Eleven Realtime v1 Max مقابل Sesame Preview: الصوت الذي يكسب الأذن يخسر المهمة

اسأل أي شخص عن المساعد الصوتي الذي يبدو الأكثر بشرية، وستسمع Sesame Preview. واسأل عن النموذج الذي يمكن لمؤسسة أن تضعه خلف رقم هاتف، وستكون الإجابة Eleven Realtime v1 Max، وهو نموذج تحويل الكلام إلى كلام أُعلن في 20 أكتوبر 2026، ويحلّ 87.1% من المهام في تقييم ثابت، ويجيب خلال 0.57 ثانية، وهو متاح عبر ElevenAgents أو واجهة Realtime API المتوافقة مع OpenAI. Sesame Preview تطبيق للمستهلكين يضم أربعة رفقاء مسمّين، ولا توجد طريقة لشراء الصوت الموجود داخله. تُجمع حوادث الذكاء الاصطناعي الموثقة وإخفاقات الوكلاء الكامنة خلف نماذج من هذه الفئة في OrcaRouter AI Incident Archive، حيث يحمل كل إدخال مصادره الخاصة ودرجة خطورته ودرجة ثقته وعلامة كونه محل نزاع.

هذا ليس ضربة قاضية، لأن المنتجين يسعيان إلى أشياء مختلفة، وحجة صوت S​esame حقيقية. كان باحثو S​esame مبكرين وعلنيين بشأن فكرة أن توقيت المحادثة — الـ mm-hmm، والتداخل، والاستعداد للتراجع في منتصف الجملة — هو وادي الغرابة، وليس جرس الصوت. ويضع توثيق E​levenLabs الرهان نفسه من الاتجاه المعاكس: يُوصف Mini بأنه يكتشف ما إذا كان المتحدث قد انتهى أم أنه يقاطع فقط. مختبران، أطروحة واحدة، ونموذجا أعمال متعاكسان.

النقطة التي تصبح فيها المقارنة مثيرة للاهتمام هي ما قاسه كلٌّ منهما فعليًا. فـ ElevenLabs تنشر ستة أرقام وشريكًا للتقييم. أما Sesame فتنشر تجربة.

ما هو كل واحد منها، على وجه الدقة

Eleven Realtime v1 Max هي شبكة واحدة تنفّذ التعرّف وتبادل الأدوار والاستدلال وتوليد الصوت معًا، وهي مخصّصة للمهام المعقدة التي تتضمن استخدام أدوات متعددة الخطوات: دعم العملاء، وتأهيل العملاء المحتملين، والجدولة بمساعدة. أما نظيرها الأقل تكلفة، Eleven Realtime v1 Mini، فهو الخيار الافتراضي لوكلاء ElevenAgents الجدد ويستهدف محادثة طبيعية بتكلفة أقل. يمكن الوصول إلى Max بطريقتين — من القائمة المنسدلة في ElevenAgents، حيث تدير ElevenLabs لك نموذج LLM ونموذج TTS ومزوّد ASR وإعدادات الاستدلال، أو عبر Realtime API الذي يتحدث بروتوكول أحداث Realtime الخاص بـ OpenAI عبر WebSocket على wss://api.elevenlabs.io/v1/convai/realtime.

Sesame Preview هو مساعد صوتي استهلاكي مجاني: أربعة وكلاء مسمّون — مايا، ومايلز، وسيمون، وتشارلي — متاحون على iOS وعلى الويب، ويصفه كل من يجربه تقريبًا بأنه المساعد الصوتي الأكثر طبيعية في السوق. يحتفظ بالسياق عبر الجلسات، ويبحث في الويب ويضبط التذكيرات. ولا يقوم بالحجز أو الشراء أو حفظ أي ملفات. لا توجد باقة مخصصة للمؤسسات، ولا أسعار منشورة، ولا واجهة برمجة تطبيقات عامة للصوت الذي تسمعه في التطبيق.

كلاهما نظامان حواريان كاملا الازدواجية، مع تناوب في الأدوار جيد بما يكفي حتى يتوقف الناس عن ملاحظته. عند هذه النقطة تنتهي أوجه التشابه، وعندها يتوقف سؤال «أيهما أفضل» عن امتلاك إجابة واحدة.

الأرقام التي يمتلكها أحدهم

قيّمت Artificial Analysis نموذج Eleven Realtime v1 Max بشكل مستقل باستخدام مجموعة الاختبار نفسها التي تطبّقها على كل نموذج تحويل الكلام إلى كلام. هذه أرقامها هي، وليست أرقام E​levenLabs:

• الاستدلال الكلامي (Big Bench Audio) — بحد أقصى 98.8%

• ديناميكيات المحادثة (Full-Duplex-Bench) — بحد أقصى 94.1%

• معدل نجاح المهمة — بحد أقصى 87.1%

• تفضيل الساحة (Elo) — الحد الأقصى 997

• الوقت حتى أول صوت — بحد أقصى 0.57 ث

• تكلفة كل ساعة من الصوت المُدخَل — بحد أقصى 4.80 دولار

• الأداء الوكيلي (τ-Voice) — لم يتم قياس Max

• مؤشر تحويل الكلام إلى كلام — لم تُحتسب درجة لـ Max

لا يظهر S​esame Preview في أيٍّ من هذه الصفوف. فليس لديه واجهة برمجة تطبيقات عامة، لذا لا يمكن لأي أداة اختبار مستقلة تشغيله، ولم يقم أي شخص خارج S​esame بقياس سلوك التطبيق نفسه من حيث إنجاز المهام أو زمن الاستجابة. وعندما يقول الناس إن S​esame يبدو أفضل، فإنهم يبلّغون عن انطباع سمعي، وهو انطباع مشروع — لكنه ببساطة ليس القياس نفسه الذي تقدمه ساحة تقف خلفها منهجية ونموذج تفضيلات.

هذا يقطع في الاتجاهين. إنّ Elo البالغ 997 في الساحة رقم حقيقي من مستمعين حقيقيين، وهو يضع Max خلف Grok Voice 3.0 عند 1,064، وGPT-Live-1 (Sol, low) عند 1,047، وGemini 3.8 Live عند 1,078. يفوز ElevenLabs في صفّي الاستدلال والسرعة ولا يفوز في صف التفضيل. إذا كان حدسك يقول إن صوت Sesame يتفوّق على صوت Max، فإن نتيجة الساحة متسقة مع هذا الحدس — غير أنها قيست ضد نماذج API أخرى، لا ضد Sesame.

مسألة الأوزان المفتوحة، وهي النقطة التي تخطئ فيها معظم المقارنات

كل مقال يشيد بصوت Sesame إنما يشيد بالتطبيق، وصوت التطبيق نموذج إنتاجي مغلق لم تُصدره Sesame قط كنقطة نهاية. ما فتحت Sesame مصدره هو CSM-1B، وهو نموذج كلام حواري بحجم مليار معلمة ضمن عائلة Moshi، بترخيص Apache-2.0. إنه كتلة توليد صوتي، وليس مساعدًا: عمود فقري من Llama يتوقع أول دفتر رموز من Mimi، ومفكك ترميز Llama أصغر يتوقع الباقي، وبرنامج ترميز Mimi يحوّل ذلك إلى موجة صوتية بتردد 24 كيلوهرتز. وهو موجّه للإنجليزية أولًا، ويستنسخ صوتًا من مقطع مرجعي قصير، ولا يستطيع توليد نص على الإطلاق — بل تقرنه بنموذج لغوي منفصل.

يصف من جرّبوا كليهما صوت CSM-1B بأنه أضعف بوضوح من صوت تطبيق Preview، وتدعم بطاقة النموذج الخاصة بـ S​esame هذا التفسير: فهناك نسخة مُضبطة بدقة من CSM تشغّل العرض التفاعلي، وهذه النسخة ليست نقطة الحفظ التي يمكنك تنزيلها.

إذن، النسخة الصادقة من «Sesame مقابل ElevenLabs» هي هذه. لدى Sesame صوت مغلق جميل لا يمكنك استدعاؤه، وكتلة تركيب مفتوحة صغيرة يمكنك استدعاؤها، وهما ليسا النموذج نفسه. لدى ElevenLabs نموذج قابل للاستدعاء صوته جيد بدرجة قابلة للقياس لكنه ليس الأكثر استحسانًا، وله سعر. إن عدم التماثل المهم بالنسبة إلى المطوّر ليس أيّهما يبدو أفضل؛ بل أيّهما لديه نقطة نهاية، وهذا ليس حتى قريبًا.

أين يظهر الدمج في بيئة الإنتاج

حجة E​levenLabs هي أن دمج التعرّف وتناوب الأدوار والاستدلال والصوت في نظام واحد مضبوط يزيل الفواصل التي يخلّفها النظام المتتالي.

في ElevenAgents، الدمج حرفي وله ثمن: طالما تم تعيين نموذج Realtime، فإن LLM وجهد الاستدلال وميزانية التفكير واستدعاءات الأدوات المتوازية ومهلة التتالي ونموذج TTS والوضع التعبيري ومزوّد ASR كلها تُدار بواسطة ElevenLabs ويُتجاهل ضبطها على الوكيل. ولا يمكن لعقدة سير عمل تجاوزها، كما لا يمكن للوكيل استخدام LLM مخصص أو Amazon Bedrock على الإطلاق. اختر النموذج، وستختار بهذا الحزمة بأكملها تحته.

مصفوفة الامتثال متفاوتة على نحو سيفاجئ من يطبّقون هذا عبر المناطق:

• إقامة البيانات — يتوفر Max في الولايات المتحدة والاتحاد الأوروبي، لكن ليس في الهند أو سنغافورة، حيث يُقدَّم Mini فقط

• وضع عدم الاحتفاظ بالبيانات وHIPAA — يُدعم Max في الولايات المتحدة والاتحاد الأوروبي؛ أما Mini فغير مدعوم بموجب أي منهما

• حد الرموز — يتطلب Max ‏1,024 رمزًا أو عدم وجود حد، ولا يمكن لعُقد سير العمل تجاوزه

• تحويلات الوكيل — لا يمكن لوكيل في وضع Realtime إلا التحويل إلى وكلاء آخرين في وضع Realtime ومنهم، على الرغم من أن Mini-to-Max مسموح به

• النقل — لا يوجد WebRTC عند الإطلاق؛ واجهة Realtime API تعتمد على WebSocket فقط

تُفرض تلك القواعد عند النشر، لا عند الحفظ: المسودة التي تخالف إحداها تُحفظ بلا مشكلة وتفشل عند النشر، مع خطأ يذكر اسم الإعداد. إذا كنت تُجري نماذج أولية، فهذا إزعاج بسيط. وإذا كنت تُسلّم إلى قائمة انتظار خاضعة للتنظيم، فإن ذلك يحدد أي نسخة يمكنك استخدامها في أي بيئة، والأرخص ليس دائمًا هو المتوافق مع اللوائح.

أيٌّ منها يناسب مجموعتك التقنية

اختر Eleven Realtime v1 Max عندما يكون الصوت وسيلةً لغاية وتكون المكالمة مطالبةً بإنتاج نتيجة — فرز الدعم، والجدولة، والتأهيل. فأنت تحصل اليوم على نقطة نهاية، وبروتوكول أحداث متوافق مع O​penAI يجعل الانتقال من تكامل Realtime مجرد تغيير سلسلتين نصيتين، ومعدل نجاح للمهام مقاسًا عند 87.1%، وأسرع مُستدِلّ قوي على الساحة، وسعر يمكنك نمذجته عند 4.80 دولارات لكل ساعة صوت. تقبّل أنه لا يزال قيد الطرح التدريجي، وأن سلوكه الوكيلي غير مقاس، وأن صوته لا يتصدر ساحة التفضيل.

اختر S​esame Previewعندما تدرس الإحساس الذي ينبغي أن تتركه جودة المحادثة، أو تبني منتجًا استهلاكيًا تكون المحادثة فيه هي المنتج. إنه مجاني، وهو أفضل ما جربه معظم الناس من حيث الصوت، ووسيلة جيدة لمعايرة ذوقك. لا تخطط لدمج حوله: فلا يوجد شيء لدمجه معه، وCSM-1B ليس النموذج الموجود في التطبيق.

اختر CSM-1B فقط إذا كنت تريد كتلة تركيب مفتوحة قابلة للاستضافة الذاتية وكنت مستعدًا لبناء بقية المكوّنات — نظام ASR، ونموذج لغوي، وطبقة تناوب الأدوار — حولها. هي مرخّصة بموجب Apache-2.0 وهي مفيدة حقًا في هذا الدور. ليست منافسًا لـ Max ولم تكن مقصودة لذلك قط.

الهجين، والنصف الذي يمكن لجهاز التوجيه أن يساعد فيه

معظم منتجات الصوت الجادة ينتهي بها الأمر إلى خلط النماذج بدلًا من اختيار نموذج واحد. نموذج يبدو طبيعيًا في أدوار الافتتاح والإقرار، حيث يُلمَس الدفء وزمن الاستجابة؛ ونموذج موثوق في أداء المهام في أدوار المعاملات، حيث يعني أي خطأ فقدان حجز. لا يسهّل أيٌّ من Eleven Realtime أو Sesame ذلك ضمن اتصال واحد — فـ Realtime API من ElevenLabs منتج منفصل عن ElevenAgents ويعمل عبر WebSocket فقط، ولا تملك Sesame أي API للخلط معه.

حيث تُثبت طبقة التوجيه قيمتها فعلاً هو على طبقة واحدة أدنى، في العمل الذي يفوّضه نموذج الصوت. على OrcaRouter، يعني ذلك 209 نموذجًا من 16 مزوّدًا أعلى في السلسلة خلف مفتاح واحد، بسعر قائمة المزوّد دون أي هامش ربح، مع تحويل تلقائي عند فشل أحد المزوّدين. يتيح دمج النماذج لفريق من النماذج أن يجيب معًا عندما لا يكون حكم نموذج واحد كافيًا؛ وتؤلف لغة التوجيه DSL عدة نماذج في نداء واحد. Eleven Realtime v1 Max نفسه ليس في كتالوجنا — فلا توجد نقطة نهاية لطرف ثالث خاصة به — لذا فإن الحد الصادق هو أننا نستطيع توجيه الاسترجاع والتلخيص وتحليل ما بعد المكالمة، وليس الصوت.

ما قد يغيّر هذا المقال هو معيار قياس يقيس الطبيعية بالطريقة التي تقيس بها الساحة التفضيل، ويُجرى عبر تطبيق Sesame ونماذج API معًا — أو نقطة نهاية لصوت Sesame الإنتاجي. أيٌّ منهما سيجعل الاختيار بين الوصول والتجربة مقارنةً فعلية. حتى ذلك الحين، أحد هذين النموذجين يمكنك استدعاؤه والآخر لا يمكنك سوى الإعجاب به، وهذا يحسم أكثر من أي اختبار استماع.