Fish Audio Live 3 مقابل Drama 3: أحد النموذجين يقرأ النص، والآخر يسمع أجواء الغرفة

Fish Audio Live 3 وFish Audio Drama 3 ليسا إجابتين على السؤال نفسه، والتعامل معهما كمنافسين هو أسرع طريق لشراء المنتج الخاطئ. أما Drama 3، الذي نشرته Fish Audio في 2026-10-13، فهو نموذج تحويل النص إلى كلام: تُسلّمه كلماتٍ وتوجيهًا أدائيًا، فيعيد إليك صوتًا. وأما Live 3، المُعلَن عنه في 2026-11-10، فهو نموذج صوتي ثنائي الاتجاه لمكالمات الوكلاء: يستمع بينما يتحدث، ويقرر متى تعني الوقفة «واصل» ومتى تعني «انتهيت»، ويمكنه التفاعل خلال 186 مللي ثانية فقط وفقًا لـ Fish Audio. أحدهما مُصيّر للصوت؛ والآخر محاوِر.

من المفهوم أن يحدث هذا الالتباس، فكلاهما من نماذج Fish Audio، وكلاهما حديث، وكلاهما يُروَّج له بأنه بارع في أمر لم تكن نماذج Fish Audio الأخرى بارعة فيه. لكنهما يقعان في طبقتين مختلفتين من طبقات منظومة الصوت، ويُوثَّق كل منهما على حدة، ولا يظهر إلا واحد منهما في قائمة الأسعار المنشورة لدى Fish Audio. لذلك ليست المقارنة المفيدة هي أيهما أفضل، بل ما المهمة التي يؤديها كل منهما فعليًا، وأين يلتقيان داخل منتج واحد.

ما هو موثّق أن كل نموذج يقوم به

Drama 3 هو نموذج تحويل النص إلى كلام، والأدلة العلنية المتاحة عليه تتعلق بالتفضيل والنطق لا بتبادل الأدوار. في Provider Voice Arena التابع لـ Artificial Analysis يحل سادسًا بدرجة إيلو 1,278؛ وفي Controlled Voice Arena، حيث يُقيَّم كل نموذج مقابل الأصوات المرجعية نفسها، يحل الثاني عشر بدرجة 1,085. وهو في كلتا اللوحتين النموذج الأعلى ترتيبًا بين النماذج مفتوحة الأوزان في الجدول، ولا يزال سجل Drama 3 Preview الأسبق — ذاك الذي حظي بتغطية صحفية في أكتوبر — مُدرجًا منفصلًا عند 1,240 و1,063. وفي معيار English Pronunciation Robustness يحقق 93.2% إجمالًا، بالمركز الأول مناصفةً مع Ming-3.0-tts بين 31 نموذجًا مشمولًا بالتقييم، مع أهمية التفصيل حسب الفئات أكثر من النتيجة الإجمالية: 95.9% على المصطلحات المستقلة مثل أسماء العلامات التجارية والأسماء التقنية، و93.6% على توسيع الكتابات المختصرة مثل الأعداد والتواريخ، و86.3% على الحفاظ على التسلسلات الدقيقة مثل الرموز والمسارات، و95.3% على النطق الملائم للسياق.

الأدلة العلنية الخاصة بـ Live 3 ذات شكل مختلف تمامًا. إعلان Fish Audio مبني حول المحادثة بدلًا من التصيير، وأمثلته الثلاثة المشروحة كلها تتعلق بالتوقيت.

• رقم هاتف يُقرأ على دفعات — "415… 555… 0132" — حيث قد يقول Live 3 "مم-هم" أو "حسنًا، 415" بين الدفعات ثم ينتظر بقية الرقم.

• متصل يقول «نعم» أو «مم-هم» بينما يقرأ الوكيل ساعات العمل، حيث يواصل Live 3 بدلًا من اعتبار الإقرار مقاطعة.

• متصل يعدّل طلبًا أثناء كلامه — «بيتزا اثنتان… لا، ثلاث. ثلاث كبيرة. و… في الواقع، اجعل واحدة منها مارغريتا» — حيث ينتظر Live 3 خلال كل تصحيح بدلًا من التصرف بناءً على أول طلب مكتمل معقول.

تذكر Fish Audio أن النموذج يمكنه أن يقرر الرد في غضون 186 مللي ثانية فقط، وتصف تفاعلات قصيرة مثل "mm-hmm" و"okay" والتأكيدات السريعة بدلًا من إجابات كاملة. وهو يتحدث الإنجليزية فقط عند الإطلاق، ومتاح على Fish Agent Platform، وعبر Fish Audio's API، وعلى الخوادم المحلية للمؤسسات. وما لا يملكه هو أي معيار أداء منشور، أو أي نتيجة تقييم مستقلة — فلا يتضمن Artificial Analysis أي صف Live 3 duplex حتى تاريخ 2026-11-11 — أو أي سطر في قائمة أسعار Fish Audio.

لماذا تخبرك وحدات التسعير بأنها منتجات مختلفة

تتقاضى Fish Audio رسومًا عن Drama 3 بحسب بايتات UTF-8 من النص المُدخل: 50.00 دولارًا لكل مليون بايت بالسعر المدرج، مع عرض ترويجي للإطلاق بقيمة 10.00 دولارات لكل مليون بايت حتى 2026-11-30. وتحوّل وثائق الشركة نفسها مليون بايت من UTF-8 إلى نحو 180,000 كلمة إنجليزية، أو ما يقرب من اثنتي عشرة ساعة من الكلام — ما يجعل drama-3 بتكلفة تقارب 4.17 دولارات لكل ساعة من الصوت المُولَّد بالسعر المدرج، وحوالي 0.83 دولار لكل ساعة خلال العرض الترويجي. هذه الوحدة موجودة لأن تحويل النص إلى كلام (TTS) له كمية معروفة من النص الداخل وكمية معروفة من الصوت الخارج.

لا يتوافق Live 3 مع تلك الوحدة على الإطلاق، وهو غير مُدرج في جدول الأسعار. لا يوجد لمكالمة الوكيل ثنائية الاتجاه سيناريو ثابت: فالصوت الوارد هو كل ما يقوله المتصل، والصوت الصادر هو القدر الذي يختار النموذج قوله، والتكلفة المهمة هي دقائق الاتصال وليس بايتات النص. لم تنشر Fish Audio العدّاد الذي ستستخدمه، ولهذا يكون عمود Live 3 في أي مقارنة تكاليف فارغًا بدلًا من أن يكون رخيصًا.

ما يتقاسمه النموذجان هو منصة. فمنصة Agent Platform من Fish Audio، التي هي حاليًا في نسخة تجريبية عامة، تستضيف وكلاء Live 3 وتكشف عن واجهة REST تحت /v1/agent/* مع حزم SDK لـ JavaScript وReact، وقنوات لويدجت ويب أو رقم هاتف أو عميل مخصص، ومصادقة برمز جلسة. ويشير خطاف LLM المخصص على تلك المنصة إلى نقطة نهاية متوافقة مع OpenAI، وهي نقطة الوصل التي تُركَّب فيها طبقة استدلال من اختيارك.

حيث تجتمع في منتج واحد

السؤال المثير للاهتمام ليس أي نموذج يفوز، بل كيف يبدو منتج واحد عندما يُستخدم كلاهما فيما يجيده. يحتاج خط الحجز إلى Live 3 في المكالمة المباشرة، لأن المكالمة هي حيث تحدث التوقفات والتصحيحات. وعادةً ما يحتاج المنتج نفسه أيضًا إلى Drama 3، أو نموذج شبيه به، لكل ما ليس محادثة: قراءة التأكيد بعد المكالمة، وتحية البريد الصوتي، والتذكير الصادر، والسرد الطويل في صفحة التسويق التي أوصلت المتصل إلى هناك. هذه مهام إنتاج صوتي بنص معروف، ونقاط القوة المعلنة لـ Drama 3 — التفضيل لدى المستمعين، ودقة النطق 93.2%، و83 لغة، والأوزان المفتوحة المنشورة بموجب Fish Audio Community License v1.0 مع سقف إيرادات قدره 500,000 دولار — هي بالضبط نقاط القوة التي تحتاجها مهمة إنتاج صوتي.

لهذا الفصل أثر على التكلفة يجدر ذكره صراحةً، لأنه النقطة التي تتوقف عندها طبقة التوجيه عن كونها تجريدًا. يمكن لطبقة الاستدلال وراء وكيل Live 3 أن تشير إلى أي جهة تتحدث بروتوكول OpenAI؛ ويقف OrcaRouter خلف تلك النقطة الطرفية مع 216 نموذجًا من مفتاح واحد، بسعر قائمة المزوّد دون أي هامش ربح وتحويل تلقائي عند حدوث خطأ من مزوّد، بحيث يمكن استبدال المخطط داخل الوكيل دون لمس طبقة الكلام أو رقم الهاتف. تحدد لغة التوجيه DSL أي نموذج يتعامل مع أي نوع من المكالمات، ويتيح دمج النماذج لنموذج رخيص صياغة استدعاء أداة بينما يتحقق منه نموذج أقوى قبل تنفيذه. لا يستضيف OrcaRouter خدمة Fish Audio Live 3 أو Drama 3 — فلا يتوفر أي منهما عبر نقطة طرفية لطرف ثالث، وتبقى طبقة الكلام في هذه المنظومة مع Fish Audio. ما يستضيفه هو كل ما يحيط بالكلام.

أي واحد تحتاجه فعلاً

تحتاج إلى Drama 3 إذا كان الناتج ملفًا. السرد، والكتب الصوتية، والإعلانات، وأصوات الشخصيات، والدبلجة، والقراءات الخاصة بإتاحة الوصول — أي شيء كتب فيه إنسان الكلمات وسيسمعه مستمع مرة واحدة، مصقولًا. لديه درجات التفضيل، وتفصيل النطق، وعدد اللغات، وسعر منشور لكل بايت يمكنك التوقع بناءً عليه. وهو أيضًا مفتوح الأوزان، وهذا مهم إذا كنت بحاجة إلى تشغيله بنفسك.

تحتاج إلى Live 3 إذا كان الناتج محادثة يجب أن تصمد أمام المقاطعة. وكلاء الهاتف، وخطوط الحجز، وتلقي الطلبات، وفرز الدعم — أي شيء يتحدث فيه المتصل، ويكون نمط الفشل فيه هو أن يُقاطَع أثناء الكلام أو أن يُضطر إلى تكرار سلسلة أرقام. لديه حجة سلوكية وحد أدنى لزمن استجابة المورّد ومنصة، ولا يملك بعد معيارًا مرجعيًا أو سعرًا.

على الأرجح أنك بحاجة إلى كليهما إذا كنت تبني منتجًا صوتيًا بدلًا من عرض تجريبي، فإن الانقسام يسير على الخط الفاصل بين المباشر والمُولَّد. والخطأ الذي يجب تجنبه هو اختيار أحدهما ليؤدي وظيفة الآخر: فنموذج TTS لا يستطيع أن يقرر متى يتوقف عن الكلام، ونموذج الوكيل ثنائي الاتجاه وسيلة مكلفة وغير مُقيَّمة لإنتاج تحية بريد صوتي. تبيع Fish Audio كليهما، ووحدات التسعير مختلفة عن قصد، وخارطة الطريق التي تتعامل معهما كمنتج واحد ستخطئ في التنبؤ بتكاليفها من الشهر الأول.