Fish Audio Drama 3 مقابل Inworld Realtime TTS-2: أحدهما يقرأ نصًا مكتوبًا، والآخر يتبع محادثة

كلمة "Realtime" في Inworld Realtime TTS-2 هي ادعاء بشأن زمن الاستجابة، وليست وصفًا لما يفعله النموذج. فمنتج Inworld للتحويل من الكلام إلى الكلام الخاص بالمحادثات الحية هو بند منفصل في صفحة التسعير الخاصة به؛ أما Realtime TTS-2 فهو نموذج تحويل نص إلى كلام سريع بما يكفي للاستخدام التفاعلي. وهذا التمييز يصبح مهمًا بمجرد مقارنته بـ Fish Audio Drama 3، المصمم لمهمة معاكسة — نموذج يضم 35 مليار معامل صُمم بالكامل بحيث تكتب التوجيهات المسرحية في النص قبل نطق أي سطر. ضعهما جنبًا إلى جنب على Artificial Analysis وستجد الانقسام واضحًا بشكل غير معتاد: يتصدر Drama 3 قائمة Provider Voice Arena بفارق 11 نقطة، وتتصدر Inworld قائمة Controlled Voice Arena بفارق 61 نقطة. واتجاه هذه الفجوة يقول عن الغرض من كل منهما أكثر مما يقول أي من الرقمين بمفرده.

منتجان لم يستهدفا الشيء نفسه قط

بدأ Inworld Realtime TTS-2 كمعاينة بحثية في 2026-05-05، ثم أصبح متاحًا على نطاق عام في 2026-09-02. لم تكن الرسالة الترويجية عند الإطلاق العام تدور حول الدقة الصوتية، بل حول أن النموذج يأخذ الجولات السابقة من المحادثة، كصوت، ويستدل على النبرة والإيقاع قبل أن يقرر كيف ينبغي أن يبدو السطر التالي. هذه ميزة خاصة بوكلاء المحادثة. روبوت الدعم الذي سمع للتو عميلًا محبطًا لا يحتاج إلى توجيه مسرحي، بل يحتاج إلى استنتاج ذلك مما قيل للتو.

يذهب Fish Audio Drama 3، المنشور في 2026-10-13، في الاتجاه المعاكس. فكل قدرة يعلن عنها تتعلق بتأليف صريح: توجيهات بين قوسين توضع قبل العبارة التي تتحكم بها، وأحداث صوت وتوقف توضع في منتصف السطر، ووسوم مزدوجة لا تغيّر إلا الكلمات المحاطة بها (همس، إبراز، ناعم، سريع، بطيء، تشديد، قوي)، وتثبيت الفونيمات للنطق، ووسم تبديل اللغة لعبارة واحدة، وتوجيهات مكتوبة بلغة مختلفة عن النص، وحوار متعدد المتحدثين في طلب واحد عبر مصفوفة reference_id مع وسوم متحدث لكل دور. لا شيء في تلك القائمة يمكن استنتاجه من السياق. فكلها أشياء يكتبها الكاتب.

التأطير الصادق ليس «أيّهما أفضل» بل «أيّ فشل لا يمكنك تحمّله». خط إنتاج درامي عليه أن يُنتج مشهدًا يضم اثني عشر شخصية مع الحفاظ على الاستمرارية العاطفية لن يصل إلى ذلك باستخدام نموذج مصمّم لاستنتاج النبرة من سجل محادثة. وكيل صوتي عليه أن يرد في أقل من ثانية لن يصل إلى ذلك باستخدام نموذج يتطلب إرشادًا مسرحيًا و48 غيغابايت من VRAM. المنطقة المشتركة التي يكون فيها كلا الخيارين قابلًا للتطبيق فعليًا ضيقة: سرد مكتوب عالي الجودة يُقدَّم عبر API للمحتوى التفاعلي — معاينات الكتب الصوتية، وعبارات NPC الصوتية القصيرة المُعدّة مسبقًا، والتعليق الصوتي التسويقي الذي يجب إعادة توليده وفق جدول زمني.

اللوحات، تُقرأ بالترتيب الصحيح

تمت قراءة كلا الرقمين أدناه من Artificial Analysis بتاريخ 2026-10-29:

• Voice Arena لمزوّدي الخدمة — يحتل Fish Audio Drama 3 المرتبة 6 بواقع 1,278 وبتكلفة مسجّلة على اللوحة قدرها 15.00 دولارًا لكل مليون حرف؛ ويحتل Inworld Realtime TTS-2 المرتبة 8 بواقع 1,267 و20.80 دولارًا. ويأتي Inworld Realtime TTS-2 Flash في المرتبة 19 على اللوحة الخاضعة للتحكم بواقع 1,065.

• ساحة الصوت المُتحكَّم بها — Fish Audio Drama 3 في المرتبة 12 بـ1,085؛ Inworld Realtime TTS-2 في المرتبة 7 بـ1,146. هنا تتقدّم Inworld بفارق 61 نقطة.

• عدم التماثل — يتقلّص تفوّق Drama 3 على المزوّد بمقدار 11 نقطة وينقلب فور إجراء المقارنة على أصوات مرجعية متطابقة بدلًا من كتالوج كل بائع على حدة. وتفوّقها هو إلى حدّ كبير تفوّق ضمن الأصوات التي توفّرها Fish Audio؛ أما Inworld فليس كذلك.

• التباين الآخر — تتوزع مشاركتا Inworld عبر اللوحة، الطراز الرائد عند 1,146 وFlash عند 1,065، بفارق 81 نقطة بين فئتين من العائلة نفسها. ولا توجد لدى Drama 3 فئة أدنى منه؛ فإما أن تحصل على نموذج 35B أو تستخدم شيئًا آخر.

هذا هو النمط المعاكس للوحات نفسها الاثنتين تحت Google Gemini 3.8 Flash TTS، حيث فاز النموذج المغلق في أصوات المزوّد وخسر في المضبوط. لا يُعدّ أيّ من النمطين ضجيجًا؛ فكلاهما تذكير بأن رقمًا واحدًا في الأرينا يصف حزمة تجمع النموذج ومكتبة الأصوات، وأن اللوحة المضبوطة وحدها هي التي تعزل النموذج.

الوعي بالسياق مقابل التوجيه، بشكل ملموس

يصف إعلان GA الخاص بـ Inworld Realtime TTS-2 نموذجًا يقرأ سجل المحادثة — الأدوار السابقة كصوت — ويستخدمه لتشكيل الإيقاع والنبرة. هذا ادعاء من المورّد، وليس قدرة مُقيَّمة بشكل مستقل، وساحات Artificial Analysis لا تختبره؛ بل تختبر أسطرًا مفردة مقابل أصوات مرجعية. لذا فإن الميزة التي تبيعها Inworld فعليًا هي الميزة التي لا يقيسها أي معيار عام حاليًا. تعامل مع الادعاء بوصفه واعدًا وغير مُختبر، واختبره على حوارك الخاص بدلًا من لوحة المتصدرين.

يمكن قياس قدرات التوجيه في Drama 3 بالمعنى الضيق، إذ يمكنك ملاحظة تغيّر الناتج عند تغيير أحد الأقواس، وتوثّق Fish Audio كل واحدة منها بعينة صوتية. والميزة التي لا يضاهيها أي منافس في هذه المقارنة هي التوجيه المستقل عن اللغة: توجيه مكتوب بالصينية أمام سطر بالإنجليزية، موثّق ومُوضّح عمليًا. وبالنسبة لفريق إنتاج ما بعد الإنتاج دولي، فهذه ميزة تمكين تشغيلي وليست من الكماليات، وهي من النوع الذي يظهر في مشروع تجريبي خلال ساعة.

الاختبار العملي لفريق يختار بينهما هو صفحة واحدة من الحوار الخاص بك. أنتجه مع ضبط سياق المحادثة في Inworld كما سيكون في بيئة الإنتاج، وأنتجه باستخدام Drama 3 وتعليمات صريحة. أيّهما ينتج أسطرًا أقل تضطر إلى إصلاحها يدويًا هو الجواب، وسيكون الجواب مختلفًا بالنسبة لوكيل محادثة عنه بالنسبة لمسرحية إذاعية.

الاستنساخ، وزمن الاستجابة، والأرقام التي يمكنك الاعتماد عليها

يَقبل الاستنساخ الصوتي الفوري من Inworld من 5 إلى 15 ثانية من الصوت المرجعي، بينما تتطلب النسخة التجريبية للاستنساخ الاحترافي من Inworld نحو 10 دقائق من الصوت للحصول على استنساخ أعلى دقة. هذه أرقام المورّد، وهي محددة بما يكفي للاختبار. ويقع استنساخ Fish Audio ضمن نظام الرصيد نفسه المستخدم في التوليد، ويستخدم Drama 3 الرصيد نفسه المستخدم مع S2.1 Pro في خطط الاشتراك — لكن الترخيص هو الجزء المختلف، إذ يحظر ترخيص المجتمع في Fish Audio صراحةً استنساخ صوت شخص حقيقي دون موافقته، في حين أن شروط Inworld هي شروط واجهة برمجة التطبيقات العادية.

زمن الاستجابة هو المجال الذي تكون فيه Inworld بوضوح الأداة الصحيحة، ولا ينبغي أن تتظاهر المقارنة بغير ذلك. فقد صُمّمت Realtime TTS-2 وفئتها Flash لمنتجات تفاعلية، مع تسعير فئة Flash أقل بنسبة 40% من الطراز الرائد تحديدًا لأحمال العمل التي تحتاج إليها. رقم السرعة المنشور من Fish Audio لـ Drama 3 هو 271 إطارًا في الثانية على H200 واحدة مقابل 177 لـ S2 — وهو رقم إنتاجية للتصيير بالدفعات، لا زمن وصول إلى البايت الأول لبث مباشر. وإذا كان متطلبك هو "أن يبدأ الصوت داخل دورة محادثة"، فأنت ضمن منتج Inworld، ولا يغيّر ذلك أي مقدار من تقدّم Drama 3 البالغ 11 نقطة على مستوى المزوّد.

السعر، بالسعر الذي ستدفعه فعليًا

Inworld Realtime TTS-2 بسعر 25.00 دولارًا لكل مليون حرف حسب الطلب، ثم ينخفض إلى 20.00 دولارًا عند خطة Creator البالغة 25 دولارًا، و17.50 دولارًا عند Builder، و15.00 دولارًا عند Developer، و12.50 دولارًا عند Growth، بينما يأتي Flash بسعر 15.00 دولارًا حسب الطلب وينخفض إلى 7.00 دولارات عند Growth. Fish Audio Drama 3 بسعر 50.00 دولارًا لكل مليون بايت UTF-8 بالسعر المعلن، و10.00 دولارات خلال عرض الإطلاق حتى 2026-11-12 09:00 PT. بالنسبة إلى نص إنجليزي من 100,000 حرف، يبلغ ذلك 2.50 دولارًا بسعر Inworld حسب الطلب مقابل 5.00 دولارات لـ Drama 3 بالسعر المعلن، أو 1.00 دولار خلال العرض.

ثمة ثلاث تحذيرات ينبغي أن تكون جزءًا من ذلك الحساب لا ملاحظةً تحته. فـ Drama 3 تحتسب التكلفة لكل بايت UTF-8، لذا يكلف نصّ بلغة CJK أضعاف ما يكلفه نصّ إنجليزي عند العدد نفسه من الأحرف، بينما لا يتغير سعر الأحرف لدى Inworld. كما تُحتسب أقواس التوجيه في Drama 3 كنص إدخال، وهي زيادة بنسبة 10-25% في نصّ كثير التوجيهات — وتحديدًا النصوص التي تحتاج فيها إلى النموذج. أما آلية الاحتياط في Fish Audio فصامتة: أي طلب تكون فيه ترويسة النموذج مفقودة أو غير مطابقة تمامًا يُلبّى ويُحتسب بوصفه s2.1-pro بسعر 15.00 دولارًا لكل مليون بايت بدلًا من رفضه.

المقارنة التي تصمد أمام التحفظات الثلاثة جميعها أقصر مما توحي به جداول الأسعار. عند سعر القائمة، يبلغ سعر Inworld نحو نصف سعر Drama 3 لكل حرف إنجليزي، وهو أفضل منه في الأصوات المضبوطة. خلال العرض الترويجي، يبلغ سعر Drama 3 ثلث سعر Inworld. من يقرر على أساس السعر وحده إنما يقرر تاريخًا لا منتجًا.

لا يوجد أيٌّ منهما في كتالوجنا، وما الذي يغيّره ذلك

يُوصَل إلى Fish Audio Drama 3 وInworld Realtime TTS-2 كليهما عبر واجهات برمجة التطبيقات الخاصة بمورّديهما ومنصات الأطراف الثالثة؛ وليس أيٌ منهما من النماذج على OrcaRouter، وحجة التوجيه هنا تتعلق ببقية المنظومة لا بهذين النموذجين. نادرًا ما يستدعي منتج صوتي نموذج كلام واحدًا ولا شيء سواه — فهو يستدعي نموذجًا لغويًا كبيرًا لنص الحوار، ونموذج كلام للصوت، وأحيانًا نموذج كلام ثانٍ لمقطع مختلف، ولديه موعد نهائي. وتوحيد النصف غير الكلامي خلف مفتاح واحد بسعر القائمة لدى المزوّد من دون هامش، مع تجاوز تلقائي للفشل حتى لا يُعطّل تعثّرٌ واحد في المنبع عملية التصيير، هو ما يجعل اختيار نموذج الكلام قرار إعدادات لا قرار بنية معمارية.

ما يجعل لغة توجيه DSL تستحق وجودها في هذه المقارنة تحديدًا هو خط الأنابيب المختلط: أسطر درامية مُعالجة مسبقًا عبر Drama 3، وأدوار محادثة مباشرة عبر Inworld، تُوجّه كمسارين على مفتاح واحد مع اتخاذ القرار لكل مقطع على حدة. ويغطّي دمج النماذج الحالة التي يتعذّر فيها الحسم — مرّر السطر نفسه عبر كليهما، وقيّمه مقابل مرجع، واحتفظ بالفائز. ليس أيٌّ من هذين سبيلًا للالتفاف على سعر أيٍّ من المورّدين. بل هما سبيل للالتفاف على صيانة تكاملين مقابل توفير سطر واحد في ملف إعدادات.

بالنسبة لقارئ يحسم اختياره بين خيارين: استخدم Inworld Realtime TTS-2 إذا كان الكلام بحاجة إلى التفاعل مع محادثة، وإذا كان زمن الاستجابة هو القيد، وإذا كنت تريد فئة Flash لاستيعاب الحجم، وإذا كانت واجهة API مغلقة مقبولة. واستخدم Fish Audio Drama 3 إذا كان الكلام مؤلَّفًا لا تفاعليًا، وإذا كان نطق الأسماء والرموز يجب أن يكون موثوقًا، وإذا كان التوجيه يجب أن يُكتب، وإذا كنت تريد الأوزان، أو إذا كان الموجز سيُكتب بلغة غير لغة السيناريو. إن فارق 11 نقطة لصالح المزوّد هو أقل رقم أهمية في تلك القائمة؛ أما العجز المضبوط البالغ 61 نقطة فهو ما ينبغي التحقق منه مقابل أصواتك المرجعية قبل أن تلتزم.