Fish Audio Drama 3 Preview يتصدر ساحة الخطاب المفتوحة الأوزان

Fish Audio Drama 3 Preview هو النموذج الذي نشرته Fish Audio في 13 أكتوبر 2026، وبحلول صباح اليوم التالي كان قد تصدّر المركز الأول بين الأنظمة مفتوحة الأوزان على لوحة صدارة تحويل النص إلى كلام من Artificial Analysis. ما يجعل هذا التصنيف يستحق نظرة ثانية ليس القمة — بل السعر المرتبط بها. يحمل هذا الإدخال سعرًا معلنًا قدره 15.00 دولارًا لكل مليون حرف، في حين أن كل نموذج مصنّف بالقرب منه يكلف ضعفين إلى خمسة أضعاف، والنموذجان اللذان يعلوه مباشرة على اللوحة، ElevenLabs Eleven v4 Turbo وElevenLabs Eleven v4، نظامان مغلقان بتسعير لكل حرف يتدرّج في الاتجاه الخاطئ لأي شخص ينتج صوتًا طويل الشكل.

في Provider Voice Arena الخاصة بلوحة الصدارة، حيث تتنافس أصوات كل مورّد مع بعضها بعضًا، يحل Fish Audio Drama 3 Preview في المرتبة 10 بتصنيف Elo يبلغ 1,243. وهو خلف ثنائي ElevenLabs عند 1,330 و1,328، وخلف Cartesia Sonic 3.6 عند 1,286، وخلف Qwen-Audio-3.1-TTS-Plus عند 1,300 وQwen-Audio-3.0-TTS-Plus عند 1,268، وخلف Gemini 3.8 Flash TTS عند 1,274. وهو متقدم على ثاني مشاركة مفتوحة الأوزان، Breeze TTS 2، التي تبلغ 1,221 وتكلف 34.00 دولارًا لكل مليون حرف — أي أكثر قليلًا من ضعف سعر Drama 3 Preview. من بين 97 نموذجًا على تلك اللوحة، هناك 17 مفتوحة الأوزان، ومعاينة Fish Audio الجديدة هي الأعلى ترتيبًا بينها.

اقرأ الرقم مع أشرطة الخطأ الملحقة به. الفاصل الذي أعلنته اللوحة لهذا المُدخل يمتد من 1,226.8 إلى 1,258.8، أي نحو 1,857 مقارنة عمياء، عبر 8 أصوات في الساحة. في مواجهة Breeze TTS 2، الفارق مريح. أما في مواجهة Speechify Simba 3.2 عند 1,245 و6.60 دولار، فليس كذلك — فهذا فرق نقطتين مع فترات متداخلة، ولا ينبغي لأحد أن يبني عليه قرار شراء. الخلاصة الصادقة هي أن Drama 3 Preview استطاع أن يضع نموذجًا مفتوح الأوزان ضمن العشرة الأوائل على لوحة لم يكن ينبغي له من قبل أن يكون فيها، وقد فعل ذلك بسعر من الفئة المتوسطة.

ما هو النموذج في الواقع

تصف Fish Audio نموذج Drama 3 Preview بأنه نموذج مزيج خبراء يضم 35 مليار معامل، مع نحو 3 مليارات معامل نشطة لكل رمز. ويستخدم بنية انتباه هجينة — Gated DeltaNet مقترنة بانتباه كامل مُبوَّب — إلى جانب مفكك ترميز codebook-MTP ومُرمِّز رموز قائم على DAC يعمل بتردد 44.1 kHz. ويغذّي الدمج الجزئي للـ codebook أول كتابَي رموز فقط مرة أخرى داخل الحلقة. مرّ التدريب عبر ثلاث مراحل من التدريب المسبق، ثم الضبط الدقيق بالتعليمات، ثم التعلم المعزز مقابل نموذج مكافأة واحد لتفضيلات البشر دون أي تشكيل للمكافأة قائم على القواعد.

أما ادّعاء معدل الإنتاجية المصاحب له فهو الجزء الذي سيهتم به الممارسون أكثر من غيره: إذ تُفيد Fish Audio ببلوغ 271 إطارًا في الثانية على وحدة H200 واحدة، مقابل 177 لطراز S2 الذي يخلِفه، رغم أنه يحمل معاملات أكثر بكثير. وهذا رقم مورّد، وليس معيارًا مُتحقَّقًا منه، وسيتغيّر بتغيّر حجم الدفعات وطول التسلسل — لكن الاتجاه متسق مع بنية متفرقة تفعل ما يُفترض أن تفعله البنى المتفرقة.

لم تتغير واجهة API عن نقطة نهاية S2.1 Pro. تُرسَل الطلبات إلى POST https://api.fish.audio/v1/tts، وأي طلب يحذف حقل model أو يذكر اسمًا لا تتعرف عليه الخدمة يتراجع إلى s2.1-pro بدلًا من إظهار خطأ. هذا التراجع مريح ويستحق معرفته، لأنه يعني أن خطأً مطبعيًا في اسم model يُنتج صوتًا يبدو معقولًا بصوت خاطئ بدلًا من خطأ 400.

التحكم الإخراجي، والحوار في تمريرة واحدة، وإصلاح الكلمة الواحدة

ثلاث قدرات تفصل هذا الإصدار عن الجيل السابق، وكلها موجّهة إلى العمل الإنتاجي المكتوب بدلًا من المحادثة الحية.

• التوجيه باللغة الطبيعية. فبدلًا من مفردات وسوم ثابتة، يقبل النموذج تعليمات بوصف عادي مثل [متوتر، وبالكاد متماسك] أو [دافئ ومسترخٍ، كأنك تتحدث إلى صديق قديم]، ويمكنه تغيير العاطفة أو الإلقاء في منتصف الجملة دون توليد تسجيل جديد. الوسوم المضمّنة المزدوجة مثل <whisper>…</whisper> والإشارات مثل [sigh] لا تنطبق إلا على النص الذي تغلّفه، لذا يمكن للسطر أن يغيّر سجله الصوتي في منتصفه بحكم التصميم لا بالحظ.

• حوار متعدد المتحدثين في تمريرة واحدة. تحتفظ كل شخصية بصوتها الخاص داخل عملية توليد واحدة، ما يزيل خطوة اللصق التي تقع عادةً بين نموذج تحويل النص إلى كلام ومشهد مكتمل. وبالنسبة إلى الدراما الصوتية وحوارات الألعاب، فإن هذا هو الفرق بين خط إنتاجي ومشروع بحثي.

• ترميم الصوت. يمكن إعادة تحديد مقطع، وإعطاؤه تعليمات جديدة، وإعادة توليده بمفرده، وهذا هو الحل في سير العمل للكلمة الواحدة المساء نطقها التي كانت تكلف سابقًا إعادة توليد كاملة. تُدرج Fish Audio تجربة التحرير التفاعلية وأداة الترميم وواجهة برمجة تطبيقات للتحرير ضمن الدعوات فقط أو قريبًا، لذا فإن الإمكانية موجودة لكن الواجهة ليست مفتوحة للعموم بعد.

تدّعي Fish Audio أيضًا دعمها 83 لغة مع اتساق لغوي عبر نصوص طويلة والتبديل في منتصف المشهد، وتحكمًا في النطق على مستوى الفونيمات في الإنجليزية والصينية واليابانية والكورية وعدة لغات أخرى، واستنساخًا صوتيًا بنمط S2 من مقاطع مرجعية تتراوح مدتها بين 10 و30 ثانية تقريبًا. استخدم العرض التوضيحي للإطلاق استنساخًا لصوت Uncle Roger تقول الشركة إنه أُنشئ واستُخدم بإذن.

الادعاء المتعلق بالنطق، ومن أين مصدره

يذكر إعلان Fish Audio أن Drama 3 Preview تحقق 93.2% إجمالًا في لوحة الصدارة الخاصة بـ Artificial Analysis Pronunciation Robustness وتحتل المرتبة الأولى فيها، متقدمة على ElevenLabs Eleven v4 وEleven v4 Turbo. أما الدرجات الفرعية التي تنشرها فهي 95.9% في الأسماء والعلامات التجارية والمصطلحات التقنية مقابل 87.3% لـ Fish Audio S2.1 Pro؛ و95.3% في الكلمات المعتمدة على السياق مقابل 86.1%؛ و93.6% في الأرقام والتواريخ والوحدات مقابل 92.7%؛ و86.3% في الأكواد والمسارات وعناوين البريد الإلكتروني مقابل 79.4%.

تأتي تلك الأرقام من إعلان Fish Audio نفسه. عندما ذهبت للبحث عن لوحة الصدارة لقراءة الدرجات الخاصة بكل نموذج مباشرةً، أعادت مسارات متانة النطق أخطاء 404، كما أن واجهة لوحة الصدارة التي تمكنت من تحميلها عرضت ترتيب Elo دون أن يُرفق بها رقم نطق قابل للاستشهاد خاص بكل نموذج. لذا فإن كل رقم في الفقرة أعلاه مُبلَّغ عنه من المورّد وينبغي وسمه بهذه الصفة في أي عرض تقديمي يستخدمه. أرقام Elo في مواضع أخرى من هذا المقال مختلفة: فقد قرأتها مباشرة من لوحة الصدارة، وهي تحمل فترات الثقة الخاصة باللوحة نفسها.

الشكوى الأساسية التي يعالجها الادعاء حقيقية بغض النظر عن الرقم الذي تثق به. نطق أسماء الأعلام ورموز المنتجات ومسارات الملفات هو نمط الفشل الذي يدفع الفرق إلى العودة إلى المواهب الصوتية البشرية، وهو الأمر الذي كان أبطأ بائعي TTS في إصلاحه لأنه ليس مشكلة تنغيم. نموذج يتعامل مع 86.3% من الرموز والمسارات ورسائل البريد الإلكتروني مقابل 79.4% لسلفه لا يزال يخطئ نحو مرة واحدة من كل سبع.

ما الذي تعنيه "الأوزان المفتوحة" بموجب هذا الترخيص؟

يُطرح Fish Audio Drama 3 Preview بموجب Fish Audio Community License v1.0. اقرأ الشروط قبل أن تبني خططك عليها. الترخيص مجاني للاستخدام البحثي وغير التجاري، وهو مجاني للاستخدام التجاري إذا بقيت أنت والجهات التابعة لك تحت 500,000 دولار أمريكي من الإيرادات السنوية. فوق هذا الحد — أو إذا أردت تقديم النموذج كخدمة تحويل النص إلى كلام، أو استنساخ صوت، أو استدلال، بغض النظر عن الحجم — فأنت بحاجة إلى ترخيص من Fish Audio. يبقى خط S2 خاضعًا لترخيص بحثي منفصل. يُحظر تمامًا استنساخ صوت شخص حقيقي دون موافقة.

يُدعَم حدّ الاستخدام التجاري بشكل مستقل: تُصنّف لوحة Artificial Analysis هذا الإدخال ضمن الأوزان المفتوحة من دون حقوق استخدام تجاري، وهو ما يتوافق مع ترخيص مشروط بعتبة إيرادات لا مع ترخيص غير مقيّد. إن كنت استوديو صغيرًا، فإن الأوزان المفتوحة بموجب هذا الترخيص خيار حقيقي. وإن كنت منصة تعيد بيع الاستدلال، فهي ليست أوزانًا مفتوحة بالمعنى الذي كنت تأمله.

التسعير وعرض الإطلاق

سعر قائمة واجهة API هو 50 دولارًا لكل مليون حرف، مع خصم بنسبة 80% ليصبح 10 دولارات لكل مليون حرف من 13 أكتوبر حتى 12 نوفمبر 2026. وتطابق أرصدة المنشئين S2.1 Pro، كما تأتي خطط Plus وPro وMax الجديدة بنصف السعر خلال الفترة نفسها. وتسجّل Artificial Analysis سعر اللوحة بـ 15.00 دولارًا لكل مليون حرف في الإعدادات الافتراضية، وهو الرقم الذي ينبغي استخدامه عند المقارنة مع الإدخالات الأخرى على تلك اللوحة وليس مع قائمة أسعار Fish Audio الخاصة.

النافذة الترويجية هي الجزء الذي يحمل موعدًا نهائيًا حقيقيًا. بسعر 10 دولارات لكل مليون حرف، يأتي Drama 3 Preview بأقل من كل نموذج منافس تقريبًا على لوحة الصدارة بفارق كبير. وعند 50 دولارًا، يصبح أكثر تكلفة من Cartesia Sonic 3.6 عند 49 دولارًا، وأعلى بكثير من Qwen-Audio-3.0-TTS-Plus عند 19.30 دولارًا. أي شخص يبني نموذج تكلفة على السعر المخفّض ينبغي أن يبني نموذجًا ثانيًا على السعر المعلن ويتحقق من أن المشروع ما زال مجديًا.

أين يندرج هذا ضمن منظومة الإنتاج

الصوت المكتوب نصيًا والمُنتَج مرة واحدة هو نقطة التوازن المثالية: الكتب الصوتية، والدراما الصوتية، وحوارات الألعاب والرسوم المتحركة، والفيديو القصير. إن التوليد متعدد المتحدثين بتمريرة واحدة وسير عمل الملء الداخلي موجودان لخدمة هذا النوع من العمل، والتسعير لكل حرف وليس لكل دقيقة، مما يفضّل النصوص الطويلة. التحرير التفاعلي وواجهة برمجة تطبيقات التحرير ليسا متاحين عمومًا بعد، لذا فإن سير عمل يعتمد عليهما هو سير عمل يعتمد على دعوة.

السؤال التشغيلي بعد ذلك هو التوجيه، وهو أصعب بالنسبة للكلام منه للنص. Fish Audio Drama 3 Preview ليس واحدًا من النماذج على OrcaRouter اليوم. يُتوصل إليه عبر واجهة برمجة التطبيقات الخاصة بالبائع وعدة منصات طرف ثالث. وينطبق الشيء نفسه على معظم النماذج المقارنة أعلاه — فالعشرة الأوائل في لوحة صدارة الكلام هي مجموعة من نقاط النهاية الخاصة بكل بائع مع مصادقة خاصة بكل بائع، وكل واحد منها يمثل تكاملًا خاصًا به ونطاق تعطل خاصًا به. لدى OrcaRouter ~200 نموذجًا خلف مفتاح واحد بسعر قائمة المزود دون أي هامش ربحتغطي العمل النصي والرؤيوي والاستدلالي، ويتواجد تجاوز الفشل التلقائي الخاص به تحديدًا للحالة التي تتدهور فيها نقطة نهاية أحد المزودين في منتصف التشغيل. النمط العملي لمسار إنتاج الكلام هو الإبقاء على بائع الكلام مباشرًا والإبقاء على كل ما ينسقه — التلخيص، وتمريرة الترجمة، وباني قاموس النطق، ومصنف ضمان الجودة — خلف نقطة نهاية واحدة موجهة، بحيث لا يؤدي تجاوز الفشل هناك إلى أخذ خط أنابيب العرض معه.

المحصلة النهائية

Fish Audio Drama 3 Preview هو نتيجة حقيقية وليس نتاج أسبوع الإطلاق: المرتبة 10 في Provider Voice Arena بتصنيف إيلو 1,243، الأول بين المشاركات الـ17 مفتوحة الأوزان في اللوحة، بسعر 15.00 دولارًا لكل مليون حرف مقابل 34 دولارًا للنموذج التالي مفتوح الأوزان في الترتيب. لا تزال الفجوات إلى قمة اللوحة كبيرة، وتتداخل فترات الثقة مع أقرب جيرانه، لذا فإن تاج مفتوحة الأوزان هو نقطة انطلاق، وليس صدارة. رقم النطق البالغ 93.2% هو رقم البائع نفسه ولم يكن من الممكن قراءته بشكل مستقل من اللوحة. تحتوي الرخصة على سقف إيرادات قدره 500,000 دولار أمريكي للاستخدام التجاري، مما سيستبعده تمامًا لبعض الفرق. وينتهي سعر 10 دولارات في 12 نوفمبر 2026.

بالنسبة لاستوديو ينتج صوتًا مُنصّصًا بكميات كبيرة، فإن الجمع بين التوليد متعدد المتحدثين بتمريرة واحدة، وترميم الكلمة الواحدة، وترخيص مفتوح الأوزان ضمن حد الإيرادات، هو أقوى حجة هنا — أقوى من مرتبة لوحة الصدارة التي ستتصدر العناوين.

خيارات النماذج مثل هذه هي أيضًا حيث تظهر أنماط الفشل: الحوادث الموثقة للذكاء الاصطناعي وإخفاقات الوكلاء الكامنة وراء النماذج في هذه الفئة يتم جمعها في OrcaRouter AI Incident Archive، حيث يحمل كل مدخل مصادره الخاصة ودرجة الخطورة ودرجة الثقة وعلامة النزاع.