Fish Audio Live 3 مقابل Eleven Realtime v1 Max: 186 مللي ثانية و0.57 ثانية ليسا القياس نفسه

Fish Audio Live 3 وEleven Realtime v1 Max هما نموذجان صوتيان كاملا الازدواجية، وطُرح كلاهما في غضون أربعة أسابيع من الآخر، ويُباع كلاهما على أساس ادعاء أن تبادل الأدوار ينتمي إلى داخل النموذج الصوتي لا إلى خط أنابيب من أجزاء منفصلة. تقول Fish Audio إن Live 3 يستطيع أن يقرر الرد في مدة لا تقل عن 186 مللي ثانية. ويبدأ ElevenLabs' Realtime v1 Max التحدث في 0.57 ثانية. وعند وضعهما جنبًا إلى جنب، يبدو هذان الرقمان وكأنهما تفوق بثلاثة أضعاف للنموذج الأحدث، وهذه القراءة خاطئة على نحو يستحق الفهم قبل أن يوقّع أي شخص عقدًا.

تقيس هذه الأرقام أحداثًا مختلفة. إنّ 186 مللي ثانية الخاصة بـ Live 3 هي رقم Fish Audio الخاص بردود الفعل القصيرة — مثل «mm-hmm»، أو «حسنًا، 415» بين أجزاء رقم هاتف — وليس لرد كامل. أما 0.57 ثانية الخاصة بـ Max فهي زمن مُقاس حتى أول صوت للرد نفسه، مأخوذ على أداة Speech to Speech من Artificial Analysis. أحد الرقمين حدّ أدنى مُبلّغ عنه من البائع لتأكيد، والآخر زمن استجابة مُدقّق لرد. اطرح أحدهما من الآخر فتحصل على رقم لا يعني شيئًا، وهو نقطة البداية المفيدة لهذه المقارنة.

ما الذي نشره كل مورّد فعليًا

وصل Eleven Realtime v1 Max في 2026-10-20 مرفقًا ببطاقة أداء كاملة. يمنحه Artificial Analysis درجات على Big Bench Audio (98.8%)، والزمن حتى أول صوت (0.57 ثانية)، ومعدل نجاح المهام (87.1%)، وديناميكيات المحادثة في Full-Duplex-Bench (94.1%)، وتفضيل Arena (997 Elo). ولا يمتلك Speech to Speech Index لأن اختبار τ-Voice الوكيلي الكامن وراء ذلك المؤشر لم يُشغَّل عليه، كما أنه لا يحصل على رقم لتكلفة الساعة من ElevenLabs أيضًا — فمبلغ $4.80 في الساعة الموجود على اللوحة هو تحويل لأسعار ElevenLabs لكل دقيقة الخاصة بالوكيل وواجهة API، وليس سعر قائمة منشورًا للنموذج وحده.

وصل Fish Audio Live 3 في 2026-11-10 بحجة تتعلق بالسلوك وبلا أرقام تقريبًا. السطح المنشور صغير بما يكفي لبيانه بالكامل.

• سرعة الاستجابة — 186 مللي ثانية، وفقًا لما أبلغت به الجهة الموردة، وُصفت في سياق الاستجابات القصيرة بدلًا من الإجابات الكاملة.

• درجات مستقلة — لا توجد. لا تعرض Artificial Analysis أي صف لـ Live 3 على لوحة Speech to Speech الخاصة بها اعتبارًا من 2026-11-11؛ ويظهر Fish Audio هناك كعائلة نماذج، لا كإدخال مزدوج الاتجاه مُقيَّم.

• السعر — غير منشور. تسرد بطاقة أسعار Fish Audio الطرازات drama-3 وs2.1-pro وs2.1-pro-free وs2-pro وs1، إضافة إلى ثلاثة نماذج لتحويل الكلام إلى نص وvoice-design-1. ولا يظهر Live 3 فيها.

• اللغات — الإنجليزية فقط عند الإطلاق، وفقًا للإعلان.

• التوزيع — منصة Fish Agent Platform، وواجهة API الخاصة بـ Fish Audio، والنشر المحلي لعملاء المؤسسات.

• المعمارية — ازدواج كامل، ومدرَّبة على محادثات بشرية مسجَّلة بحيث يصبح الإقرار والانتظار والإجابة والتوقف سلوكيات متعلَّمة.

تُعدّ الواجهة المنشورة من ElevenLabs الصورة المعكوسة: بطاقة أداء كاملة وسعر وحدة غامض. يمتلك Max كل الصفوف باستثناء المؤشر واختبار τ-Voice، ولا تبيع ElevenLabs ذلك كسعر مستقل لكل دقيقة — في ElevenAgents تدفع رسم الوكيل القياسي بالإضافة إلى الرموز بسعر Realtime، وعبر Realtime API تدفع لكل دقيقة من الصوت المتصل بالإضافة إلى الرموز.

حجة السلوك، التي هي المنافسة الحقيقية

يصف كلا المورّدين نمط الفشل نفسه ويقترحان الإصلاح الهيكلي نفسه، وهو ما يجعل المقارنة نظيفة على نحو غير معتاد على مستوى الأفكار. تقول ElevenLabs إن التعرّف على الكلام وتناوب الأدوار والاستدلال وتوليد الصوت في Realtime تُضبط كنظام واحد بدلًا من تنسيقها عبر أجزاء منفصلة، والمثال الموثّق لديها على العائد هو الإشارات الخلفية: يوصف Mini بأنه يكشف ما إذا كان المتحدث قد انتهى أم أنه يكتفي بالتعقيب بـ «mm-hmm». أما نسخة Fish Audio من الادعاء نفسه فهي رقم هاتف يُقرأ في مقاطع — «415… 555… 0132» — حيث قد يرد Live 3 بـ «mm-hmm» أو «حسنًا، 415» بينها وينتظر بقية الرقم.

يكمن اختلافهما في ما يسمحان لك بالاحتفاظ به. يُباع Eleven Realtime بطريقتين: داخل ElevenAgents، وعبر Realtime API متوافق على مستوى البروتوكول مع بروتوكول أحداث OpenAI عند wss://api.elevenlabs.io/v1/convai/realtime. واختيار نموذج Realtime داخل ElevenAgents يعني أن ElevenLabs يدير LLM، وجهد الاستدلال، وميزانية التفكير، واستدعاءات الأدوات المتوازية، ونموذج TTS، ومزوّد ASR. أما Agent Platform من Fish Audio، وهي حاليًا في نسخة تجريبية عامة، فتتبنى موقفًا معاكسًا تجاه طبقة الاستدلال: يمكن لـ LLM المخصص لأحد الوكلاء أن يشير إلى نقطة نهاية متوافقة مع OpenAI، لذا فإن النموذج الذي يقوم بالتفكير هو لك لتختاره.

هذا الفارق يحسم عمليات نشر أكثر مما تحسمه أرقام زمن الاستجابة. إذا كنت تريد أن يتولى المورّد كامل الحزمة وتقبل بالتخلي عن مسارات النماذج اللغوية المخصصة وBedrock، فإن ElevenAgents هو المسار الأقصر. أما إذا كانت طبقة الاستدلال هي موضع تميّز منتجك — الاسترجاع، وفحوص السياسات، وتنسيق الأدوات — فإن خطّاف النموذج اللغوي المخصص في جانب Fish هو الميزة التي تصمد أمام المشتريات.

التكلفة، وسبب كون عمود Live 3 فارغًا

تكلّف Max 4.80 دولارات لكل ساعة من الصوت المُدخَل في تحويل Artificial Analysis، مقابل رقم قدره 0.84 دولار لأرخص منافس قوي ثنائي الاتجاه على تلك اللوحة. وهذا يجعل السعر هو المحور الذي يستطيع به لاعب جديد أن يكسب صفقة بسرعة، وهو بالضبط المحور الذي لا يمكن تقييم Live 3 عليه حالياً. لا يمكن حساب تكلفة لكل استدعاء لنشر Live 3 من أي شيء نشرته Fish Audio، لأن وحدة الفوترة غير منشورة.

ما تنشره Fish Audio فعلاً هو بطاقة أسعار لنماذجها الأخرى، ومن المفيد معرفة شكلها لأنها تخبرك كيف تسعّر الشركة الكلام. تتم فوترة تحويل النص إلى كلام حسب بايت UTF-8 للنص المُدخل، وتذكر وثائق Fish Audio نفسها أن مليون بايت UTF-8 يعادل تقريباً 180,000 كلمة إنجليزية أو نحو اثنتي عشرة ساعة من الكلام. وبسعر القائمة البالغ 50 دولاراً لكل مليون بايت لـ drama-3، يبلغ ذلك نحو 4.17 دولارات لكل ساعة من الكلام المُولّد، أو حوالي 0.83 دولار خلال عرض الإطلاق الذي يستمر حتى 2026-11-30. هذه أرقام مشتقة لمنتج مختلف، وليست تسعير Live 3، كما أن دقائق الوكيل ثنائي الاتجاه ليست الوحدة نفسها المستخدمة للكلام المُركّب — لكنها تضع مقياس أسعار Fish Audio في النطاق نفسه البالغ من 1 إلى 5 دولارات في الساعة كبقية هذا السوق، بدلاً من أن تكون أقل منه بمرتبة قدر.

هذا هو القسم الذي تُثبت فيه طبقة التوجيه جدواها على الجانبين. لا تستضيف OrcaRouter Fish Audio Live 3 ولا Eleven Realtime v1 Max — فليس لأي منهما نقطة نهاية من طرف ثالث، وتبقى طبقة الكلام في أي من الحزمتين لدى مورّدها. ما تستضيفه OrcaRouter هو طبقة الاستدلال التي يمكن توجيه كلٍّ منهما إليها: 216 نموذجًا خلف مفتاح واحد بسعر قائمة المزوّد دون أي هامش ربح، وتبديل تلقائي إلى بديل عند خطأ من المزوّد، وDSL للتوجيه يقرر أي نموذج يعالج أي استدعاء. والنتيجة العملية هي أن قائمة أسعار الرموز لدى أيٍّ من المورّدين لا تتحول إلى قيد يربطك. فإذا أعادت ElevenLabs تسعير Realtime، أو نشرت Fish Audio Live 3 بسعر لكل بايت، تتغير فاتورة الكلام ولا تتغير فاتورة الاستدلال، لأن فاتورة الاستدلال لم تكن مرتبطة بأي من المورّدين من الأساس.

أي واحد نبني عليه الآن؟

ابنِ على Eleven Realtime v1 Max اليوم إذا كنت بحاجة إلى الدفاع عن خيار تقني أمام شخص سيطلب معيار قياس. فلديه بطاقة أداء مدققة، وبروتوكول أحداث موثق، وزمن استجابة مقاس يمكن للمراجع التحقق منه. المجهول في Max هو السعر لكل ساعة عند الأحجام الكبيرة، وليس الجودة.

Pilot Fish Audio Live 3 إذا كان سجل شكاوى وكيلك مليئًا بمتصلين يُقاطَعون أثناء حديثهم، وإذا كنت مستعدًا لقياس التحسين بنفسك. لا يمكن مقارنة رقم 186 مللي ثانية برقم 0.57 ثانية الخاص بـ Max، ولا يوجد للنموذج تقييم مستقل لتناوب الأدوار، كما أن سعر القائمة الخاص به غير موجود بعد — لذا يجب هيكلة مشروع تجريبي كاختبار A/B مجهّز بأدوات قياس مقابل وكيلك الحالي، لا كقرار شراء استنادًا إلى ورقة مواصفات.

لا تتعامل مع 186 مللي ثانية على أنها ادعاء بزمن استجابة يمكنك محاسبة أي جهة عليه. إنه بيان من مورّد حول مدى سرعة أن يختار النموذج إصدار ضجيج قصير. أما الرقم الذي يهمك فعلاً — المدة حتى يسمع المتصل أول مقطع لفظي من الإجابة — فلم ينشره أحد بالنسبة إلى Live 3. وعندما يُنشر، تصبح المقارنة مع Max مقارنة حقيقية، وحتى ذلك الحين فإن الإجابة الصادقة عن «أيهما أسرع» هي أن أحدهما مُقاس والآخر موصوف.