Eleven Realtime v1 Max مقابل SeedRealtime: أحدهما له سعر وستة معايير أداء، والآخر لديه عرض تجريبي
- OrcaجديدOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 لكل مليون رمز · 12 tok/s
- deepseekجديدDeepSeek: DeepSeek V4.1 Flash 10172026-10-1745الذكاء
- DeepSeekجديدDeepSeek: DeepSeek V4.1 Flash2026-10-1740الذكاء
- OrcaجديدOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 لكل مليون رمز · 139 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2952الذكاء
- anthropicAnthropic: Claude Sonnet 5.52026-09-2856الذكاء
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 لكل مليون رمز · 952 tok/s
- OpenAIOpenAI: GPT-6 Luna2026-09-2238الذكاء
- OpenAIOpenAI: GPT-6 Sol2026-09-2248الذكاء
- AnthropicAnthropic: Claude Opus 5.52026-09-2258الذكاء
- xAIGrok 4.72026-09-2146الذكاء
- OrcaOrca: OrcaCyber Zero 1.02026-09-17$3.00 / $7.50 لكل مليون رمز · 51 tok/s
- OrcaOrca: OrcaVerify Text 1.02026-09-16$2.00 / $0.00 لكل مليون رمز · 829 tok/s
- OpenAIOpenAI: GPT-6 Astra2026-09-0453الذكاء77البرمجة
- GoogleGoogle: Gemini 3.8 Flash2026-09-0241الذكاء76البرمجة
- AlibabaQwen: Qwen3.8 Max (0902)2026-09-0245الذكاء76البرمجة
- AnthropicAnthropic: Claude Fable 5.12026-09-0153الذكاء82البرمجة
- TencentTencent: Hy4 preview2026-08-28$0.83 / $2.50 لكل مليون رمز · 47 tok/s
- AlibabaQwen: Qwen3.8 Flash2026-08-26$0.15 / $0.47 لكل مليون رمز · 94 tok/s
- z-aiZ.ai: GLM 5.3 Flash2026-08-2642الذكاء72البرمجة
إن Eleven Realtime v1 Max نموذج تحويل كلام إلى كلام قابل للاستدعاء، وله نقطة نهاية موثّقة، وست نتائج معيارية منشورة، وتكلفة مُعيّرة قدرها 4.80 دولار لكل ساعة صوت. أما SeedRealtime فهو نموذج ByteDance Seed الصوتي البصري كامل الازدواجية، أُعلن في 5 أغسطس 2026، وليس لديه أي واجهة برمجة تطبيقات، ولا أوزان، ولا تقرير تقني، ولا عدد معلمات، ولا سعر. تبدو المقارنة محسومة قبل أن تبدأ — ثم تلاحظ أن نموذج ElevenLabs يفتقد هو الآخر إلى أحد المعايير، وأن المعيار المفقود هو النوع نفسه من الأدلة التي لم تنشرها ByteDance قط. تُجمع حوادث الذكاء الاصطناعي الموثّقة وإخفاقات الوكلاء الكامنة وراء نماذج هذه الفئة في OrcaRouter AI Incident Archive، حيث يحمل كل مُدخل مصادره الخاصة ودرجة خطورته ودرجة ثقته وعلامة كونه محل نزاع.
هذا هو الشكل الحقيقي لهذه المواجهة. يُسوَّق كلا الطرازين بادعاء أن تبادل الأدوار ينبغي أن يقيم داخل النموذج لا في كاشف نشاط صوتي يُثبَّت من خارجه. وكلاهما يطلب منك أن تثق بسلوك لا يمكنك الحكم عليه إلا بالتحدث إليهما. أجابت ElevenLabs عن ذلك بأداة تقييم من جهة خارجية ورقم تكلفة لكل ساعة. وأجابت ByteDance عن ذلك بدراسة تفضيلات داخلية واحدة. أحد هذين قابل للاستخدام؛ غير أن أياً منهما ليس مكتملاً.
ما الذي يدّعيه كل واحد منها فعليًا
Eleven Realtime v1 Max يدمج أربع مراحل في شبكة واحدة: التعرّف، وتناوب الأدوار، والاستدلال، وتوليد الصوت. وحجة ElevenLabs هي أن ضبطها معًا يزيل الفواصل التي تخلّفها البنية المتتالية — نصف الثانية الميتة بعد توقف المتصل، والوكيل الذي يستمر في الكلام أثناء مقاطعة، والفجوة بين ما سُمع وما يُقال ردًّا. يضيف Max خطوة الاستدلال إلى هذا التصميم، وهو موجّه للمهام المعقدة واستدعاءات الأدوات متعددة الخطوات؛ أما نظيره Eleven Realtime v1 Mini، فهو النسخة الحوارية الرخيصة، وهو ما يحصل عليه كل وكيل ElevenAgents جديد افتراضيًا.
SeedRealtime يذهب أبعد فيما يتعلق بالأنماط وأقل في كل شيء آخر. يوحّد نموذج ByteDance الصوت والفيديو والنص في معمارية واحدة من طرف إلى طرف، مما يعني أنه يستطيع المشاهدة والاستماع والتحدث في آنٍ واحد بدلًا من تسلسل نموذج رؤية إلى نموذج ASR إلى نموذج لغوي إلى صوت. سلوكيات العرض التوضيحي هي تلك التي لا يستطيع نظام ثنائي الأنماط إنتاجها: ربط الصوت بوجه في محادثة جماعية صاخبة كي يتتبّع النموذج مَن قال ماذا، والتحدث من تلقاء نفسه دون أن يُطلب منه عندما يدخل جسم مستهدف داخل الإطار، وسيناريوهات مرشد المتحف وإصلاح الأجهزة حيث يحتاج النموذج إلى رؤية ما تنظر إليه.
الجمع بين الصوت والفيديو مسألة أصعب من الجمع بين الصوت والنص، وSeedRealtime تسعى إلى المسألة الأصعب. ويستحق ذلك أن يُقال بوضوح قبل أن يشرح ما تبقّى من هذا المقال سببَ استمرار عجزك عن استخدامه.
الأدلة، إذا وُزنت بإنصاف
يجري Artificial Analysis اختبارًا للاستدلال الكلامي واختبارًا لديناميكيات المحادثة على النماذج في هذه الفئة. وقد أجراهما على Eleven Realtime v1 Max. ولم يجرهما على SeedRealtime، ولا يستطيع ذلك — فلا توجد نقطة نهاية لاستدعائها.
• الاستدلال الكلامي (Big Bench Audio) — Eleven Realtime v1 Max بنسبة 98.8% مقابل SeedRealtime الذي لم يُنشر
• ديناميكيات المحادثة (Full-Duplex-Bench) — بحد أقصى 94.1% مقابل SeedRealtime غير منشور
• معدل نجاح المهام — بحد أقصى 87.1% مقابل SeedRealtime غير المنشور
• تفضيل الساحة (Elo) — الحد الأقصى 997 مقابل SeedRealtime غير مُعلن
• الأداء الوكيلي (τ-Voice) — لم يُقَس Max مقابل SeedRealtime غير المنشور
• زمن الوصول إلى أول صوت — بحد أقصى 0.57 ثانية مقابل عدم وجود رقم لزمن الاستجابة بالمللي ثانية لدى SeedRealtime
• التكلفة لكل ساعة من الصوت المُدخل — بحد أقصى 4.80 دولارات مقابل SeedRealtime دون عرض تجاري
• الوسائط المُدخلة — Max: الصوت والنص مقابل SeedRealtime: الصوت والفيديو والنص
الصف الوحيد الذي تتصدّره SeedRealtime هو الصف الذي لا يستطيع أحد شراءه. الرقم العلني الوحيد الذي قدّمته ByteDance هو تقييم بشري شامل من طرف إلى طرف يزعم أن SeedRealtime يقلّل إلى النصف مشكلات إيقاع المحادثة في الأنظمة المتتالية ASR-plus-vision-plus-TTS — انقطاعات أقل، وتفعيلات خاطئة أقل، وردود أبطأ وأكثر طبيعية. لا حجم عيّنة، ولا منهجية، ولا عدد للمُقيّمين، ولا زمن استجابة بالمللي ثانية. ويشير تقرير ثانوي إلى تحسّن في الطلاقة بنسبة 12% مقارنة بنماذج الفريق السابقة. هذه هي قاعدة الأدلة بأكملها.
الآن الجزء الصادق على الجانب الآخر. صف τ-Voice الخاص بـ Max فارغ، وهذا مهم لأن Max هو النموذج الذي تبيعه ElevenLabs لإكمال المهام. تُقاس درجة الاستدلال لديه البالغة 98.8% على 1,000 سؤال صوتي، لا على مكالمة خدمة عملاء تتضمن أدوات ومستند سياسة. لذا لدى ElevenLabs ستة أرقام وفراغ حيث لدى ByteDance رقم واحد ولا نقطة نهاية — أنماط فشل مختلفة، والموقف الأساسي نفسه: الشيء الذي يُسوَّق به كل نموذج ليس الشيء الذي قيس عليه كل نموذج.
لماذا تُعدّ البنية المعمارية أكثر أهمية من المواجهة
قبل عام، كان الوكلاء الصوتيون عبارة عن خط معالجة يعلوه منسّق. كان على أحدهم أن يقرر متى توقف المستخدم عن الكلام، ثم يوجّه النص المكتوب إلى نموذج لغوي، وينتظر الرموز، ثم يسلّم النص إلى مُركّب صوتي كان عليه أن يبدو وكأنه كان جزءًا من المحادثة. أضافت كل مرحلة زمن وصول، وأضاف كل تسليم انقطاعًا.
يمثل كلا هذين النموذجين رهانًا على أن المشكلة تكمن في الحد الفاصل. يتمثل حل Eleven Realtime في دمج مراحل الجانب الصوتي — الاستماع، وتبادل الأدوار، والتفكير، والتحدث — في شبكة واحدة، مع الإبقاء على النموذج صوتيًا فقط. أما حل SeedRealtime فيتمثل في دمج تلك المراحل وإضافة الرؤية، بحيث يستطيع النموذج تحديد المقصود بـ«هذا» من إيماءة إشارة، أو ملاحظة أن الشخص الذي يتحدث إليه قد ابتعد.
المقايضة واضحة في المواصفات. يجيب Eleven Realtime Max خلال 0.57 ثانية ويسجّل 98.8% في اختبار استدلال بمدخلات صوتية فقط. ادعاء SeedRealtime هو مدخلات أوسع، وبالتبعية سياق أكبر لكل دور؛ وكلفته أن الازدواج الكامل البصري مكلف في الخدمة، وهو سبب معقول لكون تطبيق المستهلك هو المكان الوحيد الذي يُطرح فيه. لم تنشر أي من الشركتين رقم كمون يجعل المقارنة كمية، وواحدة فقط منهما نشرت أي شيء يمكن لطرف ثالث التحقق منه.
نقطة النهاية الخاصة بـ ByteDance الموجودة، لكنها ليست هذا النموذج
هذا هو الخطأ الذي يستحق تجنّبه، لأنه سهل الوقوع فيه ومكلف اكتشافه. توثّق Volcano Engine، الذراع السحابية لـ ByteDance، منتجًا منفصلًا للصوت في الوقت الفعلي — نموذج Doubao للصوت في الوقت الفعلي 3.0 — يمكن الوصول إليه عبر نقطة نهاية WebSocket باستخدام مفتاح API لوحدة التحكم، بإدخال PCM أو Opus بتردد 16 kHz وإخراج صوت بتردد 24 kHz، باستخدام بروتوكول أحداث في الوقت الفعلي.
تلك واجهة برمجة تطبيقات للمطورين من الشركة نفسها في مجال المنتج نفسه، وليست SeedRealtime. فهي صوتية فقط: لا فيديو، ولا ربط بالوجه، ولا تأسيس بصري. إنها نموذج مختلف له تاريخ إصدار خاص به. الفرق التي تبحث عن واجهة برمجة التطبيقات الصوتية الفورية الحقيقية من ByteDance ستجد تلك الوثائق، وتتكامل معها، وتعتقد أنها تستخدم النموذج الذي تتناوله التغطية. لم تنشر Volcano Engine أي تاريخ لنقطة نهاية خاصة بالنموذج السمعي البصري. أي إدراج يقدم لك وصولًا إلى SeedRealtime إنما يقدم لك شيئًا آخر.
ماذا يعني هذا إذا كان لديك منتج تريد شحنه
لا يوجد قرار يجب اتخاذه بين هذين الخيارين للعمل الإنتاجي هذا الربع. Eleven Realtime v1 Max قابل للاستدعاء الآن، عبر ElevenAgents أو واجهة Realtime API متوافقة مع OpenAI على wss://api.elevenlabs.io/v1/convai/realtime، بينما SeedRealtime هو إنجاز بحثي داخل تطبيق هاتف في الصين.
القرار الموجود فعلاً هو كيفية البناء حول ذلك. واجهة Realtime API من ElevenLabs تعمل عبر WebSocket فقط عند الإطلاق — من دون WebRTC — وهي منتج منفصل عن ElevenAgents، لذا فإن الهاتف وWhatsApp وقواعد المعرفة وضوابط الحماية والمراقبة لا تأتي إلا مع جانب المنصة. كما أن Max غير متاح في بيئتي إقامة البيانات في الهند وسنغافورة، ويحتاج إلى حد رموز لا يقل عن 1,024؛ أما Mini، بشكل غريب، فيدعم الهند وسنغافورة لكنه لا يدعم Zero Retention Mode أو HIPAA، وهما ما يدعمهما Max في الولايات المتحدة والاتحاد الأوروبي.
الموضع الذي يناسب OrcaRouter ليس طبقة الصوت. نحن لا نستضيف eleven_realtime_v1_max، ولا توجد نقطة نهاية تابعة لطرف ثالث له. ما نستضيفه هو كل ما يستدعيه وكيل بهذا الشكل من حول النموذج: 209 نماذج من 16 مزوّدًا خارجيًا خلف مفتاح واحد، بسعر قائمة المزوّد دون أي هامش، مع تحويل تلقائي عند حدوث خطأ لدى مزوّد أو انتهاء المهلة. النصف المكلف والمتغيّر في وكيل الصوت هو الاسترجاع والاستدلال الذي يفوّضه؛ هذا النصف قابل للاستبدال دون المساس بحلقة الصوت، وهو حيث يعود أسبوع من الضبط بالفائدة.
ما الذي سيغيّر هذا؟
إن توفير API لـ SeedRealtime سيجعل هذه مقارنة حقيقية، وليس فقط بسبب الفيديو. فمن شأن نقطة نهاية قابلة للاستدعاء أن تتيح لـ Artificial Analysis وضع النموذج على نفس أداة الاختبار رباعية الأجزاء التي يستخدمها الجميع، وهو المسار الوحيد للوصول إلى رقم ذي معنى عبر البائعين. ومن شأن تقرير تقني أن ينجز معظم العمل نفسه.
على جانب ElevenLabs، القطعة الناقصة هي تشغيل τ-Voice على Max. وعندما يتحقق ذلك، ستمتلك الساحة أخيرًا رقمًا وكيليًا قابلًا للمقارنة المباشرة للنموذج الذي تسوّقه ElevenLabs بوصفه النموذج الموجّه للمهام. حتى ذلك الحين، يبقى الملخص غير مبهر: أحد هذين النموذجين يمكنك استدعاؤه وقياسه وتسعيره وشحنه، والآخر يمكنك مراقبته فقط، والفجوة بين هذين الموقفين أكبر من الفجوة بين بنيتيهما.
