AssemblyAI-TTS-1 مقابل Sesame Preview: أحد هذين لا يملك بطاقة أسعار

لا يمكنك شراء Sesame Preview. فهو تطبيق مجاني للمستهلكين — مايا ومايلز وسيمون وتشارلي، أربعة رفاق بذاكرة دائمة على iOS وAndroid، مع سقف لمكالمات مدتها 30 دقيقة وخطة غير معلنة لبيعك نظارات في 2027 — ولا توجد نقطة نهاية للمطوّرين، ولا معرّف نموذج، ولا قائمة أسعار خلفه. AssemblyAI-TTS-1، في المقابل، بندًا مُدرجًا: 15 دولارًا لكل مليون حرف، متاح عمومًا منذ 27 أكتوبر 2026، ويُبثّ عبر HTTP وWebSocket في US-East أو EU-North. لذا فإن المواجهة كما تُطرح عادةً ليست مواجهة. إنه منتج في مقابل عرض تجريبي.

يصبح هذا المقارنة مفيدةً في اللحظة التي تستبدل فيها Sesame التي تمتلك أوزانًا فعلية: Sesame CSM 1B، وهي نقطة تحققٍ للمحادثة الصوتية بترخيص Apache-2.0 على Hugging Face، ونموذجٌ بنحو مليار معامل يقبل النص إضافةً إلى السياق الصوتي ويُخرج كلامًا بالإنجليزية. الآن بات القرار حقيقيًا — نقطة تحقق مفتوحة بحجم 1B بسعر 7 دولارات لكل مليون حرف مقابل نقطة نهاية مغلقة بسعر 15 دولارًا — والجزء المثير للاهتمام هو أن الخيار الأرخص هو الذي يتعيَّن عليك بناء وكيلٍ حوله.

ما هي Sesame Preview على وجه الدقة، حتى لا تختل المقارنة.

Sesame Preview منتج تم شحنه ويحتوي على نموذج حقيقي بداخله، ولا توجد طريقة لاستئجار ذلك النموذج. النموذج الإنتاجي في التطبيق ليس نقطة التحقق المُصدَرة: تنشر Sesame نموذج CSM 1B، وهو نموذج توليد أساسي لم يُضبط بدقة على صوت محدد، في حين أن الشخصيات المصقولة في التطبيق هي شخصيات Sesame الخاصة. يدّعي التطبيق زمن استجابة أقل من 300 مللي ثانية؛ لكن قياس طرف ثالث لشخصية Maya يضع زمن أول بايت عند نحو 80–130 مللي ثانية. لا يصف أي من الرقمين CSM 1B كما ستتلقاه.

تحديث تطبيق أكتوبر 2026 — تحسين التعبيرية والنطق، ووصول الوكيل إلى الكمبيوتر، وموصلات Gmail وCalendar وDrive، ودعم MCP، ومولّد صور — هو إشارة على خارطة الطريق، وليس إشارة تجارية. وقد قالت Sesame إن أدوات المطورين ستأتي "في وقت لاحق من هذا العام" دون تحديد ماهيتها، أو سعرها، أو ما إذا كانت ستكون نموذج الإنتاج أم نقطة التحقق. ولا ينبغي أن يُبنى أي شيء في هذا القرار على تلك الجملة.

الفواتيرتان، بعد تحويلهما إلى الوحدة نفسها

يُدرج CSM 1B بسعر 7.00 دولارات لكل مليون حرف على البوابات المستضافة التي تقدمه، ويُحتسب السعر لكل حرف بدلاً من كل رمز (token). أما AssemblyAI-TTS-1 فسعره 15.00 دولارًا لكل مليون حرف، ويشمل هذا السعر كل صوت في المكتبة التي تضم أكثر من 4,000 صوت، وكل لغة من لغاته الست عند الإطلاق، والاستنساخ الفوري، والطوابع الزمنية للكلمات، والمعالجة في الولايات المتحدة أو الاتحاد الأوروبي، والتزامن غير المحدود.

عند نحو 900 حرف في الدقيقة من الكلام العادي، تبلغ تكلفة الساعة نحو 0.35 دولارًا لـ CSM 1B مقابل نحو 0.81 دولارًا لـ AssemblyAI-TTS-1 — ونقطة التحقق المفتوحة أرخص لكل حرف بما يزيد قليلًا على الضعف — ورقم CSM هو الأقل دلالةً، لأنه يسعّر النموذج لا النظام.

قائمة الأبعاد هي النقطة التي يتوقف عندها الاثنان عن أن يكونا قابلين للمقارنة على الإطلاق:

• السعر — 7 دولارات لكل مليون حرف مقابل 15 دولارًا، مع تضمين جميع الأصوات والاستنساخ في الخيار الأعلى سعرًا.

• اللغات — CSM 1B هو الإنجليزية، وبطاقة النموذج صريحة في أن أي قدرة على غير الإنجليزية عرضية؛ بينما يسرد التطبيق عدة لغات بوصفها «دعمًا مبكرًا»، وهو وعد مختلف. أُطلق AssemblyAI-TTS-1 بست لغات.

• مخزون الأصوات — يأتي CSM 1B بسبعة أصوات ونموذج أساسي يُتوقع منك الاستنساخ منه؛ بينما يأتي AssemblyAI-TTS-1 بأكثر من 4,000 صوت واستنساخ فوري من عيّنة مدتها 24 ثانية.

• عمق الاستنساخ — لا يقدّم أيٌّ منهما نسخة احترافية مُدرَّبة. يتطلّب المسار الفوري لدى AssemblyAI خطوة تأكيد إذن المتحدّث؛ بينما ينقل CSM 1B الهوية في وضع zero-shot ويسطّح الإيقاع الصوتي أثناء ذلك.

• ما يجب أن توفّره — يحتاج CSM 1B إلى برنامج ترميز، وكشف الأدوار، وتجميع السياق، وحلقة الوكيل، إضافةً إلى ميزانية سياق قدرها 4K رمز تديرها بنفسك. ويحتاج AssemblyAI-TTS-1 إلى عميل HTTP، ومعالج تدفق، ورسالة إلغاء.

• دليل الكمون — لدى AssemblyAI-TTS-1 ادعاء من المورّد، وقياسان مستقلان، وترتيب على لوحة. أما CSM 1B فلديه تقارير نشر تمتد على مقياسين أسّيين.

زمن الاستجابة: 90 مللي ثانية وفقًا لما هو معلن، و159 مللي ثانية وفقًا للقياس، و9.9 ثانية وفقًا للملاحظة

قصة الكمون لدى AssemblyAI-TTS-1 موثّقة ومتنازَع عليها على نحو يسهل عرضه بأمانة. تدّعي الشركة أن الزمن حتى أول صوت في الإنتاج هو 90 ملليثانية، وأن الوسيط الزمني حتى أول بايت في مختبرها هو 47 ملليثانية. أما Cekura، بالقياس المستقل في اختبار على شكل وكيل، فحصلت على وسيط 159 ملليثانية لبدء البث، و296 ملليثانية عند p90، وصنّفته الثامن بين تسعة عشر نموذجًا قامت بقياسها. هذه الفجوة سببها المنهجية — قياس من الطلب إلى أول بايت مقابل قياس من إرسال الكلمة الأخيرة إلى أول صوت — وليست خداعًا، والقياس الثاني هو ما يختبره المتصل لديك.

قصة زمن الاستجابة لدى CSM 1B ليست محل جدال بقدر ما هي غير محدودة. فتحويلات على الجهاز مُحسَّنة تُبلِغ عن نحو 120 مللي ثانية حتى أول صوت، بعامل زمن حقيقي يتراوح بين 0.5 و0.9 على Apple Silicon؛ ويُقال إن بطاقة RTX 5070 Ti غير المُحسَّنة تعمل بنحو نصف الزمن الحقيقي؛ فيما ينشر أحد عروض الاستضافة المُستضافة قيمة P50 تبلغ نحو 9.9 ثوانٍ وقيمة P95 تبلغ نحو 39 ثانية من طرف إلى طرف. كل هذه الأوصاف تصف نقطة التحقق نفسها. وما تحصل عليه هو دالة على مقدار هندسة الخدمة التي تجلبها.

هذا هو جوهر المقارنة بأكملها، وهو ليس حجة جودة. نقطة نهاية مغلقة أنجزت بالفعل عمل تقديم الخدمة وأدرجت تكلفتها في السعر: 0.81 دولارًا في الساعة، دون GPU، ودون codec، ودون تصميم لطابور الانتظار. ونقطة تحقق مفتوحة بحجم 1B تمنحك نموذجًا مقابل 0.35 دولارًا في الساعة وتعيد إليك الجزء الذي كان مكلفًا في بنائه. إذا كنت تملك تلك الهندسة بالفعل، فإن نقطة التحقق هي الصفقة الأفضل بفارق كبير. وإذا لم تكن تملكها، فإن 0.46 دولارًا في الساعة التي توفرها ليست سوى خطأ تقريب مقابل الشهر الأول من وقت شخص ما.

أين يكون كل واحد منها سيئًا في الواقع

تقع جميع نقاط ضعف AssemblyAI-TTS-1 في ذيل النص الحقيقي. ويمنحها Artificial Analysis نسبة 81.7% في متانة النطق إجمالًا، في المرتبة السادسة عشرة، مع توسيع الاختصارات بنسبة 73.8%؛ ويضعها اختبار Cekura للنطق السياقي في المرتبة الثانية والعشرين من أصل سبعة وعشرين عند 70.8%، حتى مع تصنيفها الأولى في أرقام الهواتف والرموز عند 91.7%. لا يوجد قاموس نطق ولا SSML لمعالجة أي من ذلك، ولغاتها الست سقف صلب وليست نقطة انطلاق. أما دقة الكيانات المبلّغ عنها من المورّد عند 93.7% على مجموعتها الخاصة المكوّنة من 580 عنصرًا فتقول العكس، وحدها مجموعة نصوصك يمكنها أن تحسم أي قياس يصف حركة المرور لديك.

نقاط ضعف CSM 1B بنيوية وليست مدفوعة بالبيانات. فهو إنجليزي فقط بحكم التصميم. وهو نموذج أساس، لذا فالصوت الذي تحصل عليه ليس صوتًا ضبطه أي شخص. يقطع الكلمة الأخيرة في بعض التوليدات، ويحمل علامة مائية في مولّد المرجع الخاص به، وبعض أغلفة الاستضافة تُسقط بصمت معلمات السياق واللغة والحد الأقصى للطول — ما يعني أن بوابة تذكر لك CSM 1B قد لا تشغّل النموذج كما هو موثّق. سياقه 4K رمزًا مع حد أقصى للإخراج حول 3,686، لذا يجب عليك تجميع المحادثات الطويلة بنفسك.

الصفة الواحدة التي لا يتحلى بها أيٌّ من الاثنين، وهذا مهم لأي شخص قادم من تطبيق المستهلك، هي أن يكون شريكًا حواريًّا. فـ AssemblyAI-TTS-1 يحوّل النص إلى كلام ولا يملك أي تصوّر عن حالة الحوار. أما CSM 1B فهو الأكثر وعيًا بالحوار بين الاثنين — إذ يتلقّى السياق الصوتي كمدخل — لكنه ينتج الكلام دورًا واحدًا في كل مرة دون أي كشف للأدوار خاص به. إنّ السلسلة الظاهرة في التطبيق هي نتاج، ولا يأتي أيٌّ من النموذجين بها.

ثلاثة أسئلة يطرحها الناس بالفعل

هل CSM 1B هو النموذج نفسه الذي يشغّله تطبيق Sesame؟ لا. التطبيق يشغّل نموذج Sesame الإنتاجي؛ أما الـ checkpoint فهو نموذج توليد أساسي مُصدَر بموجب Apache 2.0، والفجوة بينهما هي بالضبط سببُ أن صوت التطبيق يشبه Maya في حين أن نشرًا جديدًا من CSM 1B لا يشبهها. انظر إلى التطبيق كعرض تجريبي لما تستطيع Sesame بناءه، لا كمعاينة لما ستحصل عليه.

أيّهما أرخص عند مئة ألف مكالمة مدتها ثلاث دقائق؟ على الورق، CSM 1B: 270 مليون حرف، بنحو $1,890 على نقطة التحقق مقابل نحو $4,050 على AssemblyAI-TTS-1. في الممارسة العملية، يستبعد رقم نقطة التحقق ساعات GPU، ومهندس التشغيل، وعمل زمن الوصول اللازم للوصول إلى أي شيء قريب من تدفق بمستوى الوكيل. عند هذا الحجم، المقارنة الصادقة هي $4,050 مقابل "مجهول حتى تبنيه"، والمجهول هو الأغلى بينهما.

هل يمكن لـ AssemblyAI-TTS-1 استنساخ صوتي الخاص بي؟ نعم، عن طريق رفع تسجيل مدته نحو 24 ثانية وتأكيد حصولك على إذن المتحدث؛ يُرجع معرّف الصوت خلال ثوانٍ ويُحتسب بالسعر نفسه لكل حرف كما في المكتبة. لا يوجد استنساخ احترافي مدرّب، لذا تكون النتيجة هوية قابلة للاستخدام بدلًا من أصل علامة تجارية خاضع للحوكمة — ولم يكن هناك استنساخ مضبوط بدقة متاحًا عند الإطلاق.

ما هو هذا القرار في الواقع؟

إذا كان الاسم أمامك هو Sesame Preview، فتوقّف: لا يوجد شيء لدمجه ولا سعر للمقارنة. وإذا كان CSM 1B، فأنت لا تختار نموذج TTS، بل تختار ما إذا كنت ستمتلك طبقة الخدمة — والشروط الثلاثة التي تجعل «نعم» مبرَّرة هي أنك تحتاج إلى الإنجليزية فقط، وأن لديك قدرة GPU مع مهندس يواكبها، وأنك تريد النموذج داخل نطاقك الخاص. كل ما عدا ذلك يرجّح كفة نقطة النهاية.

حجة التكلفة التي تحسم الأمر عادةً ليست سعر الحرف على الإطلاق. بل هي توحيد البائعين: إذ يميل وكيل الصوت إلى تجميع بائع TTS، وبائع تحويل الكلام إلى نص، وبائع نموذج لغوي، لكل منها عقده الخاص ودورة تغيّر أسعاره الخاصة. وُجد OrcaRouter لتسطيح تلك الطبقة الأخيرة — واجهة API واحدة لأكثر من 200 نموذج بسعر قائمة المزوّد وبهامش ربح 0%، بحيث يصل خفض سعر أي بائع إلى فاتورتك في اليوم نفسه بدلاً من التجديد التالي، مع التبديل التلقائي عند الفشل، ولغة DSL للتوجيه لتجميع النماذج في استدعاء واحد، ودمج النماذج عندما لا يكفي جواب واحد. إن AssemblyAI-TTS-1 وCSM 1B كلاهما خارج ذلك الكتالوج اليوم — فمسارات الكلام لدينا هي عائلة tts-1 من OpenAI ومعاينات Gemini TTS من Google — لذا تتعلق الحجة بالفاتورة التي تدفعها بالفعل، لا بعملية شراء يمكنك إجراؤها هنا.

تطبيق Sesame هو أفضل عرض تجريبي مجاني في هذه الفئة، والأرجح أن يحصل على منتج موجّه للمطورين في نهاية المطاف. أما AssemblyAI-TTS-1 فهو بطاقة أسعار يمكنك التوقيع عليها هذا الأسبوع. وبين هاتين الحقيقتين، لا توجد خطة قابلة للدفاع عنها سوى البناء على الموجود منهما، مع ترك مكان في معماريتك للآخر إذا ما أطلقت Sesame النموذج فعليًا يومًا ما بدلًا من الكتيّب الدعائي.