Fish Audio Drama 3 مقابل VoxCPM2: لوحة صدارة في مواجهة ورقة بيانات

يمتلك Fish Audio Drama 3 تصنيف Elo بينما لا يمتلكه VoxCPM2، مما يجعل المقارنة البديهية بينهما مستحيلة والمقارنة المثيرة للاهتمام سهلة الإغفال. يحتل Drama 3، الذي أُعلن عنه في 13 أكتوبر 2026 ويقيّمه Artificial Analysis منذ ذلك الحين، المركز السادس من أصل 100 في Provider Voice Arena برصيد 1,278. ولا يملك VoxCPM2 أي صف على أي من لوحات الكلام الخاصة بـArtificial Analysis، وهو غائب عن كلتا الساحتين المذكورتين في هذه الصفحة. غير أن ما ينشره كلا المختبرين هو Seed-TTS-eval، وهناك تقول الأرقام شيئًا لا يقدر تصنيف واحد على قوله: في التشغيل الذي أجراه كل مورّد بنفسه، يحتاج Drama 3 إلى محاولتين ليتفوق على المحاولة الواحدة لـVoxCPM2. لا يتعلق الاختيار بين هذين الطرازين حقًا بالجودة، بل يتعلق بما إذا كنت تريد محرك أداء تستأجره حسب الحرف، أو طرازًا ذا ملياري معامل يمكنك الاحتفاظ به.

أحدهما لديه تصنيف Elo، والآخر لديه ورقة بيانات.

هذا التفاوت جدير بالذكر صراحةً لأن معظم صفحات المقارنة تتغاضى عنه بهدوء. فـDrama 3 موجود في كل لوحة تصنيف مهمة: السادس من أصل 100 في Provider Voice Arena عند 1,278، والثاني عشر من أصل 49 في Controlled Voice Arena عند 1,085، والأول مناصفةً بين 31 في متانة النطق الإنجليزي عند 93.2%. أما VoxCPM2 فلا يظهر في أي منها.

هذا الغياب ليس فضيحة، وليس جديدًا. صدر {{1}}VoxCPM2{{/1}} منذ ربيع 2026 — إذ تؤرّخ وثائق المشروع سلسلة 2.0 بشهر مارس، ويضع المستودع وسم 2026.04 عليها، ووصل التقرير التقني في يونيو تحت arXiv:2606.06928 — وطوال تلك الفترة لم يضع أحدٌ له مكانًا في ساحة استماع عمياء. التفسير الأرجح ممل: فمقاعد الساحة عادةً ما يشغلها بائعون لديهم نقطة نهاية مستضافة يريدون الترويج لها، و{{2}}OpenBMB{{/2}} لا تبيع واحدة. يشحن {{3}}VoxCPM2{{/3}} الأوزان على {{4}}Hugging Face{{/4}} و{{5}}ModelScope{{/5}} وخادم {{6}}/v1/audio/speech{{/6}} متوافق مع OpenAI عبر {{7}}vLLM-Omni{{/7}}، وهذه هي قصة التوزيع بأكملها.

الموقف الصادق هو الآتي: يمكننا مقارنة Drama 3 بدرجة، أو يمكننا مقارنة النموذجين أحدهما بالآخر. لا يمكننا فعل الأمرين معًا، وأي صفحة تعرض تصنيف Elo بين VoxCPM2 وDrama 3 إنما تختلق تصنيفًا.

المحور الوحيد الذي ينشره كلاهما

Seed-TTS-eval هو أقرب شيء إلى مقياس مرجعي مشترك في هذا المجال، وكلا المختبرين يُبلّغان عنه. المشكلة أن أياً منهما لا ينشر جدولاً كاملاً بالصيغة نفسها، لذا فإن ما يلي هو قياس مورّدَين لأدائهما بنفسيهما.

• معدل خطأ الكلمات الإنجليزية — تسجّل Drama 3 نسبة 1.54% في التسجيل النهائي و2.20% في تسجيلها الأول؛ بينما تسجّل VoxCPM2 نسبة 1.84% في تمريرة واحدة. التسجيل النهائي المكتمل لـ Drama 3 هو أفضل الأرقام الثلاثة، أما تسجيلها الأول فهو الأسوأ.

• معدل خطأ الأحرف الصينية — Drama 3 عند 0.83% CER في التسجيل النهائي، و1.00% في تسجيله الأول؛ وVoxCPM2 عند 0.97% CER. النمط نفسه، حيث يتقدّم التسجيل النهائي لـ Drama 3 بينما يكون تسجيله الأول على مستوى مقارب تقريبًا.

• تشابه المتحدث — يُسجّل Drama 3 قيمة 0.640 في الإنجليزية (على مقياس من 0 إلى 1)؛ بينما يُسجّل VoxCPM2 قيمة 75.3 في الإنجليزية و79.5 في الصينية، وهي على الاصطلاح من 0 إلى 100 المستخدم في مواضع أخرى من تقريره تعادل 0.753 و0.795. وبهذا فإن VoxCPM2 هو الاستنساخ الأقوى وفق أرقامه الخاصة.

• اختبار إجهاد أوسع — ينشر VoxCPM2 أيضًا معدلات خطأ CV3-eval عبر إحدى عشرة لغة (3.65% zh، 5.00% en، 8.55% hard-zh، 9.85% fr، 4.25% it، 5.21% ru) ومتوسطًا داخليًا على 30 لغة قدره 1.68%. ولا ينشر Drama 3 أي جدول مكافئ لمعدلات الخطأ حسب اللغة، لذا لا يوجد ما يُوضع إلى جانبها.

خُذ فجوة التشابه على محمل الجد، وفجوة خطأ الكلمات على محمل الاستخفاف. تشابه المتحدث هو المقياس الأرجح للبقاء في ظل اختلاف أدوات التقييم، لأنه مسافة جيب التمام بين تضمينات الصوت المرجعي نفسه. أما معدلات خطأ الكلمات فتعتمد على التسوية والمعالجة النصية المسبقة وعلى المقاطع المرجعية التي استُخدمت، ولم يُطلب من المختبرين الاتفاق على أيٍّ من ذلك. الاتجاه موثوق — VoxCPM2 يستنسخ الصوت بأمانة أكبر، وDrama 3 ينسخ النص بدقة أكبر بعد المراجعة — لكن المقادير ليست قياسًا.

ضريبة المراجعة التي لا يضعها أحد في العنوان الرئيسي

‏1.54% و2.20% هما النموذج نفسه في الاختبار نفسه، ويختلفان فقط فيما إذا كانت المحاولة قد قُبلت من المرة الأولى. يتسم تقرير Fish Audio الفني بصدق غير معتاد في هذا الشأن: فهو يذكر كلا الرقمين، لأن المراجعة متعددة المحاولات هي المنتج نفسه. والفكرة المطروحة هي أنك توجّه السطر بلغة عادية، وتستمع، وتعيد التوجيه، وتحتفظ بالمحاولة التي تريدها — ويعكس المعيار المحاولة التي احتفظت بها.

إذا كانت هذه هي طريقة عمل خط المعالجة لديك، فإن 1.54% هو الرقم الذي ستراه. وإذا كنت تبث تمريرة واحدة إلى مكالمة مباشرة، أو سطر حوار في لعبة، أو تصيير دفعي دون تدخل بشري، فأنت تدفع مقابل 2.20% — وهي أسوأ من نسبة 1.84% لتمريرة واحدة لدى VoxCPM2. هذا الانقلاب هو أكثر حقيقة مفيدة في هذه المقارنة، وهو ما لا يجعله جدول أيٍّ من المورّدين واضحاً. كما أنه يحدد تكلفة سير العمل: فكل لقطة أداء إضافية هي عملية تركيب كاملة أخرى، وتحتسب Drama 3 الفاتورة وفق أحرف الإدخال، لذا فإن عادة القيام بثلاث محاولات تضرب الفاتورة في ثلاثة.

لا يملك VoxCPM2 آلية مراجعة من هذا النوع. فهو يقدّم أربعة أنماط للتوليد — zero-shot، والاستكمال، والمرجع فقط، والمرجع المدمج مع صوت التوجيه — وجوابه على أي تسجيل رديء هو إعادة التصيير بوسوم أسلوب مختلفة. وهو أرخص لكل محاولة، لأنك لا تدفع مقابل كل حرف، لكن من دون ذاكرة على مستوى النموذج للتسجيل المرفوض.

الحد الأدنى من العتاد هو القرار الفعلي

هنا يتوقف النموذجان عن أن يكونا بديلين لبعضهما.

• بصمة VoxCPM2 — نحو 8 غيغابايت من ذاكرة الفيديو (VRAM)، ومعامل زمن حقيقي يقارب 0.30 على RTX 4090 و0.13 مع Nano-VLLM؛ ويُفيد المشروع أيضًا ببلوغ 1.76 عند Q8_0 على Apple M4 Pro عبر llama.cpp-omni. وهو يعمل على محطة عمل.

• بصمة Drama 3 — لا تنشر Fish Audio حدًا أدنى لـ VRAM. وقد قِيس جدول معدل الإنتاجية لديها على وحدات H200: 166.7 إطارًا في الثانية، ووسيط زمن أول صوت 88.9 مللي ثانية عند تدفق متزامن واحد، و927.6 إطار/ثانية عند ستة عشر، و1,687 إطار/ثانية عند أربعة وستين، مع RTF قدره 0.131 عند إعداد التدفق الواحد. ويقدّر المراجعون متطلب bf16 ببطاقة 48 GB، بينما تدّعي نسخ 4-bit المجتمعية نحو 32 GB. وهي تعمل على خادم أو على عتاد شخص آخر.

• تحفّظ بشأن الإنتاجية — يذكر منشور الإطلاق 271 إطارًا في الثانية من وحدة H200 واحدة، بينما يبلغ الحد الأقصى في جدول البثّ ببطاقة الطراز 166.7 عند طلب واحد. يمكن أن يكون كلا الرقمين صحيحًا في إعدادات قياس مختلفة، لكن هذا يعني أن رقم السرعة الرئيسي ليس الرقم الذي سيعيده اختبار الحمل لديك.

الحساب كالتالي. مليون حرف تعادل تقريبًا من خمس عشرة إلى عشرين ساعة من الكلام النهائي بمعدل سرد عادي. على بطاقة 4090 وبمعدل RTF يبلغ 0.30، يعني ذلك من خمس إلى ست ساعات من وقت GPU؛ وعبر Fish Audio's API تبلغ التكلفة US$10 خلال عرض الإطلاق وUS$50 بعد انتهائه في 12 نوفمبر. الاستضافة الذاتية لـ VoxCPM2 أرخص لكل ساعة من الصوت وأرخص بكثير لكل ساعة من التجريب — يمكنك تكرار تصميم صوتي طوال فترة بعد الظهر دون مراقبة العدّاد.

التوجيه لا يحلّ ذلك الاختيار، لذا يجدر بنا أن نكون دقيقين بشأن ما يفعله. لا تستضيف OrcaRouter أيًّا من النموذجين؛ إذ يتوفر Drama 3 عبر واجهة Fish Audio البرمجية الخاصة بها وعدة منصات تابعة لجهات خارجية، بينما يتوفر VoxCPM2 على هيئة أوزان تشغّلها بنفسك. ما نقدّمه فعليًا هو الجانب الصوتي من خط الأنابيب المحيط بهما — سلسلة TTS من Gemini وTTS-1-HD من OpenAI، مع التبديل التلقائي عند الفشل بين المزوّدين، بحيث لا تؤدي نقطة نهاية مستضافة تتعطل إلى تعطّل المنتج معها. إذا كان السؤال هو «أي النموذجين أشغّل؟»، فإن الإجابة يحسمها VRAM، لا التوجيه.

إخراج أداء مقابل تصميم صوت

يختلف النموذجان حول موضع حدوث العمل الإبداعي، وهذا الخلاف معماري وليس شكليًا.

Drama 3 أداة للمخرج. تكتب التعليمات بين قوسين مربعين قبل الكلمات التي تحكمها — [مختنق الصوت، يبكي بهدوء] — وتغيّرها في منتصف الجملة. تحدد الوسوم المقترنة نطاق توجيهٍ ما إلى كلمات محددة: <whisper>، <emphasis>، <soft>، <fast>، <slow>، <stress>، <forceful>. يمكن تثبيت النطق فونيمًا تلو الآخر باستخدام CMU Arpabet أو بينيين أو روماجي، وتأخذ المشاهد معرّف صوت واحدًا لكل متحدث على هيئة مصفوفة. يمكن تنقيح عدة محاولات تسجيل بالرجوع إلى المحاولات السابقة، وتعيد تقنية inpainting على مستوى الكلمة تصيير كلمة واحدة معلّمة لتتناسب مع التسجيل المحيط بها — رغم أن كلاً من التحرير التفاعلي وinpainting لا يزالان في اختبار بدعوة فقط، مع إدراج واجهة برمجة تطبيقات (API) للتحرير على أنها ستتوفر قريبًا.

VoxCPM2 أداة تصميم. ميزتها الرئيسية هي Voice Design: صِف متحدثًا بلغة طبيعية واحصل على صوت دون أي صوت مرجعي على الإطلاق. وإلى جانب ذلك، فهي تقوم بالاستنساخ بدون أمثلة (zero-shot cloning)، والمتابعة من مُوجّه، والاستنساخ بالاعتماد على مرجع فقط مع قناة مرجعية معزولة (بحيث لا تحتاج إلى النص المطابق للمقطع)، والتحكم في الأسلوب عبر العلامات. القيد هو النطاق: فهي تشكّل الصوت وطريقة الأداء، لا المشهد. لا توجد صيغة مصفوفة متحدثين، ولا وضع حوار متعدد الشخصيات، ولا إصلاح على مستوى الكلمة.

في دراما صوتية بممثلَين اثنين، يحسم هذا الفارق الأمر قبل أي اختبار أداء. وبالنسبة لمنتج يحتاج إلى صوت علامة تجارية واحد ومتّسق عبر كامل الكتالوج، فإن وضع التصميم في VoxCPM2 هو المسار الأقصر، بينما تُعدّ صياغة الإخراج في Drama 3 عبئًا زائدًا في معظمها.

معدل العينات، واللغات، ووسيطة الترميز

• الإخراج — يُصدر VoxCPM2 تردد 48 kHz عبر AudioVAE V2 غير متماثل يُرمّز عند 16 kHz ويفك الترميز عند 48 kHz؛ ويبقى Drama 3 على 44.1 kHz، مولّدًا عبر Descript Audio Codec بعشرة دفاتر ترميز عند نحو 21.5 إطارًا في الثانية. إن تردد 3.9 kHz الإضافي في VoxCPM2 حقيقي لكنه نادرًا ما يكون مسموعًا مقارنةً بصيغة تسليم مضغوطة.

• الهندسة المعمارية — صُمم VoxCPM2 ليكون خاليًا من المُرمِّز (tokenizer-free)، إذ يتنبأ بالتمثيلات الكامنة المتصلة مباشرةً على بنية MiniCPM-4 الأساسية، ويرى أن مُرمِّز الصوت (audio codec) هو عنق الزجاجة؛ في المقابل يحتفظ Drama 3 بالرموز المنفصلة ويُنفق سعة 35B لديه على مُفكِّك ترميزٍ لتنبؤ الرموز المتعددة القائم على دفاتر الرموز، يتنبأ بدفاتر الرموز التبعية التسعة بعد الأولين. رهانان على موضع السقف الأعلى للجودة.

• اللغات — 83 لغة مُعلَنة لـ Drama 3، مقابل 30 لـ VoxCPM2 إضافةً إلى تسع لهجات صينية (السيتشوانية، والكانتونية، والوو، والشمالية الشرقية، وخنان، وشنشي، وشاندونغ، وتيانجين، والمينانية). إذا كنت بحاجة إلى التايلاندية والفيتنامية والعبرية والسواحيلية، فإن VoxCPM2 يضم الأربع جميعها، وDrama 3 ليس أفضل بشكل واضح في أيٍّ منها؛ وإذا كنت بحاجة إلى 83 لغة، فإن واحدًا فقط منهما هو المطروح في المقارنة.

• بيانات التدريب — دُرّب VoxCPM2 على 2.36 مليون ساعة من الكلام (1.8 مليون بالصينية والإنجليزية إضافةً إلى 560 ألفًا متعددة اللغات)، وهو رقم تنشره وثائقه بدقة. ولا تنشر Fish Audio رقمًا مكافئًا، وهذا ليس انتقادًا بقدر ما هو موضع آخر لا تكون فيه الورقتان مكتوبتين للمقارنة.

الترخيص: المكان الوحيد الذي يتفوق فيه VoxCPM2 بفارق واضح

VoxCPM2 مرخّص بموجب Apache 2.0. يمكن لأي شركة، وبأي مستوى من الإيرادات، أن تضمّنه وتعدّله وتضبطه ضبطًا دقيقًا وتعيد توزيعه وتبيع مخرجاته، دون أي حد أدنى ودون أي تفاوض. كما أن الضبط الدقيق باستخدام LoRA وSFT مدعوم وموثّق.

Drama 3 خاضع لترخيص Fish Audio Community License v1.0: مجاني للبحث والعمل غير التجاري، ومجاني للاستخدام التجاري ما دام أنت والشركات التابعة لك تحت حد 500,000 دولار أمريكي من الإيرادات السنوية، وترخيص يُتفاوض عليه فوق ذلك — أو بأي حجم إيرادات إذا كنت ترغب في تقديم Drama 3 كخدمة تحويل النص إلى كلام (TTS) أو استنساخ صوت أو استدلال. يُسمح صراحةً بالصوت النهائي للعميل عند أي مستوى إيرادات؛ أما واجهة برمجة تطبيقات تركيب صوتية منافسة فلا. تُصنّفها Artificial Analysis على أنها «أوزان مفتوحة دون حقوق استخدام تجاري»، وهو ملخص عادل من سطر واحد لهذا الشرط.

هناك أيضًا تفصيل يجب التحقق منه بدلًا من الثقة به: لا تزال البيانات الوصفية لـ Hugging Face الخاصة بـ fishaudio/drama-3 تعرض fish-audio-research-license، بينما يصف نص البطاقة ترخيص Community License. اقرأ ملف الترخيص في المستودع قبل أن تبني منتجًا على أساس الوسم.

بالنسبة لشركة ممولة تطلق ميزة صوتية، هذا هو جوهر المقارنة كلها في سطر واحد: VoxCPM2 لا تكلفك شيئًا في المراجعة القانونية، أما Drama 3 فتكلفك محادثة مع فريق المبيعات.

اختر وفق القيد، لا وفق النقاط.

لديك وحدة معالجة رسوميات واحدة ومنتج تريد إطلاقه. VoxCPM2. ثمانية غيغابايت، وApache 2.0، و48 كيلوهرتز، ووضع تصميم صوتي يمنحك صوت علامة تجارية قابلًا للاستخدام في فترة بعد ظهر اليوم الأول. تتخلى عن الإخراج السينمائي وأفضل تقييم لصوت المزوّد في الفئة.

أنت تنتج صوتًا مكتوبًا وفق نص مع وجود إنسان في حلقة العمل.دراما 3. التوجيهات بين الأقواس، والوسوم محددة النطاق، والتحولات في منتصف الجملة، والإصلاح على مستوى الكلمة هي أقرب ما تملكه الأوزان المفتوحة إلى جلسة تسجيل، ونسبة خطأ الكلمات الإنجليزية البالغة 1.54% هي ما تحققه حلقة المراجعة. خصص ميزانية لتغيير السعر في 12 نوفمبر واقرأ بند الخدمة أولًا.

تحتاج إلى لغة خارج نطاق الثلاثين. Drama 3، أو لا هذا ولا ذاك — لكن تحقّق من اللغة المحددة مقابل ادعاءات التغطية الخاصة بـ Fish Audio نفسها بدلًا من «83» المدوّن على العلبة.

أنت تستنسخ صوت شخص محدد على نطاق واسع.إن تشابه المتحدث في VoxCPM2 هو أفضل رقم في هذه الصفحة، وتعني قناة المرجع المعزولة فيه أنه يمكنك الاستنساخ من مقطع دون نص مطابق. وميزة Drama 3 هي التوجيه، لا الدقة في مطابقة المرجع.

الأمر الوحيد الذي يجب تجنبه هو ترتيبهما. فلا توجد ساحة مشتركة، ولا دراسة مشتركة لتفضيلات البشر، ولا منظومة مشتركة لاختبار الأخطاء — فقط نموذج لديه تصنيف Elo وآخر لديه ورقة بيانات، وقرار يتوقف على العتاد الذي تملكه وما يسمح لك الترخيص بفعله به.