AssemblyAI-TTS-1 مقابل Fish Audio Drama 3: زر إتمام الشراء في مقابل تنزيل بحجم 41.5 غيغابايت

أول شيء يجب فهمه بشأن AssemblyAI-TTS-1 مقابل Fish Audio Drama 3 هو أن أحدهما ملف. Drama 3، الذي صدر في 13 أكتوبر 2026، هو نموذج كلام من نوع خليط الخبراء (mixture-of-experts) يبلغ 35 مليار معامل، منشور على Hugging Face باسم fishaudio/drama-3 — نحو 41.5 GB من الأوزان قبل إضافة codec، ونحو 48 GB من VRAM لتشغيله في FP8. AssemblyAI-TTS-1، المتاح عمومًا منذ 27 أكتوبر 2026 بسعر 15 دولارًا لكل مليون حرف، هو نقطة نهاية HTTPS في US-East أو EU-North تستجيب في أقل من عُشر ثانية ولا تطلب منك شيئًا سوى النص. إن أي مقارنة بينهما تبدأ بنتائج Elo فإنها تبدأ من المكان الخطأ، لأن ما يفصل بين المنتجين قرار تشغيلي قبل أن يفصل بينهما قرار جودة.

ماذا يشتري 15 دولارًا، وماذا تشتري 41.5 غيغابايت

جانب AssemblyAI-TTS-1 قصير الوصف. سعر ثابت قدره 15 دولارًا لكل مليون حرف إدخال، يغطي جميع الأصوات التي يزيد عددها على 4000 صوت في المكتبة، واستنساخ فوري من عينة مدتها 24 ثانية، وطوابع زمنية للكلمات، وست لغات إطلاق (الإنجليزية والإسبانية والفرنسية والألمانية والإيطالية والبرتغالية)، ومعالجة في الولايات المتحدة أو الاتحاد الأوروبي، ونقاط نهاية WebSocket وHTTP إضافة إلى مسار متوافق مع OpenAI، ورسالة إلغاء للمقاطعة، وتزامن غير محدود دون أي رسوم مرتبطة به. لا SSML، ولا معامل سرعة، ولا قاموس نطق، ولا وسوم مشاعر، ولا طبقة استنساخ احترافية.

إن جانب Drama 3 هو شكل مختلف تمامًا من المنتج. فهو نموذج MoE بحجم 35B مع نحو 3 مليارات معامل نشط لكل رمز، مُهيَّأ انطلاقًا من Qwen3.5-35B-A3B، بطبقات عددها 40، و8 من 256 خبيرًا موجّهًا إضافةً إلى خبير مشترك واحد — وهذا هو سبب قدرته على أن يبدو معبّرًا مع بقائه مع ذلك قابلًا للاستيعاب على مسرّع واحد. ويغطي 83 لغة، ويستنسخ الأصوات، ويتعامل مع ما يصل إلى 16 متحدثًا في تمريرة واحدة، ويقبل إرشادات مسرحية باللغة الطبيعية بين قوسين مثل [تنهدات] يعمل النموذج بموجبها. وهو أيضًا، وفق بطاقة النموذج الخاصة بـ Fish، مصمم للأداء الموجّه: الدبلجة، والسرد، والمشاهد متعددة الشخصيات. أما حلقة الاتصال الهاتفي التي تقل مدة استجابتها عن 100 مللي ثانية فليست ما ضُبط النموذج من أجله.

هذا التمييز ليس انتقاصًا من أيٍّ منهما. بل هو السبب في وجود هذه المقارنة أصلًا: Drama 3 هو النموذج الوحيد في هذه السلسلة الذي يمكنك امتلاكه امتلاكًا كاملًا، وAssemblyAI-TTS-1 هو الوحيد في هذه السلسلة الذي يمكنك وضعه أمام أحد المتصلين بعد ظهر اليوم دون شراء GPU.

حسابات التزامن هي الحجة الحقيقية

يَنشر كلا المورِّدَين رقمًا لزمن الاستجابة، ولا يمكن مقارنة أيٍّ منهما مباشرةً، لذا تعامَل مع ما يلي باعتبارهما ادعاءين منفصلين بدلًا من مقارنة مباشرة وجهًا لوجه.

• Drama 3، بطاقة نموذج المورّد — 88.9 مللي ثانية كوسيط لزمن الوصول إلى أول صوت عند بث واحد على وحدة H200 واحدة، ومعامل الزمن الحقيقي 0.131، و271 إطارًا في الثانية. وصل دعم الخدمة في غضون أيام من الإصدار، ويحافظ العتاد نفسه على 255 مللي ثانية كوسيط لزمن الوصول إلى أول صوت عند 128 بثًا متزامنًا، أو نحو 222 ثانية من الصوت لكل ثانية زمن حائط.

• AssemblyAI-TTS-1، مختبر المورّد — 47 مللي ثانية وسيطًا للزمن حتى أول بايت؛ قاسته Cekura بشكل مستقل عند 159 مللي ثانية وسيطًا لبدء البث، و296 مللي ثانية عند المئين 90، مع إنتاجية 162 حرفًا في الثانية وفق قياس Artificial Analysis.

انظر إلى ما يحدث لرقم Drama 3 مع ارتفاع الحمل: 88.9 ms عند العمل منفردًا، و255 ms عند 128 تدفقًا. هذا منحنى جيد تمامًا لخط أنابيب الدبلجة، وهامشي لمركز اتصال، حيث إن كل ميلي ثانية قبل أن يسمع المتصل شيئًا هي ميلي ثانية من الصمت الميت. ادعاء AssemblyAI المضاد ليس رقمًا أسرع، بل هو غياب المنحنى — تزامن غير محدود بمعدل ثابت واحد، لأن مشكلة الجدولة تقع على عاتق المورّد ولن تراها أبدًا. أما ما إذا كان هذا الوعد سيصمد أمام حركة المرور الخاصة بك فهو بالضبط ما يجب اختباره، لأن ادعاء التزامن غير المحدود من دون سلوك اصطفاف منشور هو ادعاء بشأن مجموعة خوادم يملكها شخص آخر.

فاتورتان ليستا بالوحدات نفسها

تدرج Fish منتج Drama 3 بسعر 50.00 دولارًا لكل مليون بايت UTF-8، وهو ما تعادله وثائق البائع نفسها بنحو اثنتي عشرة ساعة من الكلام — أي نحو 4.17 دولارات لكل ساعة صوت. وهناك عرض إطلاق بسعر 10.00 دولارات لكل مليون بايت، أي نحو 0.83 دولار لكل ساعة، يسري حتى 12 نوفمبر 2026. وبسعر 15 دولارًا لكل مليون حرف، يبلغ AssemblyAI-TTS-1 نحو 0.81 دولار لكل ساعة كلام، بافتراض سخي مماثل يبلغ نحو 900 حرف لكل دقيقة من الصوت الحواري العادي.

إذًا خلال العرض الترويجي، يكون سعر الاثنين متقاربًا ضمن هامش خطأ تقريب، وبسعر القائمة يكون Fish أغلى بنحو خمسة أضعاف لكل ساعة إخراج — وذلك قبل شراء H200. الاستضافة الذاتية لا تُزيل التكلفة، بل تحوّل فاتورة لكل حرف إلى فاتورة لكل ساعة GPU بالإضافة إلى شخص يعرف كيفية تشغيلها.

ثمة فخّان يستحقّان التسمية لأنه يسهل الوقوع فيهما.

• الأحرف ليست بايتات. تحاسِب Fish على أساس بايت UTF-8، بينما تحاسِب AssemblyAI على أساس الحرف. النص الإنجليزي يقترب من بايت واحد لكل حرف، لذا يبدو الاثنان متقاربين؛ لكن النصوص اليابانية أو العربية أو المليئة بالإيموجي تضخّم عدد البايتات وترفع فاتورة Drama 3 بهدوء بنسبة 30–100% على النص نفسه.

• عدم وجود رأس للنموذج لا يؤدي إلى فشل صريح. تشير وثائق Fish الخاصة إلى أن معرّف النموذج الغائب أو المكتوب بشكل خاطئ يمرّ تلقائيًا إلى s2.1-pro بسعر 15.00 دولارًا لكل مليون بايت — أي زيادة بنسبة 50% على سعر Drama 3 الترويجي، وذلك لنموذج مختلف، دون ظهور أي خطأ في الاستجابة.

هناك رقم ثالث متداول، ويجدر تسميته لأنك ستواجهه على لوحة صدارة. يسجّل عمود الأسعار لدى Artificial Analysis سعر Drama 3 عند 15.0 دولارًا لكل مليون حرف، وهو ما لا يتوافق مع سعر Fish البالغ 50 دولارًا لكل مليون بايت ولا مع السعر الترويجي البالغ 10 دولارات. ثلاثة أرقام — سعر القائمة، والعرض الترويجي، وتطبيع لوحة الصدارة — ولا يصدر منها عن المورّد سوى الأولين. أمّا رقم لوحة الصدارة فهو وحدة مقارنة، وليس عرض سعر.

بوابة الترخيص في أسفل المنشور

Drama 3 ليس مفتوح المصدر بالمعنى الذي تفترضه معظم الفرق. يُوزَّع بموجب Fish Audio Community License v1.0: الاستخدام التجاري مجاني عندما تقل الإيرادات السنوية عن 500,000 دولار أمريكي، وتنطبق رخصة منفصلة فوق ذلك، كما تتطلب إعادة بيع النموذج كواجهة TTS API مستضافة اتفاقية خاصة بها بغض النظر عن الحجم. يسجّله Artificial Analysis كأوزان مفتوحة دون حقوق استخدام تجاري كاملة، وهو الوصف الدقيق.

لا توجد لدى AssemblyAI-TTS-1 بوابة من هذا النوع لأنها لا تمتلك أوزانًا — فلا يمكنك استضافتها ذاتيًا، أو ضبطها الدقيق، أو مواصلة تشغيلها إذا غيّر المورّد تسعيره. هذه هي المقايضة التي لا يضعها أحد في مخطط مقارنة: ترخيص Drama 3 يحدّ مما يمكنك فعله بالنموذج، وبنية AssemblyAI-TTS-1 تحدّ مما يمكنك فعله دون المورّد.

فجوة الجودة، بصياغة واحدة

على Provider Voice Arena من Artificial Analysis — قُرئ في 30 أكتوبر 2026، أي في التشغيل نفسه لكليهما — يحتل Drama 3 المرتبة السادسة برصيد 1,278 من نقاط Elo، ويحتل AssemblyAI-TTS-1 المرتبة الرابعة عشرة برصيد 1,227. وفي Controlled Voice Arena، يحتل Drama 3 المرتبة الثانية عشرة برصيد 1,085، ويحتل AssemblyAI-TTS-1 المرتبة العاشرة برصيد 1,110، وهو ما يقلب الترتيب ويوضح أن هاتين اللوحتين تقيسان أشياء مختلفة: الأصوات الجاهزة في الأولى، ودقة الاستنساخ مقابل مرجع ثابت في الثانية. وDrama 3 هو الأقوى ترتيبًا بين الاثنين فيما يتعلق بالصوت الطبيعي، والاثنان متقاربان إلى حد يقع ضمن الضوضاء الإحصائية بمجرد تثبيت تسجيل المرجع.

الرقم الذي يفصل بينها بأكثر حدة هو متانة النطق، حيث تتصدر Drama 3 القائمة بلا منازع — تضع المصادر الرقم في أي مكان بين نحو 93% و95% حسب وقت قراءة الصفحة، لذا اعتبر الترتيب هو الحقيقة والرقم العشري زينة. تحصل AssemblyAI-TTS-1 على 81.7% على الأداة نفسها، في المرتبة السادسة عشرة، مع أدنى نتيجة فرعية لها في توسيع الاختصارات عند 73.8%. إذا كانت مدخلاتك مليئة بالاختصارات، فإن Drama 3 تتعامل معها دون قاموس. وإذا كانت مدخلاتك رقم هاتف يُقرأ بصوت عالٍ، فإن اختبار Cekura المستقل يضع AssemblyAI-TTS-1 أولاً في مجاله بنسبة 91.7% في تلك الفئة تحديدًا.

لا ينبغي اعتبار أي من معايير الأداء الخاصة بالمورّدَين مستقلة. فدقة الكلمات البالغة 99.0% لدى AssemblyAI، وMOS المتوقعة 3.85، ودرجة TTSDS البالغة 85.5، تأتي جميعها من أداة الاختبار الخاصة بها على مجموعاتها المحجوزة الخاصة؛ كما تأتي سرعة Fish البالغة 88.9 ms و271 إطارًا في الثانية من بطاقة النموذج الخاصة بها. أما القياسات التي أجرتها أطراف ثالثة — Artificial Analysis وCekura وCoval — فهي الوحيدة في هذا المقال التي أنتجها شخص لا يملك منتجًا يبيعه.

اختر ما تستطيع تشغيله، لا ما يحتل مرتبة أعلى.

هناك ثلاث حالات بالضبط تكون فيها Drama 3 هي الإجابة الصحيحة. تحتاج إلى أداء معبّر وموجّه مع إرشادات المسرح ومتحدثين متعددين في تمرير واحد — لا جدال في ذلك، فليس لـ AssemblyAI-TTS-1 نظير. تحتاج إلى لغة خارج اللغات الست التي أطلقت بها AssemblyAI — 83 مقابل 6، وهنا تنتهي المقارنة. أو تحتاج إلى النموذج على عتادك الخاص لأسباب تتعلق بإقامة البيانات لا تلبيها منطقة مورّد في الولايات المتحدة أو الاتحاد الأوروبي — وهو شرط حقيقي لبعض أعباء العمل الخاضعة للتنظيم، والسبب الوحيد الذي يبرر استخدام GPU.

كل الآخرين يشترون وكيل هاتف، ووكيل الهاتف يريد فاتورة ثابتة، وألّا يقف في طابور خلف H200 الخاص بشخص آخر، ومشكلة نطق يستطيع إصلاحها. يمنحك AssemblyAI-TTS-1 الأولين ولا يمنحك الثالث بعد. هذا هو الشكل الصادق للأمر: Drama 3 هو النموذج الأفضل والمنتج الأسوأ لهذه المهمة.

التسوية العملية التي ستصل إليها معظم الفرق هي الجمع بين الاثنين — Drama 3 للصوت المُولّد الذي تنشره كمحتوى، وAssemblyAI-TTS-1 للكلام المتناوب في الحلقة الحيّة، مع مسار احتياطي واحد بينهما. إن الإبقاء على مزوّد TTS ثانٍ موصولًا هو نفس الانضباط الذي يطبّقه OrcaRouter على نصف نماذج اللغة في تلك المنظومة: واجهة API واحدة لأكثر من 200 نموذج بسعر قائمة المزوّد وبهامش ربح 0%، والتحويل التلقائي عند تراجع أحد المزوّدين، ولغة DSL للتوجيه تتيح لنقطة نهاية واحدة خدمة عدة نماذج بدلًا من عدة عقود. لا يظهر أي من هذين النموذجين الصوتيين في كتالوج OrcaRouter اليوم — فمسارات الكلام التي نقدّمها هي عائلة tts-1 من OpenAI ومعاينات Gemini TTS من Google — لذا اقرأ ذلك على أنه شكل الحجة لا اقتراحًا بأن Drama 3 متاح للشراء هنا.

ما الذي قد يغيّر هذا الحكم: أن تنشر Fish منحنى تزامن يصمد عند أقل من 150 مللي ثانية بحجم حركة مراكز الاتصال، أو أن تضيف AssemblyAI قاموسًا للنطق وأربع لغات أخرى. راقب الثاني أولًا. فهو تغيير في الإعدادات، والشركة التي أطلقت بطاقة تسعير ثابتة بقيمة 15 دولارًا أظهرت بالفعل أنها تفضّل المنافسة على الفاتورة.