AssemblyAI-TTS-1 مقابل Qwen-Audio-3.0-TTS: النموذج المذكور في العنوان ليس هو النموذج الذي ينبغي شراؤه

تذكر هذه المقارنة اسم Qwen-Audio-3.0-TTS، وهذه مشكلة تستحق التصحيح قبل الاستشهاد بأي أرقام. فقد أوقفت علي بابا الإصدار 3.0 كطرازها الرائد في مجال الكلام في 23 سبتمبر 2026، حين أُطلقت سلسلة Qwen-Audio-3.1 في مؤتمر Apsara ووضعت Qwen-Audio-3.1-TTS-Plus على قمة خط إنتاجها الخاص بتحويل النص إلى كلام. لذا فالنسخة الصادقة من هذه المواجهة هي ثلاثة طرازات، لا اثنان — AssemblyAI-TTS-1، نقطة النهاية المغلقة بسعر 15 دولارًا لكل مليون حرف التي أصبحت متاحة للجميع في 27 أكتوبر 2026، مقابل كلا جيلي حزمة الكلام لدى Qwen — وتتغير الإجابة حسب أي Qwen كنت تقصد فعلًا. إذا كان عقدك أو تكاملك أو مذكرة المشتريات لديك تنص على 3.0، فاقرأ القسم التالي. وإذا نصّت على 3.1، فتخطَّه.

أولاً، التصحيح: 3.0 ليس نسخة Qwen الحالية.

طُرحت Qwen-Audio-3.0-TTS في 20 يوليو 2026 بفئتين. صُمّمت Flash للاستخدام في الزمن الحقيقي بزمن استجابة للحزمة الأولى يقارب 300 مللي ثانية؛ وكانت Plus فئة الجودة بسعر $27.59 لكل مليون حرف عبر Alibaba Cloud Model Studio. تغطي العائلة 16 لغة إضافةً إلى 20 منطقة لهجات صينية، وتدعم 86 وسم تحكم مضمّنًا مثل [angry] و[giggles] إلى جانب توجيه أسلوبي بلغة طبيعية حرة، وتؤدي استنساخًا صوتيًا بدون تدريب مسبق مقاومًا للضوضاء، وتُخرج بتردد 48 كيلوهرتز، وتُولّد ما يصل إلى ثلاث دقائق في تمريرة واحدة. وهي مغلقة ومستضافة فقط — لا أوزان مفتوحة، وهو خروج متعمد عن Qwen3-TTS السابق المفتوح الأوزان من Alibaba.

بعد عشرة أسابيع، حلّت حزمة 3.1 محلّه عبر ASR وTTS وTTS-Next والزمن الحقيقي. وتضم فئة TTS 3.1 نفس تشكيلة الأصوات الثمانية، وهي مُدرجة بسعر 19.3 دولار لكل مليون حرف في عمود الأسعار لدى Artificial Analysis، وهي الخيار الذي كانت معظم مقارنات Qwen منذ أواخر سبتمبر تعنيه فعليًا. عمليًا: لا يزال بإمكانك استدعاء 3.0 إذا كنت مدمجًا بالفعل، أما 3.1 فهو ما يُعرض على المشتري الجديد، وأي مقال يضع نتيجة 3.0 من يوليو بجانب إطلاق من أكتوبر دون أن يوضح ذلك فإنه يبيعك مقارنة قديمة.

اللوحة، تُقرأ مرّة واحدة، للثلاثة جميعًا

منصة Provider Voice Arena الخاصة بـ Artificial Analysis، وفق قراءة بتاريخ 30 أكتوبر 2026، أي أداة قياس واحدة لكل صف أدناه:

• Qwen-Audio-3.1-TTS-Plus — المركز الثالث، 1,305 إيلو، 2,281 عينة، صدر في سبتمبر 2026.

• Qwen-Audio-3.0-TTS-Plus — السابع، 1,269 إيلو، 2,794 عينة، تم إصداره في يونيو–يوليو 2026.

• AssemblyAI-TTS-1 — الرابع عشر، 1,227 إيلو، 1,632 عينة، صدر في أكتوبر 2026.

• يحتل ElevenLabs Eleven v4 Turbo وEleven v4 المركزين الأول والثاني عند 1,336 و1,334، كنقطة مرجعية لا تتناولها هذه المقالة.

الفجوة البالغة 78 نقطة بين AssemblyAI-TTS-1 ومستوى Qwen TTS الحالي حقيقية، لكنها ليست أوسع فجوة في هذه المقارنة — فـ ElevenLabs أعلى من Qwen بـ31 نقطة وأعلى من AssemblyAI بـ109 نقاط في القراءة نفسها. والأهم من ذلك أن صفًّا من 1,632 عيّنة لنموذج عمره أربعة أيام يمثّل دليلًا هزيلًا، والفترات على تلك اللوحة واسعة بما يكفي لأن تُحرّك إعادةُ التشغيل AssemblyAI-TTS-1 بضعة مراكز دون أن يتغيّر أي شيء يخص النموذج.

ستة عشر حرفًا في الثانية هو الرقم الذي يحدد هذا

إليك القياس الذي لا يكاد أحد يدرجه في مقارنة Qwen، وهو القياس الذي يهم بالفعل بالنسبة للمهمة التي صُمم AssemblyAI-TTS-1 من أجلها.

تقيس Artificial Analysis نموذج AssemblyAI-TTS-1 عند 162 حرفًا في الثانية من التوليد. أما Qwen-Audio-3.0-TTS-Plus، وبالنمط نفسه من القياس، فيولّد نحو 16 حرفًا في الثانية — وهو أبطأ نموذج قريب من قمة الساحة. لقد حسّن مستوى 3.1 من ذلك، لكن سرعة التوليد لا تزال المحور الضعيف لهذه العائلة وليس نقطة قوتها.

الآن حوّل ذلك إلى الوحدة الوحيدة التي يهتم بها الوكيل المباشر. فالكلام العادي يُنطق بسرعة نحو 900 حرف في الدقيقة، أي 15 حرفًا في الثانية. والنموذج الذي يولّد 16 حرفًا في الثانية يكون، ضمن حدود خطأ التقريب، عند عامل الزمن الحقيقي 1.0 — أي إنه بالكاد يستطيع البقاء متقدمًا على تدفق تشغيل واحد، ولا يمكنه خدمة محادثتين متزامنتين دون مزيد من العتاد خلفه. أما النموذج الذي يبلغ 162 حرفًا في الثانية، فلديه هامش يقارب عشرة تدفقات لكل وحدة من نفس القدرة الحسابية.

هذا يعيد تأطير فجوة Elo. إن عجزًا بمقدار 78 نقطة في التفضيل الأعمى هو مسألة جودة يمكنك الإجابة عنها باستخدام مجموعتك الخاصة من البيانات. أما عجز الإنتاجية بعشرة أضعاف فهو مسألة سعة تصل في صورة فاتورة، لأن الحل هو المزيد من ثواني GPU لكل مستدعٍ متزامن، وفي تسعير الاستضافة لدى Alibaba ليس ذلك رافعة تتحكم فيها.

كلا التحذيرين، يُقالان بوضوح. فهذان مورّدان قُياسهما على أداة واحدة، وليس مواجهة مباشرة مضبوطة؛ فسرعة التوليد تعتمد على العتاد والتجميع وطول التسلسل. ومُرمِّز الكلام في Qwen بتردد 12.5 هرتز — المنخفض عمدًا مقارنةً بالمعتاد البالغ 50–75 هرتز — هو ما يُبقي زمن تأخر أول حزمة لديه قرب 300 مللي ثانية على طبقة Flash. حسّن Qwen زمن الاستجابة حتى أول صوت. وحسّن AssemblyAI عدد الأحرف في الثانية بعد بدء الدور. هذان رهانان مختلفان، ووكيل الهاتف يشعر بكليهما.

اللغات ووسوم التحكم هي المجالات التي لا يقترب فيها Qwen من الهزيمة.

إذا كانت حجة معدل الإنتاجية تحسم قضية مركز الاتصال، فإن حجة اللغة تحسم كل ما عدا ذلك، والأمر ليس خفيًّا:

• التغطية — توفّر Qwen-Audio-3.0-TTS 16 لغة و20 منطقة لهجات صينية؛ وقد أُطلقت AssemblyAI-TTS-1 بست لغات (الإنجليزية، والإسبانية، والفرنسية، والألمانية، والإيطالية، والبرتغالية) ولكنات متعددة ضمنها.

• الاتجاه — يوفّر Qwen 86 وسم تحكم سطريًا بالإضافة إلى مطالبات أسلوب حرة الصياغة؛ أما AssemblyAI-TTS-1 فلا يوفّر وسوم مشاعر، ولا SSML، ولا معامل سرعة، ولا قاموس نطق عند الإطلاق، ويقول منشوره الخاص إن اضطرابات الطلاقة المكتوبة تُقرأ كما كُتبت بدلًا من أن يُؤدّى بها.

• الاستنساخ — يُجري Qwen استنساخًا بمشهد صفري مقاومًا للضوضاء؛ بينما تُجري AssemblyAI استنساخًا فوريًا من عيّنة مدتها 24 ثانية مع خطوة تأكيد إذن المتحدث. لا يقدّم أيٌّ منهما فئة استنساخ احترافية مُدرَّبة، وهي منتج من ElevenLabs وليست من Qwen أو AssemblyAI.

• الإخراج — يولّد Qwen الصوت عند 48 kHz بحدّ أقصى يبلغ ثلاث دقائق في تمرير واحد؛ بينما تتدفق AssemblyAI بترددات 8–48 kHz بصيغة PCM أو µ-law أو A-law مع طوابع زمنية على مستوى الكلمة ورسالة إلغاء عند المقاطعة، وهي البنية التحتية التي تحتاجها منظومة الاتصالات الهاتفية فعليًا.

• الانفتاح — لا ينشر أي منهما الأوزان. كلاهما مُستضاف فقط، داخل المنطقة، وبسعر المورّد.

لهذا الجدول قراءة واضحة: AssemblyAI-TTS-1 ليس منتجًا متعدد اللغات ولا يدّعي أنه كذلك. إذا كان وكيلك يحتاج إلى التحدث باليابانية أو الكورية أو الماندرين، فإن عائلة Qwen هي الجواب وتنتهي هذه المقالة عند هذا الحد. وإذا كان وكيلك يتحدث الإنجليزية مع متحدثين بالإنجليزية وأحيانًا الإسبانية، فإن ست لغات تكفي، وقائمة قدرات Qwen تدفع ثمن ميزات لن تستخدمها مطالباتك أبدًا.

السعر لكل ساعة، بثلاث طرق

باستخدام التقدير نفسه المتبع في كل مكان آخر في هذه السلسلة — نحو 900 حرف من الكلام في الدقيقة، أي ما يقرب من 54,000 في الساعة — فإن التكلفة الساعية للتوليف هي:

• AssemblyAI-TTS-1 — 15 دولارًا لكل مليون حرف، مع تضمين جميع الأصوات واللغات والاستنساخ، وتزامن غير محدود دون رسوم: نحو 0.81 دولار لكل ساعة من الصوت.

• Qwen-Audio-3.0-TTS-Plus — 27.59 دولارًا لكل مليون حرف على Alibaba Cloud Model Studio: نحو 1.49 دولار في الساعة.

• Qwen-Audio-3.1-TTS-Plus — 19.3 دولارًا لكل مليون حرف وفقًا لما سجّلته Artificial Analysis: نحو 1.04 دولار لكل ساعة.

لاحظ التناقض الذي يمكنك رؤيته على اللوحة بنفسك: تسرد Artificial Analysis كلا جيلَي Qwen بسعر 19.3 دولار لكل مليون حرف، بينما تقول بطاقة Model Studio من Alibaba الخاصة بـ 3.0-Plus إن السعر 27.59 دولارًا. هذان أداتان — سعر القائمة لدى المورّد والتطبيع الذي تعتمده اللوحة — ولا أي منهما هو الفاتورة التي ستتلقاها بمجرد أن يدخل تسعير الكميات الملتزم بها في النقاش. تستخدم أرقام الساعة أعلاه كل رقم كما هو موسوم، لذا تعامل مع سعر 3.1 كوحدة مقارنة ومع سعر 3.0 كأقرب شيء إلى سعر القائمة.

AssemblyAI هو الأرخص بين الثلاثة، بنسبة 22% مقابل مستوى Qwen الحالي و45% مقابل المستوى الوارد في عنوان هذه المقالة. لكن عمود السعر ليس حيث تكمن الفائدة المالية. الفائدة المالية في عمود الإنتاجية، لأن نموذجًا يعمل بمعامل الزمن الحقيقي 1.0 يحتاج إلى نحو عشرة أضعاف العتاد لكل متصل متزامن مقارنةً بنموذج يعمل بسرعة 162 حرفًا في الثانية — والتسعير المستضاف لكل حرف يخفي هذا المُضاعِف داخل تخطيط سعة المزوّد حتى يظهر على شكل خنق أو زمن استجابة عند الذروة.

ما الذي يضيفه جهاز التوجيه فعليًا هنا

النشر الواقعي لفريق يواجه هذا القرار ليس أيًا من النموذجين بمفرده. بل هو أدوار المحادثة باللغة الإنجليزية على نقطة النهاية الرخيصة والسريعة، والأدوار بغير الإنجليزية على طبقة Qwen، مع التبديل حسب لغة المتصل — وهذه مشكلة توجيه، لا مشكلة نموذج. تلك هي الطبقة التي يغطيها OrcaRouter لبقية المنظومة: واجهة API واحدة لأكثر من 200 نموذج بسعر قائمة المزوّد بهامش ربح 0%، وتحويل تلقائي عند تدهور أداء أحد المزوّدين، ولغة DSL للتوجيه تجمع عدة نماذج خلف نقطة نهاية واحدة بدلًا من عدة عقود وعدة مجموعات SDK.

لنكون دقيقين بشأن ما يعنيه ذلك وما لا يعنيه: لا AssemblyAI-TTS-1 ولا أي مستوى من Qwen-Audio TTS موجود في كتالوج OrcaRouter اليوم. نماذج الكلام التي نوجّهها هي tts-1 وtts-1-hd وgpt-4o-mini-tts من OpenAI، ومعاينات Gemini TTS من Google. لذا تنطبق حجة التوجيه على النموذج اللغوي الذي يكتب الجملة التي يقرؤها TTS لديك، وعلى أي نموذج كلام تضيفه لاحقًا ونوفّره فعليًا — لا على هذين.

لمن هذه المقارنة فعليًا

اشترِ Qwen-Audio-3.1-TTS-Plus — لا 3.0 — إذا كان وكيلك بحاجة إلى التحدث بأكثر من ست لغات، أو إذا كنت بحاجة إلى أداء موجّه بدلًا من القراءة العادية، أو إذا كنت بالفعل داخل Alibaba Cloud وكان العقد هو القيد. إنه الثالث في اللوحة العمياء، وتكلفته 1.04 دولارًا في الساعة، وسرعة توليده هي ما ينبغي اختباره مقابل هدف التزامن الخاص بك قبل أن تلتزم.

اشترِ AssemblyAI-TTS-1 إذا كانت أعباء العمل تتمثل في محادثات هاتفية بالإنجليزية أولًا وبكثافة عالية: سعر ثابت واحد قدره 15 دولارًا، وتزامن غير محدود دون رسوم، وهامش يبلغ 162 حرفًا في الثانية، وطوابع زمنية للكلمات وإلغاء عند المقاطعة مدمجان، وقياس مستقل لزمن الاستجابة يبلغ 159 مللي ثانية لتوازنه مع ادعاء البائع بزمن 90 مللي ثانية. اقبل أنك تتخلى عن عشر لغات، و86 وسم تحكم، وأي قدرة على تصحيح اختصار يُنطق خطأً باستخدام قاموس — وأن أضعف نتيجة فرعية مستقلة له، 73.8% في توسيع الاختصارات، هي بالضبط العيب الذي يلاحظه المتصل.

الخطأ الذي ينبغي تجنّبه هو الخطأ الذي دعا إليه عنوان هذا المقال: الاستشهاد بدرجة نموذج من يوليو في قرار يُتخذ في أكتوبر، ثم اكتشاف عند التكامل أن الفئة التي ذُكرت لك هي التي حلّت محلّه. تحقّق من أي Qwen يُباع لك فعليًا قبل أن تقارنه بأي شيء.