Fish Audio Drama 3 مقابل Eleven v4: أحد النموذجين يفوز بتصويت التفضيل، والآخر يفوز بالكلمات

تختلف ElevenLabs Eleven v4 وFish Audio Drama 3 حول الغرض الذي يخدمه تقييم تحويل النص إلى كلام. على Provider Voice Arena التابعة لـ Artificial Analysis، يحتل Eleven v4 المركز الثاني بتصنيف Elo قدره 1,334، ويحل Drama 3 في المركز السادس بتصنيف 1,278؛ وفي Controlled Voice Arena، حيث يُقيَّمان مقابل الأصوات المرجعية نفسها، يكون Eleven v4 في المركز الرابع بـ1,156 وDrama 3 في المركز الثاني عشر بـ1,085. هذه فجوات قدرها 56 و71 نقطة، وكلتاهما بعيدتان بوضوح عن الضوضاء، وكلتاهما تقولان الشيء نفسه: المستمعون يفضلون Eleven v4. ثم يطلب المختبر نفسه من مراجعين بشريين تحديد ما إذا كانت كل كلمة صعبة في جملة قد نُطِقت فعلاً بشكل صحيح، فيسجل Drama 3 نسبة 93.2% مقابل 91.7% لـ Eleven v4، إذ يقع الاثنان في طرفين متقابلين من الفئة التي تحدد ما إذا كان اسم علامة تجارية أو رقم أو رمز قطعة يخرج سليمًا. فجوة التفضيل حقيقية وكذلك فجوة النطق، ولا يوجد رقم واحد يوفّق بينهما.

الفجوة التي لا تُغلق، والفجوة التي تُغلق

ابدأ بما لم يخسره Eleven v4. فقد أصبح متاحًا للعموم في 2026-09-28، بعد أربعة أسابيع من إطلاق نموذج Fish Audio، وقد ظل يحتل المركزين الأولين في فئة أصوات المزوّدين عبر كل تحديث للوحة منذ ذلك الحين. والفارق الحالي أمام Drama 3 هو 56 نقطة إيلو في أصوات المزوّدين و71 في الأصوات المضبوطة — ولوحة الأصوات المضبوطة هي الاختبار الأصعب، لأنها تُزيل كتالوج الأصوات الخاص بكل بائع من المقارنة. وأيًا كان ما يعنيه تصدّر Drama 3 بين نماذج الأوزان المفتوحة، فهو لا يعني أن Drama 3 يبدو أفضل من Eleven v4 للمستمع الأعمى، وأي مقارنة تُوحي بخلاف ذلك إنما تروّج لأمر ما.

ما يوفره Drama 3 هو تفصيل حسب كل فئة على اختبار متانة النطق الإنجليزي الخاص بـ Artificial Analysis، حيث يُقيَّم 31 نموذجًا وتكون الصدارة مشتركة:

• بشكل عام — Drama 3 93.2%، بالمركز الأول مناصفةً مع Ming-3.0-tts؛ Eleven v4 91.7%؛ Eleven v4 Turbo 90.1%.

• المصطلحات المستقلة (العلامات التجارية، الأماكن، الأسماء التقنية) — Drama 3 بنسبة 95.9%، في المركز الأول على اللوحة؛ Eleven v4 أسفله.

• توسيع الاختصارات (الأرقام والتواريخ والوحدات والرموز) — Eleven v4 94.1%، الأول؛ Drama 3 93.6%، الثاني.

• الحفاظ على التسلسلات الدقيقة (الرموز، المسارات، رسائل البريد الإلكتروني) — Drama 3 86.3%، في المركز الثاني على لوحة النتائج خلف Ming-3.0-tts عند 90.6%؛ Eleven v4 78.8%، وهي أضعف فئة لديه بفارق كبير.

• مناسب من حيث السياق — Drama 3 بنسبة 95.3%؛ Google Gemini 3.8 Flash TTS يتصدر القائمة بأكملها بنسبة 98.0%.

النمط قابل للاستخدام. إذا كان نصّك في الغالب نثرًا مع عدد قليل من الأرقام، فإن تعامل Eleven v4 مع الاختصارات هو الأفضل، والفرق الإجمالي أقل من نقطتين. وإذا كان نصّك يحتوي على رموز SKUs، أو أرقام حالات، أو عناوين URL، أو رموز أجزاء، أو عناوين بريد إلكتروني تُقرأ بصوت عالٍ، فإن Eleven v4 هو أضعف نموذج في المجموعة الأولى في تلك الفئة تحديدًا — 78.8% تعني أن نحو واحد من كل خمسة تسلسلات دقيقة يعود خطأً — وDrama 3 عند 86.3% لا يزال غير مثالي، لكنه الفرق بين وكيل دعم يقرأ رقم تذكرة مرة واحدة وآخر يقرأه مرتين.

صيغتان نحويتان للاتجاه نفسه

يتيح لك كلا النموذجين كتابة الأداء داخل السكربت، والتراميز متقاربة بما يكفي ليتمكن فريق من نقل سكربت خلال فترة بعد الظهر — وهو ما يجعل الفروق المتبقية جديرة بالمعرفة.

تستخدم ElevenLabs وسومًا صوتية مضمّنة — مثل [laughs] و[whispers] و[sighs] و[said angrily in French accent] وحتى [light rain] — تُدرَج في النص حيث ينبغي أن يتغيّر الأداء. وتوثّق الشركة الوسوم الصوتية الخاصة بـ Eleven v4 Turbo، ويتبع Eleven v4 الصيغة نفسها؛ وقد أصبح كلاهما متاحًا بشكل عام في 2026-09-28. ويحدّ Eleven v4 من الإدخال عند 10,000 حرف لكل طلب، أي نحو عشر دقائق من الصوت، لذا يجب تقطيع النص الطويل عند حدود الجمل ثم وصله، لتصبح مسألة منطق الوصل مسؤوليتك. وتُدعم الحوارات متعددة المتحدثين، ويذكر المنتج الشقيق منخفض الكمون وسيط زمن استدلال يبلغ نحو 100 مللي ثانية، باستثناء حِمل التطبيق والشبكة الإضافي.

إنّ نظام الترميز في Fish Audio هو اصطلاح أقواس مع طبقة وسوم مقترنة فوقه، موثّق في صفحات Drama 3 الخاصة به:

• التوجيهات الموضوعة بين قوسين قبل الكلمات التي تحكمها — [بالكاد يتماسك، متكلّفًا ابتسامة] — مكتوبة بالطريقة التي يوجّه بها المخرج ممثل صوت.

• الأصوات والتوقفات داخل الأقواس نفسها — [نَفَس مرتجف]، [ضحكة خفيفة] — تُوضع تمامًا حيث تحدث.

• وسوم مزدوجة تغيّر فقط الكلمات المحاطة بها: همس، تشديد، ناعم، سريع، بطيء، نبر، قوي. لا يوجد تحكم مكافئ لكل كلمة على حدة موثّق من جانب ElevenLabs.

• توجيهات مكتوبة بأي لغة، بمعزل عن لغة النص. ويُوثّق قوس توجيه بالصينية أمام سطر بالإنجليزية ويُعرض توضيحيًا لذلك. هذه هي القدرة التي سأختبرها أولًا، لأنها التي تغيّر من يمكنه تشغيل الأداة: فالمخرج الذي لا يكتب الإنجليزية يظل قادرًا على إخراج عرض بالإنجليزية.

• تثبيت الفونيمات لكل لغة، مع مسارات موثّقة للبينيين والروماجي للصينية واليابانية، إضافةً إلى وسم تبديل اللغة الذي يحوّل عبارة واحدة إلى لغة أخرى في منتصف السطر — موسوم كتجريبي في التوثيق.

• متعدد المتحدثين في طلب واحد: معرّف صوت واحد لكل متحدث داخل مصفوفة reference_id، مع بدء كل دور بوسم متحدث مثل <|speaker:0|>، بحيث تعمل التوجيهات والوسوم المقترنة داخل كل دور.

تختلف واجهات التحكم اختلافًا نوعيًا حقيقيًا، وليس في التهجئة فقط. يمنحك ElevenLabs مفردات من الوسوم مضبوطة على المشاعر والإلقاء. أما Fish Audio فيمنحك المشاعر، إضافة إلى التثبيت النطقي، وتبديل اللغة، وتحديد النطاق على مستوى الكلمة الواحدة، وهو أقرب إلى أداة إتقان صوتي (mastering) منه إلى أداة أداء. ولأعمال الكتب الصوتية والدبلجة، تكون المجموعة الثانية هي الأكثر فائدة. أما النصوص التسويقية الحوارية أو التعبيرية، فإن وسوم Eleven تُقرأ على نحو أكثر طبيعية، وتتوافق درجات التفضيل مع ذلك.

المال، على نص برمجي لديك بالفعل

المقارنات بالساعة بين هذين غير موثوقة، لأن البائعين يفوترون بوحدات مختلفة ويشيرون إلى معدلات نطق مختلفة. قم بإجراء الحسابات على نص ثابت بدلًا من ذلك. يذكر Eleven v4 بسعر 80.00 دولارًا لكل مليون حرف، لذا فإن نصًا من 100,000 حرف يكلف 8.00 دولارات. ويذكر Drama 3 بسعر 50.00 دولارًا لكل مليون بايت UTF-8، والإنجليزية تقترب من بايت واحد لكل حرف، لذا يكلف النص نفسه 5.00 دولارات — و1.00 دولار أثناء عرض الإطلاق، الذي يمتد حتى 2026-11-12 09:00 PT بسعر 10.00 دولارات لكل مليون بايت.

هذه هي الصورة الصادقة لفرق السعر: Drama 3 أرخص بنسبة 37% لكل حرف إنجليزي بسعر القائمة، وأرخص بنسبة 87% أثناء العرض الترويجي، وليس بنسبة 60% التي قد توحي بها مقارنة ساذجة بين $80 و$50 على أساس الأحرف مقابل الأحرف إذا نسيت الوحدات. وهناك تفصيلان إضافيان ينبغي إدراجهما في الميزانية لا في الحاشية. فالتوجيهات بين الأقواس تُحتسب ضمن النص المُدخل وتُفوتر على كلتا المنصتين، لذا يكلف النص كثير التوجيهات 10-25% أكثر مما يقتضيه عدد كلماته. وفي Fish Audio، لا يفشل الطلب الذي تكون ترويسة النموذج فيه مفقودة أو مكتوبة خطأً — بل يعود افتراضيًا إلى s2.1-pro، الذي يُحتسب أثناء العرض الترويجي بسعر $15.00 لكل مليون بايت بدلًا من $10.00. وخطأ إملائي في الترويسة زيادة صامتة في السعر بنسبة 50%.

نموذج تكلفة ElevenLabs مختلف جوهريًا: تتضمن باقات الاشتراك استنساخ الصوت، ويبدأ الاستنساخ الفوري للصوت من خطة Starter بسعر 6 دولارات، مع استنساخ احترافي من فئة Creator بسعر 22 دولارًا. وتبيع Fish Audio الاستنساخ عبر نظام الرصيد نفسه المستخدم في التوليد، ويستخدم Drama 3 الرصيد نفسه الذي يستخدمه S2.1 Pro. وإذا كان الاستنساخ محور سير عملك بدلًا من مجرد ميزة تستخدمها مرتين، فإن المقارنة هنا مقارنة بين خطط، لا مقارنة لكل حرف.

الترخيص، والبند غير القابل للتفاوض من أي من الطرفين

لن يسمح لك أيّ من المورّدين باستنساخ شخص دون موافقة، وكلاهما يقول ذلك صراحةً. الفرق هو ما يحدث للنموذج نفسه. Eleven v4 واجهة برمجة تطبيقات مغلقة: تُرخّص لك المخرجات لا الأوزان، والقيود العملية هي بطاقة الأسعار. ينشر Drama 3 الأوزان على Hugging Face باسم fishaudio/drama-3 بموجب Fish Audio Community License v1.0 — مجاني للبحث والاستخدام غير التجاري، ومجاني للاستخدام التجاري إذا كانت إيراداتك السنوية وإيرادات الشركات التابعة لك أقل من US$500,000، ويتطلب ترخيصًا منفصلًا فوق هذا الحد أو إذا كنت ترغب في تقديم Drama 3 نفسه كخدمة مستضافة. تصنّفه Artificial Analysis على أنه أوزان مفتوحة دون حقوق استخدام تجاري كاملة، وهذا وصف دقيق.

هذا يعمل في الاتجاهين عند المقارنة. فلا يمكنك أن تخرج من سعر ElevenLabs عبر الاستضافة الذاتية، ولا يمكنك أن تصبح بصمت مزوّد TTS يعتمد على أوزان Fish Audio. لكن يمكنك، اليوم، وضع Drama 3 على بطاقة بسعة 48 GB والتوليد بتكلفة هامشية مقدارها تكلفة الكهرباء — وهي محادثة مشتريات مختلفة عن 8.00 دولارات لكل 100,000 حرف، وهي التي تحسم أعمال الكتالوج طويلة الأمد.

أيّ واحد أضعه أمام الراوتر؟

لا يُعدّ Fish Audio Drama 3 ولا ElevenLabs Eleven v4 من النماذج المتاحة على OrcaRouter. فالوصول إلى Drama 3 يتم عبر واجهة Fish Audio الخاصة ومن عدة منصات تابعة لجهات خارجية؛ أما Eleven v4 فعبر واجهة ElevenLabs. وما يقف أمام كليهما، في الترتيب الذي يوصي به هذا المقال باستمرار، هو طبقة التوجيه — مفتاح واحد عبر ~200 نموذج بسعر قائمة المزوّد دون أي هامش ربح، مع تجاوز فشل تلقائي، ولغة توجيه DSL يمكنها أن تحمل صوتين خلف نقطة استدعاء واحدة.

السبب المهم في هذه المقارنة المحددة هو أن الإجابة الصحيحة هي "كليهما، لجمل مختلفة". يريد خط إنتاج الدراما استخدام Drama 3 في الأسطر التي تحمل أسماء علم وأكوادًا، وقد يظل يريد Eleven v4 في المقاطع التي يحكم فيها المستمعون على الصوت نفسه. دمج النماذج ولغة التوجيه DSL يتيحان لخط المعالجة التعامل مع ذلك كواجهة واحدة ذات اختيار لكل مقطع، بدلًا من تكاملين وجدولي أسعار ومجموعتين من سلوك إعادة المحاولة. وعندما يعدّل أحد المورّدين سعرًا، تعني آلية التمرير أن التغيير يصل إلى جانبك في اليوم نفسه بدلًا من موعد تجديد العقد التالي — وهو ما يهم هنا أكثر من المعتاد، لأن سعر Fish Audio الترويجي ينتهي في 2026-11-12 وتتغير المقارنة الفعلية بين ليلة وضحاها.

لمن يقرأ ويحتاج إلى قرار واحد فقط: Eleven v4 إذا كان الحكم على المُخرَج من حيث كيف يبدو صوتًا وكان السيناريو مكتوبًا بنثر عادي؛ وDrama 3 إذا كان لا بد أن يكون المُخرَج صحيحًا في الأسماء والأرقام والرموز، أو إذا كان العمل طويلًا وحساسًا للسعر، أو إذا كنت تريد الأوزان، أو إذا كان من يكتب التوجيه لا يكتب بالإنجليزية. تقول الساحة إن Eleven يبدو أفضل. ويقول لوح النطق إن Drama ينطقها أفضل. وكلاهما من مجموعة الاختبار نفسها، والسؤال المفيد هو أي هذين الفشلين يعاني منه إنتاجك فعًا.