Fish Audio Drama 3 يحتل الآن كلا ساحتي الكلام في آنٍ واحد — وليس أيٌّ من الرقمين هو الرقم الذي رأيته الأسبوع الماضي

تحمل لوحة الصدارة سجلين لمنتج واحد. Fish Audio Drama 3 يحتل المركز السادس في Artificial Analysis Provider Voice Arena بدرجة إيلو 1,278 والمركز الثاني عشر في Controlled Voice Arena عند 1,085، وهو في كلتا اللوحتين النموذج الأعلى ترتيبًا بين النماذج مفتوحة الأوزان في الجدول. السجل المسمى Fish Audio Drama 3 Preview — ذلك الذي نال التغطية الصحفية عندما نشرته Fish Audio في 2026-10-13 — لا يزال مدرجًا بشكل منفصل، عند 1,240 و1,063. هذا فارق قدره 38 نقطة في إحدى اللوحتين و22 في الأخرى، بالنسبة لما تصفه صفحة منتج البائع نفسه بأنه نموذج واحد تحت اسمين. إذا كنت قد اقتبست قيمة إيلو لـ Drama 3 خلال الأسبوعين الماضيين، فهذا المقال هو الذي يخبرك أيًّا من الاثنين كنت تقتبس.

ما الذي تقوله اللوحات فعليًا اليوم

قُرِئ الرقمان كلاهما من Artificial Analysis في 2026-10-29، وكلاهما يأتيان بالسعر نفسه المسجّل على اللوحة البالغ 15.00 دولارًا لكل مليون حرف، لذا فإن الفجوة البالغة 38 نقطة ليست تغيّرًا في السعر — بل هما تقييمان لحالتين مؤرشفتين للنموذج نفسه. ترتيبات أصوات المزوّدين فوق Drama 3 كلها أنظمة مغلقة: Eleven v4 Turbo عند 1,336 و40.00 دولارًا، وEleven v4 عند 1,334 و80.00 دولارًا، وQwen-Audio-3.1-TTS-Plus عند 1,305 و19.30 دولارًا، وCartesia Sonic 3.6 عند 1,296 و49.00 دولارًا، وGoogle Gemini 3.8 Flash TTS عند 1,283 و16.50 دولارًا. يكلّف كل واحد منها أكثر لكل مليون حرف من مُدخل Fish Audio المصنّف مباشرةً أسفلها.

لوحة الصوت المضبوط هي المكان الذي يتباعد فيه سجلا Drama 3 بأشد ما يمكن في الترتيب، وهي المكان الذي يسهل فيه التحقق من ادعاء الأوزان المفتوحة، لأن جميع النماذج هناك تُقيَّم على أصوات مرجعية ثابتة نفسها بدلاً من كتالوج كل بائع. الانتشار الكامل لمدخلات الأوزان المفتوحة اعتبارًا من اليوم:

• صوت المزوّد — Fish Audio Drama 3 1,278 (#6)؛ Fish Audio Drama 3 Preview 1,240 (#12)؛ Breeze TTS 2 1,228 (#13)؛ Voxtral 3 TTS 1,223 (#15).

• الصوت المُتحكَّم به — Fish Audio Drama 3 ‏1,085 (#12)؛ Ming-3.0-tts ‏1,068 (#17)؛ Fish Audio Drama 3 Preview ‏1,063 (#20)؛ Breeze TTS 2 ‏1,021 (#28).

• الفجوة المهمة — في الأصوات المضبوطة، لا يزال Drama 3 متأخرًا عن Eleven v4 ‏(1,156، #4)، وInworld Realtime TTS-2 ‏(1,146، #7)، بينما يقع Google Gemini 3.8 Flash TTS ‏(1,053، #24) دونه، لكن الأنظمة المغلقة في صدارة تلك اللوحة ليست على بُعد أربع نقاط، بل على بُعد سبعين. ويتصدرها HeyGen Voice عند 1,193.

يلي ذلك أمران. أولًا، عبارة «الأول بين النماذج المفتوحة الأوزان» صحيحة على كلتا الساحتين اليوم، وليست تعادلًا في أيٍّ منهما. ثانيًا، الفارق على اللوحة المضبوطة — 17 إيلو فوق Ming-3.0-tts عند خُمس عدد المعاملات — يقع ضمن النطاق الذي يمكن لبضعة آلاف من الأصوات أن تُغيّر فيه الترتيب، لذا تعامل معه كتقدّم لا كضمان.

درجة النطق هي المركز الأول مناصفةً، وليست المركز الأول منفردةً.

يستشهد إعلان Fish Audio بنسبة 93.2% في معيار متانة النطق الإنجليزي لدى Artificial Analysis، مقابل 88.1% لنسخته السابقة S2.1 Pro، ويصفها بأنها أعلى نتيجة على لوحة الصدارة. كان ذلك دقيقًا عندما ظهرت النتيجة في 2026-10-20، مع تحفّظ يغفله النص التسويقي: فقد بلغ Ming-3.0-tts من Ant Group النسبة نفسها 93.2%، لذا تُظهر اللوحة تعادلًا في المركز الأول بين 31 نموذجًا مُقيَّمًا بدلًا من متصدّر وحيد. وتحتل Eleven v4 نسبة 91.7% وEleven v4 Turbo نسبة 90.1%.

المتوسط الإجمالي يخفي مقايضة حقيقية. تكمن قوة Drama 3 في الأسماء الخاصة والكلمات المعتمدة على السياق — 95.9% على المصطلحات المستقلة مثل العلامات التجارية والأماكن والأسماء التقنية، و95.3% على الكلمات التي تعتمد قراءتها على الجملة. أما نقطة ضعفها فهي أي شيء يجب إعادة إنتاجه حرفاً بحرف: 86.3% على الرموز والمسارات وعناوين البريد الإلكتروني، حيث يصل Ming إلى 90.6%. والفئة الوحيدة التي تخسرها Drama 3 خسارة صريحة هي المختصرات الموسعة — الأرقام والتواريخ والوحدات — بنسبة 93.6% مقابل 94.1% لدى Eleven v4. إذا كانت خطوط المعالجة لديك تقرأ أرقام الطلبات أو رموز الأجزاء أو سلاسل التتبع بصوت عالٍ، فإن النسبة الرئيسية 93.2% هي الرقم الخاطئ الذي يجب التخطيط على أساسه؛ و86.3% هي الرقم الصحيح.

ما الذي صدر في 2026-10-13، وما الذي تُغيّره ستة عشر يومًا

لا شيء من هذا يُعد إطلاقًا، ولا ينبغي الإبلاغ عنه على هذا النحو. فقد أدرجت Fish Audio النموذج في تطبيق الويب الخاص بها، وفي تطبيقي iOS وAndroid، وفي واجهة API الخاصة بها في 2026-10-13، مع معرّف النموذج في API "drama-3". الجديد في الأسبوعين الماضيين هو التقييم المستقل للنموذج التجاري، وليس وجود النموذج نفسه. وتستحق التبعات العملية لهذا التمييز توضيحًا صريحًا، لأن التغطية السابقة لهذا النموذج — بما في ذلك على هذه المدونة — كُتبت استنادًا إلى بيانات Preview.

لم تتغيّر البنية بين السجلين: خليط خبراء بـ35 مليار معامل مهيأ من Qwen3.5-35B-A3B، مع نحو 3 مليارات معامل نشطة لكل توكن، وتفعّل 8 من 256 خبيرًا موجّهًا إضافة إلى خبير مشترك واحد. أربعون طبقة مرتبة في كتل متكررة من ثلاث طبقات Gated DeltaNet وطبقة واحدة انتباه كامل مبوّبة، لذا تحتفظ طبقة واحدة فقط من كل أربع بذاكرة KV cache. وحدة فك الترميز بتصميم codebook-MTP — أربع طبقات مشتركة تغذّي تسع طبقات كاملة العرض، واحدة لكل دفتر رموز صوتي — ولا يُعاد إدخال سوى دفتري الرموز 0 و1 إلى العمود الفقري. المُرمِّز هو نفس إعداد Descript Audio Codec الذي استخدمه S2: 44.1 كيلوهرتز، وعشرة دفاتر رموز، ونحو 21.5 إطارًا في الثانية، وسببي بالكامل. هناك تناقض صغير واحد يجدر ذكره لأنه سيربك أي شخص يقارن المصدرين: يذكر إعلان Fish Audio أن عدد المعاملات 35 مليارًا، بينما تذكر بطاقة نموذج Hugging Face أن حجم النموذج 36B. من المرجح أن يكون الفرق راجعًا إلى التقريب أو إلى اصطلاح عدّ التضمينات لا إلى نقطة تفتيش مختلفة، لكن الرقمين هما ما ستجده في كل من الموضعين.

الإنتاجية على وحدة H200 واحدة هي رقم من الجهة المصنّعة قدره 271 إطارًا في الثانية مقابل 177 لـ S2، وهو ما يُفترض أن يوفره نموذج MoE بحجم 35B بمسار نشط بحجم 3B. وتتم الخدمة عبر SGLang-Omni. أما الأوزان فهي متوفرة على Hugging Face باسم fishaudio/drama-3 — بنحو 40 غيغابايت موزعة على مجموعة من شرائح safetensors إضافةً إلى ملف codec منفصل — ويتطلب الاستدلال بـ FP8 نحو 48 غيغابايت من VRAM، دون توثيق أي مسار CPU أو ROCm. وهذا القيد الأخير هو ما يحسم معظم أسئلة الاستضافة الذاتية، وهو موضوع مقارنة Breeze TTS 2 وليس هذه المقارنة.

ثلاثة أسعار، والبطاقة ليست تلك التي ينبغي أن تخطط بناءً عليها

هنا يجب أن يكون تحديد المصدر صريحًا، لأن ثلاثة أرقام متداولة واثنين منها ليسا كما يبدوان. تسجّل Artificial Analysis مبلغ $15.00 لكل مليون حرف لكلا مدخلَي Drama 3. وتذكر صفحة إعلان Fish Audio الخاصة سعرًا معلنًا قدره $50.00 لكل مليون حرف مع تعريفة إطلاق قدرها $10.00، بخصم 80%، حتى 2026-11-12. وتفوتر وثائق مطوري Fish Audio بوحدة ثالثة مختلفة تمامًا: لكل مليون بايت UTF-8، مع drama-3 بسعر $50.00، وs2.1-pro بسعر $15.00، وتعريفة الإطلاق عند $10.00 حتى 2026-11-12 09:00 بتوقيت المحيط الهادئ. تكون الإنجليزية قريبة من بايت واحد لكل حرف، لذلك فإن أرقام البايت والحرف قابلة للتبادل تقريبًا بالنسبة للنص الإنجليزي، وتتباعد بشدة بالنسبة للكتابات التي تكلّف أكثر من بايت لكل رمز رسومي.

قيمة $15.00 على لوحة الصدارة تستحق نظرة ثانية بدلًا من الاستهانة بها، لأنها بالضبط سعر القائمة الخاص بـ s2.1-pro، النموذج السابق لدى Fish Audio، وليست سعر النموذج الذي يجري تقييمه. فإما أن اللوحة سجّلت رقمًا مختلطًا أو مُرحّلًا، وإما أنها سعّرت النموذج بسعر لا تنشره Fish Audio له. الرقم الذي ينبغي بناء الميزانية عليه هو الرقم الوارد في جدول الأسعار الخاص بـ Fish Audio نفسه: $50.00 لكل مليون بايت UTF-8 بسعر القائمة، وهو ما تعادله وثائق المزوّد بنحو 180,000 كلمة إنجليزية، أو ما يقرب من اثنتي عشرة ساعة من الكلام — أي نحو $4.17 لكل ساعة صوت نهائي. أما الخصم الافتتاحي الذي ينتهي خلال أسبوعين فليس بطاقة أسعار؛ وبسعر $10.00 تكلّف الساعات الاثنتا عشرة نفسها نحو $0.83.

الترخيص: أوزان مفتوحة، وليس مفتوح المصدر، وبند واحد يحسم الكثير

تُنشر الأوزان بموجب ترخيص Fish Audio Community License v1.0. الاستخدام البحثي وغير التجاري مجاني. والاستخدام التجاري مجاني إذا بقيت أنت والشركات التابعة لك تحت حد 500,000 دولار أمريكي من الإيرادات السنوية؛ أما إذا تجاوزتم ذلك، أو أردت تقديم Drama 3 كخدمة تحويل النص إلى كلام أو استنساخ صوتي أو استدلال، فستحتاج إلى ترخيص منفصل من Fish Audio. كما يحظر الترخيص استنساخ صوت شخص حقيقي دون موافقة، وتعتبر أسئلة Fish Audio الشائعة أن "إنتاج صوت نهائي للعملاء" مسموح به، وهو البند المهم للوكالات ودور ما بعد الإنتاج. لا يزال S2 خاضعًا لترخيص Research License الأكثر صرامة، لذا لا يمكن تبادل الجيلين في النشر التجاري.

يُدرج Artificial Analysis النموذج ضمن فئة الأوزان المفتوحة دون حقوق استخدام تجاري كاملة. هذا هو الوصف الأمين: يمكنك تنزيله وتشغيله، لكن ليس بالضرورة أن تمتلك حق بيع الوصول إليه. أي شخص يخطط لبناء منتج مستضاف فوق هذه الأوزان عليه أن يقرأ بند الخدمة قبل أن يبني صفحة الفوترة، لا بعدها.

ما هو وضع خط الإنتاج نتيجةً لذلك

سبب استحقاق نتيجة الساحتين أن تكون منشورًا لا حاشية هو أنها تغيّر ما يمكن للفريق افتراضه. قبل ستة عشر يومًا، كان البيان الدفاع عنه هو أن نموذجًا مفتوح الأوزان قد دخل العشرة الأوائل في لوحة تفضيلات وادّعى ريادة في النطق وفق تقييمه الخاص. أما اليوم، فالحكم المستقل أضيق وأقوى: إنه أفضل نموذج مفتوح الأوزان على الساحتين معًا، وهو متصدّر مناصفةً في النطق لا منفردًا، وهو يفعل ذلك بتكلفة من الفئة المتوسطة وبأوزان يستطيع أي شخص تنزيلها.

إن Drama 3 ليس أحد النماذج على OrcaRouter. فالوصول إليه يتم عبر واجهة API الخاصة بـ Fish Audio وعدة منصات تابعة لجهات خارجية، وأي مقال يدّعي غير ذلك سيكون كاذبًا معك بشأن الأمر الوحيد الذي تُعنى به هذه المدونة. ما نقوم به هو النصف الآخر من المشكلة: ~200 نموذج خلف مفتاح واحد بسعر قائمة المزوّد دون أي هامش، التبديل التلقائي عند الفشل، ولغة DSL للتوجيه ودمج النماذج هي الطريقة التي يستوعب بها خط أنابيب يستدعي بالفعل مزوّدين آخرين نموذجًا كهذا دون عقد ثانٍ وSDK ثانٍ. وإذا أصبح Drama 3 صوت السرد في طابور تصيير وكان للطابور موعد نهائي، فقيمة توجيه كل شيء آخر عبر نقطة نهاية واحدة هي أن مسار إعادة المحاولة موجود بالفعل.

ما ينبغي متابعته خلال الأسبوعين المقبلين، مرتبًا حسب مقدار ما قد يغيّر الصورة: هل تضيق فجوة الـ22 نقطة بين سجلّي Drama 3 أم تتسع مع تراكم المزيد من الأصوات على المشاركة التجارية؛ وهل يتقدّم Ming-3.0-tts في النطق بعد إعادة قياس درجة أسماء الأعلام التي حلّت في المركز الحادي والعشرين بعدد أكبر من الامتدادات؛ وهل يعيد أي شخص خارج Fish Audio إنتاج رقم 271 إطارًا في الثانية على عتاد ليس من طراز H200. أرقام الساحة مستقرة بما يكفي للاقتباس. ولا يزال رقم الإنتاجية ادعاءً من مورّد، ولا يزال الترخيص هو الشيء الأرجح أن يحدد ما إذا كان بإمكان فريق استخدام هذا إطلاقًا.