Fish Audio Drama 3 مقابل Ming 3.0 TTS: فارق الـ91 نقطة الذي يتلاشى تحت صوت مستنسخ

يقود Fish Audio Drama 3 نموذج Ming 3.0 TTS بفارق 91 نقطة Elo على لوحة الصدارة حيث يتحدث كل نموذج بأصوات طاقمه الخاص، وبفارق 17 نقطة على لوحة الصدارة حيث يُعطى كلاهما المراجع المستنسخة الثماني نفسها — وهو فارق ضيق بما يكفي بحيث تتداخل فترات الثقة بينهما. كلاهما إصداران مفتوحا الأوزان صدرا خلال الأسابيع الستة الماضية، وكلاهما يخضع للتقييم من Artificial Analysis، وفي الاختبار الوحيد الذي يسأل إنسانًا هل خرجت كلمة صعبة فعلاً من الفم على نحو صحيح، يسجلان 93.2%. ثلاثة أرقام، اثنان منها يشيران في اتجاهين مختلفين. أيها تصدّق يحدد أي نموذج ستشتري، وتعتمد الإجابة على ما إذا كان منتجك يبدو كأنه نفسه أم يبدو كأنه شخص آخر.

إصداران يفصل بينهما ستة أسابيع، صُمِّما على نطاقين متعاكسين.

أُعلن عن Drama 3 في 13 أكتوبر 2026، وهو متاح مباشرةً على واجهة برمجة تطبيقات Fish Audio باسم drama-3، مع الأوزان على Hugging Face بموجب ترخيص مجتمعي جديد. وصل Ming 3.0 TTS بهدوء أكبر وعلى دفعات: ظهرت مستودعات InclusionAI على Hugging Face في 22 سبتمبر، وأوزان 0.5B في 24 سبتمبر، ولم يظهر كود الاستدلال إلا في 19 أكتوبر — ولهذا لم يتمكّن Artificial Analysis من تقييمه حتى 20 أكتوبر. لم تصدر Ant Group قط منشور إطلاق له، وليس لديه نقطة نهاية مستضافة أو سعر مدرج.

جداول المواصفات ليست متقاربة، وهذا أول ما ينبغي فهمه قبل أن تصبح لوحات الصدارة ذات معنى.

• المعلمات — خليط خبراء بحجم 35B مع نحو 3B نشطة لكل رمز، مُهيأ من Qwen3.5-35B-A3B ويوجّه 8 من 256 خبيرًا بالإضافة إلى خبير مشترك واحد، مقابل نموذج كثيف بحجم 0.5B على أساس Qwen2.5-0.5B. كما توفّر Ant نموذج MoE بإجمالي 7.9B / 1.3B نشطة يُسمى Ming-3.0-tts-tiny، ولا يملك أي نتيجة مستقلة على الإطلاق.

• تغطية اللغات — 83 لغة مُعلنة لـ Drama 3، مقابل سبع لغات لنقطة حفظ Ming بسعة 0.5B (الصينية والإنجليزية والألمانية والإسبانية والفرنسية والكورية واليابانية) بالإضافة إلى السيتشوانية والكانتونية عند تقديم مقطع مرجعي للهجة.

• الإخراج — 44.1 كيلوهرتز من كليهما، مُولَّد عبر آليات مختلفة جدًا: يحتفظ Drama 3 بمُرمِّز Descript Audio Codec الخاص بسابقه عند عشرة كتب شيفرة وحوالي 21.5 إطارًا في الثانية، بينما يفكّ Ming ترميز كامن متصل عبر AudioVAE.

• الأوزان والترخيص — Drama 3 بموجب Fish Audio Community License v1.0، مجاني إذا كان الإيراد السنوي أقل من US$500,000 وقابل للتفاوض إذا تجاوز ذلك أو إذا أعدتَ بيع التوليف كخدمة. Ming 3.0 TTS بموجب MIT، دون أي قيد على الإيرادات على الإطلاق.

• السعر — 50 دولارًا أمريكيًا لكل مليون بايت UTF-8 بسعر القائمة، مخفّضًا إلى 10 دولارات أمريكية حتى 12 نوفمبر 2026، مقابل عدم وجود سعر لأنه لا يوجد شيء لشرائه: فأنت تنزّل نقطة التحقق (checkpoint) البالغة 2.96 جيجابايت وتشغّلها.

الفرق في الحجم يؤثر في الاتجاهين معاً. العمود الفقري 35B في Drama 3 هو ما يتيح له الحفاظ على اتجاه عبر نص طويل، ووضع عدة متحدثين في مشهد واحد، مع تمرير معرّف صوتي واحد لكل متحدث على هيئة مصفوفة؛ وهو أيضاً السبب في أن لا أحد سيشغّله على حاسوب محمول. أما Ming بحجم 0.5B فهو نموذج يمكن استضافته على وحدة GPU متواضعة واحدة، وضبطه الدقيق على وحدة مستأجرة.

لماذا يعطي Artificial Analysis إجابتين مختلفتين

اللوحة التي يستشهد بها الجميع أولًا هي Provider Voice Arena، وفيها افتتح Drama 3 تقدمًا حقيقيًا. حتى 29 أكتوبر، يحتل المركز السادس من بين 100 نموذج بدرجة Elo تبلغ 1,278، وقد سعّره Artificial Analysis عند US$15 لكل مليون حرف ضمن إعداداته الافتراضية. ويحتل Ming 3.0 TTS المركز الرابع والعشرين بدرجة 1,187، دون تسجيل أي سعر لأنه لا توجد نقطة نهاية تجارية لتسجيله. والفارق البالغ 91 نقطة على لوحة تتراوح فترات ثقتها حول ±13 إلى ±18 ليس ضوضاء؛ فالأصوات الأصلية لـ Drama 3 هي المفضلة، وبوضوح. وثمة تفصيل من الجدول نفسه يفسر جزءًا من السبب: فقد قيّم Artificial Analysis Ming في مواجهة ثلاثة أصوات من الساحة، وDrama 3 في مواجهة ثمانية.

اللوحة الثانية تطرح سؤالاً مختلفاً، ويتبخر التقدم. تمنح Controlled Voice Arena كل نظام الأصوات الثمانية المستنسخة نفسها — أربعة أمريكية وأربعة بريطانية — فتتوقف المقارنة عن كونها حول من يمتلك ممثلين صوت أفضل وتبدأ في كونها حول مدى جودة تقمّص كل نموذج لصوت شخص آخر. هناك تحرز Drama 3 نتيجة 1,085، في المركز الثاني عشر من أصل 49، بفاصل من 1,069 إلى 1,101. وتحرز Ming 1,068، في المركز السابع عشر، بفاصل من 1,053 إلى 1,083. تتشارك الفترتان النطاق 1,069 إلى 1,083. هذا تعادل، وأي قول خلاف ذلك سيكون قراءة دقة في استطلاع لا يمتلكها.

لاحظ أيضًا أن Artificial Analysis لا يزال يحمل صفًا منفصلًا بعنوان Drama 3 Preview على تلك اللوحة عند 1,063، في المرتبة العشرين. تُحتسب نقطة التحقق الإنتاجية والمعاينة التي صدرت في سبتمبر كنظامين مختلفين، لذا فإن أي مقارنة تستشهد بـ "Drama 3" دون توضيح أي صف تقصد ليست مقارنة. أرقامنا هنا تخص صف الإنتاج.

التفسير العملي: إذا كان منتجك يأتي بطاقم أصوات خاص به — راوٍ، ووكيل دعم، وشخصية داخل اللعبة — فإن ميزة Drama 3 حقيقية وكبيرة. أما إذا كان منتجك يستنسخ صوت عميل أو مبدع ويتحدث بذلك الصوت، فإن النموذجين يكونان متكافئين فعليًا، ويصبح القرار محكومًا بالسعر والترخيص وتغطية اللغات بدلًا من ذلك.

إن تعادل النطق البالغ 93.2% هو أربع نتائج مختلفة

كلا النموذجين مذكوران بنسبة 93.2% في اختبار متانة النطق الإنجليزي لدى Artificial Analysis — النتيجة التي نشرتها اللوحة في 20 أكتوبر، والتي وضعتهما مناصفةً في المرتبة الأولى من بين 31 نظامًا ومتقدِّمين على Eleven v4 عند 91.7%. وقد تكرَّر هذا العنوان في كل مكان، وهو يخفي الجزء الوحيد المهم تشغيليًا: أن النموذجين يفشلان في نوعين متعاكسين من النصوص.

• التسلسلات الدقيقة — تحافظ عليها Ming بنسبة 90.6%، وهي الأولى من بين 31؛ أما النسبة المكافئة لدى Drama 3 فهي 86.3%. تنجو أرقام الطلبات وعناوين URL ومسارات الملفات والرموز التسلسلية مع Ming بشكل أفضل.

• توسيع الاختصارات — Ming ‏96.5%، وهو أيضًا الأول من أصل 31، مقابل 93.6% لـ Drama 3. تُقال التواريخ والوحدات والاختصارات بصوت عالٍ بدلًا من تهجئتها.

• المصطلحات المستقلة — Drama 3 بنسبة 95.9% مقابل Ming عند 88.5%، حيث يحتل Ming المرتبة الحادية والعشرين من أصل 31. تُعد أسماء العلامات التجارية وأسماء الأماكن والمفردات التقنية أقوى فئة لدى Drama 3.

المصطلحات الملائمة سياقيًا — Drama 3 بنسبة 95.3%، وMing بنسبة 91.0%، والثالث عشر من 31.

ضعف Ming's في الأسماء المنفردة يتماشى مع مخزون أصواته: فطراز 0.5B يأتي مزوّدًا بأكثر من مائة صوت صيني مدمج وخمسة أصوات إنجليزية فقط، لذا يجد تعامله مع أسماء الأعلام الإنجليزية مواد أقل يعمل بها. أما ضعف Drama 3 فهو الصورة المعكوسة — فنموذج مدرّب على تقديم أداء قد يقدّم أحيانًا رقم كود على أنه أداء.

لا تُعدّ أيٌّ من نسبة 93.2% هذه مُبلَّغًا بها من المورّد. فكلتاهما تأتيان من أداة الاختبار المستقلة نفسها، وهذا ما يجعل مقارنتهما ممكنة أصلًا — ومن الجدير بالذكر أن هذا نادر في هذه الفئة، حيث تُجرى معظم جداول معدل خطأ الكلمات المنشورة بواسطة المختبرات على الموجِّهات الخاصة بها.

التكلفة الفعلية لمليون حرف

تفرض Drama 3 رسومًا بحسب حجم الإدخال: 50 دولارًا أمريكيًا لكل مليون بايت UTF-8، مخفَّضة إلى 10 دولارات أمريكية حتى 12 نوفمبر 2026 الساعة 09:00 بتوقيت المحيط الهادئ. هذه القفزة البالغة خمسة أضعاف في 13 نوفمبر هي أكبر رقم منفرد في هذه المقارنة، وهي تغيّر ترتيب النموذجين من حيث التكلفة لكل ساعة مكتملة حسب الوقت الذي تقرأ فيه هذا.

هناك أيضًا فخ في الفوترة يجدر بك معرفته قبل أن تربط أي شيء. يحتفظ Drama 3 بنفس نقطة النهاية POST /v1/tts الخاصة بـ S2.1 Pro، وإذا كانت ترويسة الطراز مفقودة أو مكتوبة بشكل خاطئ، فإن الطلب يعود بصمت إلى s2.1-pro ويُحاسبك على ذلك. تحصل على صوت يبدو معقولًا ودون أي خطأ، لذا قد يستمر خطأ مطبعي في متغير بيئة لأسبوع قبل أن يلاحظ أحد أن الصوت غير صحيح.

لا يملك Ming أي فاتورة على الإطلاق، وهذا لا يعني أنه مجاني. أنت تدفع بساعات GPU ووقت الهندسة: نسخة checkpoint بحجم 0.5B تبلغ 2.96 GB، وتحتاج إلى VAE صوتي، ومشفّر متحدث CAM++، ومُرمّز رموز موصولة معًا، ولا يقف خلفها أي التزام بدعم من المورّد. نشر Ant جداول قياس أداء وعرضًا تجريبيًا على Gradio، وليس اتفاقية مستوى خدمة.

هذا هو الموضع الذي يكون فيه الموجّه مفيدًا حقًا، والموضع الذي لا يكون فيه كذلك حقًا. يمرّر OrcaRouter سعر قائمة المزوّد بهامش ربح 0%، لذا فإن عرضًا ترويجيًا من مورّد مثل Fish Audio يصل في اليوم نفسه إلى أي شيء نوجّهه — وDrama 3 ليس واحدًا منها، ولا Ming كذلك. نقاط نهاية الكلام التي نوفّرها اليوم هي خط Gemini TTS من Google وOpenAI's TTS-1-HD، وكلها قابلة للوصول عبر واجهة API واحدة خلف مفتاح واحد إلى جانب نماذج النصوص. إذا كنت تقارن بين Drama 3 وMing، فلن تستضيف لك أي طبقة توجيه أيًا منهما؛ وما يمنحك إياه مفتاح واحد هو بقية خط المعالجة من حولهما.

الترخيص يقرّر أكثر مما تقرّره لوحة الصدارة.

يُعدّ الاختلاف بين MIT وترخيص Fish Audio Community License v1.0 أشدّ نقاط التفرّع في هذا الثنائي، وهو ليس خلافًا فلسفيًا. فشروط Ming بموجب MIT تتيح لأي شركة، أيًا كان حجمها، تضمين النموذج في منتج مدفوع، وإعادة بيعه، وضبطه الدقيق، ونشر النسخة المشتقة، من دون حدّ للإيرادات ومن دون أي محادثة مع Ant.

ترخيص Drama 3 مجاني للبحث والأعمال غير التجارية، ومجاني للاستخدام التجاري طالما بقيت أنت والشركات التابعة لك تحت 500,000 دولار أمريكي من الإيرادات السنوية، ويتطلب ترخيصًا يتم التفاوض عليه فوق ذلك الحد — أو بأي حجم إذا أردت تقديم Drama 3 كخدمة تحويل النص إلى كلام أو استنساخ أو استدلال. الأسئلة الشائعة الخاصة ببطاقة النموذج أوضح من معظمها: الصوت النهائي للعملاء مقبول، أما واجهة برمجة تطبيقات تركيب منافسة فليست كذلك.

تفصيل واحد ينبغي التحقق منه بدلًا من افتراضه: لا تزال البيانات الوصفية الخاصة بـ fishaudio/drama-3 على Hugging Face تحمل fish-audio-research-license بينما يصف نص البطاقة رخصة المجتمع. وإذا كنت أنت الشخص الذي يعتمد النشر، فاقرأ ملف الترخيص في المستودع، لا الوسم.

بالنسبة إلى استوديو ينتج دراما صوتية، فإن عتبة $500,000 ليست قضية، وبند الخدمة هو ما يجب قراءته. وبالنسبة إلى شركة تبني ميزة صوتية داخل منتج يتجاوز ذلك الحد من الإيرادات، فإن Drama 3 محادثة توريد، وMing مجرد pip install.

أيّ واحد تختار

صوت للدعم أو المعاملات، باللغة الإنجليزية أو الصينية.Ming. يتفوق في الفئتين الأكثر أهمية عندما يعيد الروبوت قراءة رقم طلب أو مرجع حجز، وهو MIT، ويعمل على أجهزة لديك بالفعل. والتعادل مع الصوت المستنسخ يعني أنك لا تتخلى عن الطبيعية للوصول إلى ذلك.

السرد والدراما الصوتية والنصوص المثقلة بالعلامات التجارية ولغات كثيرة. الدراما 3. تفوّق أصوات المزوّد حقيقي، والأسماء العلم أقوى فئة لديه، و83 لغة مقابل سبع ليست فجوة تُسدّ بهندسة الأوامر. خصّص ميزانية لتغيّر السعر في نوفمبر واقرأ بند الخدمة.

خط معالجة ينتج بالفعل عدة نسخ أداء.Drama 3، ولكن فقط إذا كنت تستخدم حلقة المراجعة فعلاً. درّبت Fish Audio عليه باستخدام نموذج مكافأة قائم على التفضيل البشري، وتروّج للمراجعة متعددة الجولات كطريقة للحصول على الأداء الذي أردته؛ Ming نموذج ذو لقطة واحدة ولا يملك آلية مراجعة تُوزَن مقابله، لذا فإن بنية النسخ سبب لاختيار Drama 3 لا سبب لمقارنتهما.

أي عملية نشر يكون فيها VRAM هو القيد.Ming، بلا جدال. خليط خبراء بحجم 35B يُقاس أداؤه على H200s ليس نموذجًا تشغله لمجرد أنه مريح.

ماذا تشاهد

ثلاثة تواريخ وفجوة واحدة. في 13 نوفمبر، ينتهي سعر العرض الترويجي لـ Drama 3 ويتحوّل US$10 إلى US$50، وهي قفزة بمقدار خمسة أضعاف ستعيد ترتيب كل مقارنات التكلفة في هذه الفئة بين ليلة وضحاها. وقبل ذلك، راقب ما إذا كانت Artificial Analysis تدمج صفّي Drama 3 وDrama 3 Preview، لأن لوحة تُدرج نموذجًا واحدًا مرتين تدعو تحديدًا إلى نوع الاقتباس المتسرّع الذي تحاول هذه المقالة تجنّبه. وراقب أيضًا ظهور نتيجة لـ Ming-3.0-tts-tiny: فنسخة MoE بحجم 7.9B هي التي تروّج لها Ant فعليًا لتوليد البودكاست، وهي الآن لا تتضمن سوى أرقام المورّد — خطأ كلمات بنسبة 0.820% في الصينية، و6.000% في الكورية — دون أي شيء مستقل يدعمها.

الخلاصة الصادقة هي أن هذين ليسا نسختين من المنتج نفسه. أحدهما أداة عمل صغيرة ذات ترخيص متساهل، تصادف أنها ممتازة في النص نفسه الذي يعطّل أنظمة الصوت؛ والآخر محرك أداء كبير مقيّد بترخيص، تصادف أنه أفضل نموذج مفتوح من حيث الصوت على الساحة عندما يستخدم طاقمه الخاص. الفارق البالغ 91 نقطة حقيقي. غير أنه يخصّ سؤالًا لا تطرحه معظم المنتجات قط.