

تختلف أرقام زمن الاستجابة بمعامل ثلاثة، وكلاهما صادق.

هذا هو الجزء الذي تخطئ فيه معظم التغطيات في هذه المقارنة، في كلا الاتجاهين. يذكر منشور إطلاق AssemblyAI مدة 90 مللي ثانية حتى أول صوت في بيئة الإنتاج، و47 مللي ثانية كوسيط لزمن أول بايت في اختباره المعملي الخاص، ويُوصَف بأنه الأسرع بين ستة نماذج. وتضع جدولته للمقارنة المباشرة، التي أوردتها بنفسها، ElevenLabs Flash v2.5 عند 119 مللي ثانية، وCartesia Sonic 3.6 عند 143 مللي ثانية، وInworld TTS-2 Flash عند 244 مللي ثانية، وInworld TTS-2 عند 280 مللي ثانية، وElevenLabs v4 عند 612 مللي ثانية. وتزعم وثائق ElevenLabs الخاصة بها نحو 150 مللي ثانية كوسيط لزمن أول كلام، وحوالي 100 مللي ثانية كوسيط لزمن الاستدلال لدى Turbo.

ثم قاست Cekura، وهي شركة اختبار مستقلة، زمن تأخر البث الوسيط لـ AssemblyAI-TTS-1 عند 159 ms، وهو الثامن بين النماذج التسعة عشر التي قاستها، مع 171 ms كوسيط عندما يُرسَل النص كاملًا و296 ms عند p90. وهذا ليس تناقضًا مع رقم البائع البالغ 47 ms. إنها ساعة توقيت مختلفة: تقيس AssemblyAI الزمن من الطلب إلى أول بايت، بينما تقيس Cekura الزمن من آخر كلمة مُرسَلة إلى أول صوت يخرج. والوكيل الصوتي الذي يتفاوض على دور في المحادثة يهتم بالقياس الثاني أكثر، لأن LLM عليه أن ينتهي من توليد الجملة أولًا.

فإذن القراءة الصادقة هي أنّ AssemblyAI-TTS-1، وفق منهجية البائع نفسه، هو الأسرع في المقارنة، وأنّ ElevenLabs v4 هو الأبطأ بفارق كبير، بينما وفق منهجية مستقلة على شكل وكيل، يقع AssemblyAI-TTS-1 في منتصف الصفّ، وينبغي التعامل مع مزاعمه ومزاعم ElevenLabs على أنها غير مُتحقَّق منها بالنسبة لمسار الاتصال الهاتفي لديك. والمقارنة الوحيدة على زمن الاستجابة التي تصمد أمام التدقيق هي مقابل Flash v2.5، وهو SKU من ElevenLabs وُجد ليحسم هذه الحجة، وقد قاس طرف ثالث أداءه بما يتراوح بين نحو 185 و197 مللي ثانية في بيئة الإنتاج. أما AssemblyAI-TTS-1 عند 159 مللي ثانية فهو أسرع من ذلك، وبسعر أقل 2.7×. وهو الموضع الوحيد في هذه المواجهة الذي يكون فيه الأرخص والأسرع هما الإجابة نفسها.

أين يتعطل AssemblyAI-TTS-1 أولاً

ليس من حيث السرعة ولا من حيث السعر. بل من حيث الذيل الطويل للأشياء التي يقولها متصل حقيقي.

تضع نتائج Cekura حسب الفئة نموذج AssemblyAI-TTS-1 في المرتبة الأولى في أرقام الهواتف والأكواد بنسبة 91.7%، والرابعة في الطبيعية عند 4.50، والثانية والعشرين من أصل سبعة وعشرين في النطق السياقي عند 70.8%. كما يمنحه Artificial Analysis درجة إجمالية قدرها 81.7% في متانة النطق — أي المرتبة السادسة عشرة من بين النماذج التي قيّمها — مع أدنى نتيجة فرعية في توسيع الاختصارات عند 73.8%. وتضع لوحة الصدارة لدى Coval معدل خطأ الكلمات لديه عند 1.7%، بفارق ثلاثة أعشار نقطة مئوية خلف المتصدر ومتقدمًا على Eleven v4 Turbo وCartesia Sonic 3.6 عند 1.8% وDeepgram Aura-2 عند 1.9%.

ضع هذين جنبًا إلى جنب وسيظهر نمط فشل محدد: هذا النموذج جيد جدًا في قراءة رقم بصوت مسموع، وأضعف بشكل ملحوظ في تحديد كيفية نطق اختصار أو عنوان أو رمز حساب. وهذا بالضبط نوع الخطأ الذي يعالجه قاموس النطق، ولا يوفّر AssemblyAI-TTS-1 واحدًا بعد. إذا كان وكيلك يقرأ معرّفات الطلبات، فأنت تشتري نموذجًا تغطي أفضل ميزة فيه ذلك، وأسوأ ميزة فيه هي الشيء الذي لا يمكنك التهيئة للتغلب عليه.

إجابة ElevenLabs عن المشكلة نفسها ليست نتائج أفضل، بل تحكمًا أدق: قواميس، ووسوم، وسرعة، ونسخة احترافية مستنسخة مدرّبة على مرجعك الخاص. أنت تدفع 65 دولارًا إضافية لكل مليون حرف مقابل القدرة على إصلاح الذيل بنفسك.

لا يزال النصف الآخر من الوكيل على فاتورة مختلفة.

لا يعمل نموذج TTS أبدًا بمفرده داخل وكيل صوتي. فهو يعمل خلف نموذج لغوي يكتب الجملة، وفي معظم حزم التقنيات يكون ذلك النموذج اللغوي هو البند الأكبر والأكثر تقلّبًا في العلاقة مع المورّد. وهذه هي الطبقة التي يغطيها OrcaRouter: واجهة API واحدة لأكثر من 200 نموذج بسعر قائمة المزوّد وبدون أي هامش ربح، مع تبديل تلقائي عند تراجع أداء أحد المزوّدين، ولغة DSL للتوجيه لتجميع النماذج في استدعاء واحد، ودمج للنماذج عندما لا تكون إجابة واحدة كافية.

ثمة تحفظان صادقان. أولًا، AssemblyAI-TTS-1 ليس في كتالوج OrcaRouter اليوم — فمسارات الكلام التي نقدّمها هي tts-1 وtts-1-hd وgpt-4o-mini-tts من OpenAI ومعاينات Gemini TTS من Google — لذا ليس هذا عرضًا لشراء النموذج هنا. ثانيًا، والأكثر فائدة: لأن هامش الربح صفر وتُمرَّر أسعار القائمة لدى المورّدين، فإن أي تخفيض سعر من مورّد على أي نموذج TTS توجّهه فعليًا يظهر في فاتورتك في اليوم نفسه، وهي الآلية التي تجعل تبديل الفئة من 80 دولارًا إلى 40 دولارًا أعلاه جديرًا بالمتابعة بدلًا من مجرد القراءة عنه.

ما يجب فعله يوم الاثنين

ثلاثة أسئلة تحسم هذا الأمر أسرع من أي اختبار قياسي.

هل يحتاج وكيلك إلى التحدث بلغة خارج اللغات الست التي أطلقتها AssemblyAI-TTS-1؟ إذن فقد انتهت المقارنة، وانتهت من حيث التغطية، لا الجودة. انتظر حتى تنمو قائمة اللغات أو ادفع مقابل ElevenLabs.

{{1}}هل يقرأ وكيلك المعرّفات أو الرموز أو العناوين بصوت مسموع للعميل؟{{/1}} ثم اختبر {{2}}AssemblyAI-TTS-1{{/2}} على سلاسلك النصية الخاصة قبل أن تعتمد عليه، لأن أرقام النطق المستقلة هي أضعف جزء في سجلّه، ومخرج الطوارئ الخاص بالإعدادات غير موجود بعد. إنّ {{3}}دقة الكيانات البالغة 93.7% على مجموعته الخاصة المكوّنة من 580 عنصرًا{{/3}} لدى المورّد — مقابل {{4}}93.6% لـ Eleven v4 و68.0% لـ Flash v2.5، وهي أرقام أبلغ عنها المورّد ولم يُعِد أحد إنتاجها{{/4}} — تقول عكس ما تقوله {{5}}الدرجة السياقية الخاصة بـ Cekura{{/5}}. أحد هذين الاثنين يقيس حمل العمل الخاص بك، وأنت لا تعرف أيهما.

هل الصوت ملكك، مُدرَّب ومُحكَم؟ إذن ElevenLabs، بلا جدال يُذكر. الاستنساخ الفوري انطلاقًا من 24 ثانية ينتج معرّفًا صوتيًا صالحًا للاستخدام؛ لكنه لا ينتج أصلًا من أصول العلامة التجارية يمكنك الدفاع عنه.

إذا كانت الإجابات هي ست لغات، ولا، ولا — وكيل هاتفي على نطاق واسع يقرأ نوبات محادثة عادية — فإن AssemblyAI-TTS-1 بسعر 15 دولارًا مع تزامن غير محدود وبدون رسوم تزامن هو الخيار الأرخص، وهو على قياس زمن الاستجابة المستقل الخيار الأسرع، وفجوة الجودة هي 107 Elo من التفضيل الأعمى لا تدفع 6,750 دولارًا شهريًا لسدّها. ضعه خلف مسار تجاوز الفشل، وشغّله مقابل تسجيلات مكالماتك الخاصة لمدة شهر، وأبقِ Flash v2.5 موصولًا كخيار احتياطي لليوم الذي يتبيّن فيه أن ذيل مجموعة نصوصك مليء بالاختصارات.

تلك هي المقارنة بأكملها. أحد المورّدين يبيع سقفًا والآخر يبيع أرضية، وكلاهما مسعّر وفقًا لذلك، والخطأ المكلف الوحيد المتاح هنا هو شراء السقف لعبء عمل لا يبلغه أبدًا.