Fish Audio Drama 3 مقابل Gemini 3.8 Flash TTS: Google أصبح الخيار الرخيص الآن، وهذا يقلب الحجة المعتادة

إذا سعّرت هذين النموذجين لكل دقيقة من الصوت النهائي، توقفت المقارنة عن resemblance تلك التي يجريها السوق طوال العام. تتقاضى Google Gemini 3.8 Flash TTS مبلغ $9.00 لكل مليون رمز صوتي، ويُولَّد الصوت بمعدل 25 رمزًا في الثانية — أي ما يزيد قليلًا على 0.02 سنت لكل ثانية، وهو نحو $0.81 لكل ساعة من الكلام. ويُسعَّر Fish Audio Drama 3 بـ$50.00 لكل مليون بايت UTF-8، وهو ما تعادله وثائق المورّد نفسها بنحو اثنتي عشرة ساعة من الكلام: نحو $4.17 لكل ساعة بالسعر المدرج، و$0.83 لكل ساعة خلال عرض الإطلاق الذي ينتهي في 2026-11-12. وهكذا يصبح نموذج الكلام الرائد من Google أرخص بخمسة أضعاف من المنافس مفتوح الأوزان بعد انتهاء الخصم، وبالسعر نفسه تقريبًا ما دام العرض ساريًا. الصياغة المعتادة — نموذج مفتوح رشيق يبيع بأقل من شركة حوسبة سحابية عملاقة — معكوسة تمامًا هنا، وفهم السبب هو جوهر القرار كله.

الحساب، بتفصيل كافٍ للتحقق منه

وحدة Google هي الرموز (tokens) وليست الأحرف، وهذا سبب أن الأرقام الرئيسية بدت غير لافتة مقارنةً بالبائعين الذين يسعّرون النص بحسب الحرف. ينتج Gemini 3.8 Flash TTS صوتًا بمعدل 25 رمزًا لكل ثانية من الكلام مقابل 9.00 دولارات لكل مليون رمز حتى نهاية 2026، وكان النموذج الذي يحل محله — Gemini 3.1 Flash TTS Preview — مسعّرًا عند 20.00 دولارًا مقابل المليون نفسه من رموز الإخراج. ويأتي Gemini 3.8 Flash-Lite TTS، الذي صدر إلى جانبه في 2026-09-23، بقائمة لغات أقصر وسعر أقل مرة أخرى، ويسجله Artificial Analysis عند 11.00 دولارًا لكل مليون حرف لأغراض المقارنة.

وحدة Fish Audio هي البايت، لا الأحرف، وتوضح وثائقها التحويل بوضوح: مليون بايت UTF-8 يساوي تقريبًا 180,000 كلمة إنجليزية، أو نحو اثنتي عشرة ساعة من الكلام. وبسعر 50.00 دولارًا لكل مليون بايت، يكون ذلك 4.17 دولارات لكل ساعة قبل أي تكاليف إضافية. وبالسعر الترويجي 10.00 دولارات، يكون 0.83 دولارًا. تُحتسب أقواس التوجيه كنص إدخال، لذا فإن السيناريو المليء بالتوجيهات يكلّف أكثر بنسبة 10-25% مما يوحي به عدد كلماته — وفي هذه المواجهة يُحتسب كل قوس، لأن تصميم Drama 3 بالكامل يقوم على أن تكتب الأداء داخل السيناريو.

• سعر القائمة، لكل ساعة من الكلام — Gemini 3.8 Flash TTS حوالي 0.81 دولار؛ Drama 3 حوالي 4.17 دولار.

• سعر ترويجي، لكل ساعة — Gemini 3.8 Flash TTS بنحو $0.81؛ Drama 3 بنحو $0.83. تعادل فعلي.

• الوحدة — عدد الرموز (tokens) في الثانية من المخرجات على جانب Google؛ وبايتات UTF-8 من الإدخال على جانب Fish Audio. كلتاهما وحدتان صادقتان. لكنهما ليستا الوحدة نفسها، وأي مقارنة "لكل مليون X" تخلط بينهما دون تحويل ليست سوى ضوضاء.

• البند الخفي — طلب Drama 3 الذي تكون ترويسة النموذج الخاص به مفقودة أو مكتوبة خطأً لا يفشل، بل يتراجع إلى s2.1-pro ويُحتسب بسعر $15.00 لكل مليون بايت، أي بزيادة 50% على السعر الترويجي مقابل خطأ إملائي.

ما الذي يشتريه سعر Google فعلاً

أن تكون أرخص لكل ساعة ليس أمرًا مثيرًا للاهتمام إلا إذا كان الناتج قابلًا للاستخدام، والأرقام المستقلة تقول إنه كذلك، وذلك بشكل محدد. يضع Artificial Analysis نموذج Google Gemini 3.8 Flash TTS في المركز الخامس على Provider Voice Arena بتصنيف Elo قدره 1,283 وبسعر مسجل على لوحة النتائج قدره 16.50 دولارًا — متقدمًا على Fish Audio Drama 3 البالغ 1,278 — وفي المركز الرابع والعشرين على Controlled Voice Arena عند 1,053، متأخرًا عن Drama 3 البالغ 1,085. هذا الانقسام يلخص النموذج في سطر واحد: يبدو ممتازًا عندما تكون أصوات Google الخاصة قيد الاستخدام، ويهبط إلى منتصف لوحة النتائج عندما تُقيّم كل النماذج على الأصوات المرجعية نفسها.

لوحة النطق تحكي قصة ضيقة مماثلة. يتصدّر Gemini 3.8 Flash TTS جميع النماذج الـ31 المُقيَّمة في فئة الملاءمة السياقية بنسبة 98.0%، ويأتي Drama 3 بنسبة 95.3%. وهذا ليس نقطة ضعف النموذج. إن نقطة ضعف Google في هذه المقارنة هي التحكم: إذ توفّر Gemini 30 صوتًا استوديو مسبق الإنشاء — من بينها Kore وPuck — مع مجموعة اللغات الكاملة البالغة 130 لغة والكشف التلقائي عن اللغة، ومكتبة أصوات تصفها الوثائق بأنها "مئات" في Extended Voice Library بينما تقول صفحة التسويق إنها أكثر من 2000. ولم يسبق أن جرى التوفيق بين هذه الأرقام من الخارج، وإذا كان صوت معيّن أساسيًا لمنتجك، فإن اختبار ذلك الصوت هو الإجابة الوحيدة التي يمكن لأي شخص أن يقدّمها لك بصدق.

ثلاثون صوتًا صالحًا للاستخدام دون استنساخ كافية لروبوت دعم، أو لراوٍ لمنتج، أو لتطبيق لتعلم اللغات. لكنها ليست كافية لخط إنتاج درامي، أو للعبة تضم اثنتي عشرة شخصية تحتاج إلى توزيع أدوار صوتية، أو لأي عمل لعميل يكون الصوت فيه هو المُخرَج النهائي. تلك هي الفجوة التي تملؤها Fish Audio، وهي فجوة في النوع لا في الدرجة.

ما الذي تمنحه الأوزان المفتوحة، وما الذي يكلفك تشغيلها

‏Fish Audio Drama 3 هو نموذج خليط خبراء بـ35 مليار معامل، مع نحو 3 مليارات معامل نشط لكل رمز، تمت تهيئته انطلاقًا من Qwen3.5-35B-A3B؛ ويتضمن 8 من أصل 256 خبيرًا موجّهًا إضافة إلى خبير مشترك واحد، وأربعين طبقة ضمن كتل من ثلاث طبقات Gated DeltaNet وطبقة انتباه كامل ذات بوابة واحدة. نُشرت الأوزان على Hugging Face باسم fishaudio/drama-3 — بنحو 40 غيغابايت عبر مجموعة من الشاردات بالإضافة إلى ملف كوديك منفصل — ويحتاج استدلال FP8 إلى نحو 48 غيغابايت من VRAM دون مسار موثّق عبر CPU أو ROCm. تتم الخدمة عبر SGLang-Omni، وتفيد الشركة المصنعة بـ271 إطارًا في الثانية على بطاقة H200 واحدة مقابل 177 بالنسبة إلى S2.

بند العتاد هذا هو المقايضة الحقيقية. سعر Google البالغ 0.81 دولار في الساعة لا يتضمن أي نفقات رأسمالية ولا أي تشغيل؛ وتكلفتك الثابتة الوحيدة هي الطلب. أما سعر Drama 3 الترويجي البالغ 0.83 دولار في الساعة فهو سعر API، وتشغيله بنفسك يحوّل ذلك إلى وحدة معالجة رسومات بسعة 48 GB، وحزمة خدمة، وشخص يتولى مسؤوليتها. بالنسبة لكتالوج من أربعين ساعة صوتية شهريًا، فإن API أرخص بوضوح. أما لبضعة آلاف من الساعات، أو لأي شيء يجب أن يعمل دون وجود طرف ثالث في المسار، فإن الأوزان تغيّر الحجة بالكامل — وهي الشيء الوحيد الذي لا تبيعه Google بأي سعر.

الترخيص يهم هنا أيضًا، لأنه هو ما يفصل بين «الأوزان المفتوحة» و«المجاني». نُشر Drama 3 بموجب ترخيص Fish Audio Community License v1.0: مجاني للبحث والاستخدام غير التجاري، ومجاني تجاريًا عندما تقل إيراداتك السنوية وإيرادات الشركات التابعة لك عن 500,000 دولار أمريكي، مع الحاجة إلى ترخيص منفصل فوق ذلك الحد أو لتقديم Drama 3 نفسه كخدمة استضافة كلام أو استنساخ صوتي. تصنّفه Artificial Analysis على أنه أوزان مفتوحة دون حقوق استخدام تجاري كاملة. أما شروط Google فهي شروط API العادية، وهي مجموعة مختلفة من الأسئلة — تتعلق بمعالجة البيانات بدلًا من إعادة التوزيع.

اللغات، ورقمٌ يفعل أقل مما يبدو

تزعم Google دعم 130 لغة مع الكشف التلقائي من النص. أما Fish Audio فتزعم دعم 83 لغة، مع قدرة أغرب بكثير: إذ يمكن كتابة التوجيهات بأي لغة دون أن يلزم أن تطابق لغة النص، وهناك وسم موثّق لتبديل اللغة يحوّل عبارة واحدة إلى لغة أخرى في منتصف السطر — موسوم بأنه تجريبي. هذان منتجان مختلفان. فعدد Google يتعلق بعدد الأسواق التي يمكنك دخولها عبر تكامل واحد. أما عدد Fish Audio فيتعلق بمدى دقة إنتاج سطر واحد، على يد مخرج قد لا يتشارك لغة النص.

لفريق يطلق منتجًا مُحليًا، يتفوق 130 على 83، ويُعدّ الكشف التلقائي توفيرًا تشغيليًا حقيقيًا — فلا توجيه لكل لغة، ولا اختيار صوت لكل لغة. أما لفريق ينتج محتوى بلغة واحدة أو لغتين لجمهور يلاحظ الفروق، فإن 83 ليس قيدًا، والقدرة على التعامل مع الاتجاه بأي لغة هي الأكثر قيمة بين الخاصيتين. ولا ينبغي قراءة أي من الرقمين كموقع في جدول ترتيب؛ فعدد اللغات التي يدّعي نموذج أنه يدعمها لم يرتبط جيدًا يومًا بجودة أدائه في اللغة التي تحتاجها.

أين يقع كل منها في مكدس موجّه

هذه إحدى المقالات القليلة في هذه السلسلة التي لا يكون فيها جانب المزوّد صادقًا تمامًا بما يكفي للتغاضي عن الأمر: فـ OrcaRouter يوجّه نماذج Gemini الصوتية الأقدم من Google — google/gemini-3.1-flash-tts-preview وgoogle/gemini-2.5-flash-preview-tts كلاهما في الكتالوج اليوم — لكن ليس Google Gemini 3.8 Flash TTS، وليس Fish Audio Drama 3. نماذج Gemini TTS الأقدم متاحة من خلالنا بسعر Google المعلن دون أي هامش ربح؛ أما النموذجان اللذان تتناولهما هذه المقالة فعليًا فيُوصَل إليهما عبر واجهات API الخاصة ببائعيهما، وفي حالة Fish Audio عبر منصات طرف ثالث.

النتيجة المفيدة هي أن الجزء الأكبر من فاتورة الكلام لدى Google يمكن أن يقف بالفعل خلف مفتاح واحد، وطبقة التبديل عند الفشل هي ما يجعل إجراء المقارنة رخيص التشغيل: ضع نسخة كنارية من Drama 3 إلى جانب استدعاء Gemini 3.8 Flash TTS، ووجّه مسار الإنتاج إلى أيّهما ينجح في اختبار القبول لديك، وسيعيش اختيار كل مقطع في DSL التوجيه بدلًا من أن يعيش في حزمتي SDK. اندماج النماذج هو الخيار الآخر الذي يطرحه هذا — لوحة تعرض السطر نفسه عبر كليهما وتختار وفق قاعدة تحددها، وهذا يعني بالنسبة للسرد أنك تستطيع الاحتفاظ بنطق Drama 3 في الأسطر التي تحتوي على أكواد وقراءة Google السياقية في النثر.

القرار، بكل وضوح: بالنسبة إلى الإنجليزية بكميات كبيرة دون استنساخ ودون رغبة في البنية التحتية، فإن Gemini 3.8 Flash TTS بسعر $0.81 في الساعة هو النموذج الأرخص والأفضل صوتًا عند استخدام أصوات المزوّدين، وحجة Drama 3 لا تصمد أمام جدول الأسعار. أما أي شيء يحتاج إلى أصوات مخصصة أو أصوات ممثلين، أو توجيه لكل كلمة، أو تحكم في الفونيمات، أو القدرة على العمل دون طرف ثالث، فإن Drama 3 هو الوحيد من بين الاثنين الذي يستطيع إنجاز المهمة على الإطلاق — بسعر القائمة يكلّف خمسة أضعاف سعر Google في الساعة، وأثناء العرض الترويجي يكلّف المبلغ نفسه، مما يجعل الأسبوعين القادمين أرخص نافذة متاحة لأي شخص لمعرفة ما إذا كانت ميزة النطق تستحق أن يُبنى العمل حولها.