GPT-Live-1 مقابل Eleven v4: وحدة الفوترة تحسم قبل أن يحسم الصوت

ضع GPT-Live-1 و Eleven v4 جنبًا إلى جنب، وأول اختلاف تصادفه ليس معيارًا. إنه وحدة قياس. يفرض GPT-Live-1 رسومًا بقيمة $0.05 عن كل دقيقة تظل فيها الجلسة مفتوحة. وتفرض Eleven v4 رسومًا بقيمة $0.08 عن كل ألف حرف ينطق بها الوكيل فعليًا. أحد العدّادين يعمل على الساعة، والآخر على النص، وأيّهما ينبغي أن تشتريه يتحدد بناءً على ذلك قبل أن ينطق أي من النموذجين مقطعًا لفظيًا واحدًا.

يضيع هذا التمييز في معظم المقارنات، التي تميل إلى وضع مؤشر تحويل الكلام إلى كلام بجانب تصنيف Elo لتحويل النص إلى كلام وتسمية ذلك مواجهة مباشرة. لكنه ليس كذلك. إليك ما هما المنتجان فعليًا، وما يمكن للأرقام المتاحة أن تخبرك به وما لا تستطيع، والحساب الذي يحسم الأمر بالنسبة لخط دعم، وكتاب صوتي، والحالات الصعبة بينهما.

منتجان، ومهمتان

GPT-Live-1 هو نموذج الكلام ثنائي الاتجاه الكامل من OpenAI، وهو متاح عبر API منذ 10 سبتمبر 2026. يستمع أثناء تحدثه، ويقرر عدة مرات في الثانية ما إذا كان سيتنازل عن الدور، ويفوّض التفكير إلى نموذج نصي منفصل عندما يتطلب السؤال ذلك. له نقطة نهاية واحدة فقط — v1/live/sessions — ولا يوفر واجهة Chat Completions أو Realtime، ما يعني أنه ليس معرّف نموذج تستبدله في تكامل Realtime قائم؛ بل هو جلسة تفتحها.

Eleven v4 هو نموذج لتحويل النص إلى كلام، صدر في 28 سبتمبر 2026 إلى جانب v4 Turbo منخفض الكمون. تُسلّمه نصًا، فيعيد صوتًا بإحدى أكثر من 90 لغة، مع استنساخ صوتي فوري خلال 10 ثوانٍ، ووسوم صوتية مضمّنة للعاطفة والإيقاع، وحد أقصى للطلب يبلغ 10,000 حرف. لا يملك أذنين. لا يستطيع سماع المتصل، أو ملاحظة أنه قاطعه، أو أن يقرر التوقف لأن الجملة لم تصل كما ينبغي.

هذا التفاوت هو القصة كاملة. الوكيل الصوتي المبني على Eleven v4 هو خط معالجة: نسخ، ثم تفكير، ثم نطق. والوكيل الصوتي المبني على GPT-Live-1 هو نموذج واحد مرتبط بنموذج نصي يعمل كمستشار. خط المعالجة أرخص وأكثر قابلية للتحكم. أما النموذج من طرف إلى طرف فهو أكثر طبيعية وأصعب بكثير في المقاطعة. هذان منتجان مختلفان لغرف مختلفة، وليسا تطبيقين متنافسين لنفس المنتج.

ما يمكن أن تقوله لوحات الصدارة بصدق

لا توجد لوحة واحدة يتنافس فيها هذان الاثنان، وأي شخص يعرض عليك واحدة إنما يقارن درجات غير متكافئة. في Provider Voice Arena من Artificial Analysis — أصوات أصلية، تفضيل أعمى، جُمعت في 29 أكتوبر 2026 — يحل Eleven v4 عند 1334 نقطة Elo، في المركز الثاني في المجال، بينما يأخذ v4 Turbo المركز الأول بـ1336. لا أحد يشكك في أن جودة الصوت ممتازة: 91.7% متانة نطق في قياس ذلك المختبر، وهي الأقوى بين النماذج التجارية الكبرى عند الإطلاق.

لا يظهر GPT-Live-1 على تلك اللوحة إطلاقًا، لأنه لا يولّد تحويل النص إلى كلام بالمعنى الذي تقيسه اللوحة. بل يظهر في Speech Agent Arena، التي تقيّم التفضيل الأعمى عبر محادثات كاملة على نمط الحجز. وهناك يحتل GPT-Live-1 (Astra، medium) موقعًا عند 1037 نقطة Elo بمعدل نجاح في المهام يبلغ 87.4%، بينما يأتي إعداد Sol-low عند 1041 مع 90.9%. وفي Speech-to-Speech Index — وهو مزيج مرجّح من الاستدلال والأداء الوكيلي وتفضيل الساحة ونجاح المهام — يحقق 83.2، في المرتبة الثانية من بين 21 نموذجًا مشمولًا بالتقييم.

المقارنة التي تصح فعلاً هي بين GPT-Live-1 ومنتجات Elevenالحوارية، وليس نموذج TTS الخاص بها. وفي الساحة نفسها، تسجل Eleven Realtime v1 Max درجة 1003 مع نجاح في المهام بنسبة 87.1%، ويسجل التسلسل الافتراضي لـ ElevenLabs Agents درجة 989 مع نسبة نجاح 90.5%. وهكذا يتقدم النموذج من طرف إلى طرف على البديل الفوري بنحو 35–50 نقطة Elo، بينما يقع مكدس الوكلاء المتسلسل أدنى بنحو 50 نقطة مع معدل نجاح أفضل قليلًا. هذه الأرقام متقاربة بما يكفي بحيث ستحدد الهاتفية الخاصة بنشر واحد وتصميم المطالبات والضوضاء الخلفية النتيجة، لا لوحة الصدارة.

تحفّظ صريح آخر: أرقام GPT-Live-1 تحمل تسمية إعداد. ويتم تنفيذ استدلاله بواسطة خلفية مسماة، وتحصل إعدادات Astra-medium وSol-low على درجات مختلفة لأنها تفوّض المهام بشكل مختلف. أما أرقام Eleven فتحمل تسمية منتج بدلاً من ذلك. ولا يُعد أيٌّ منهما تجربة مضبوطة مقابل الآخر.

الحساب، خلال مكالمة مدتها ثلاث دقائق

لنأخذ مكالمة دعم واردة يتحدث فيها الموظف بمعدل 900 حرف في الدقيقة — سرعة سريعة لكن عادية — ويتحدث المتصل لنحو 40% من الدقائق الثلاث.

• {{1}}GPT-Live-1{{/1}} — ثلاث دقائق بسعر 0.05 دولار تبلغ 0.15 دولار، بالإضافة إلى نموذج النص الخلفي لأي استدلال تتطلبه المكالمة. لكل دقيقة: 0.050 دولار.

• Eleven v4 — يتحدث الوكيل نحو 1,620 حرفًا، لذا 1.62 × 0.08 دولار = 0.13 دولار، بالإضافة إلى النسخ ونموذج اللغة الخاص بك. لكل دقيقة: حوالي 0.043 دولار قبل STT وLLM.

• Eleven v4 Turbo — نفس الـ1,620 حرفًا بسعر $0.04 لكل ألف: $0.065، أو نحو $0.022 لكل دقيقة قبل STT وLLM.

Turbo أرخص من GPT-Live-1 حتى بعد إضافة مسار تحويل الكلام إلى نص ونموذج لغوي متواضع، ولهذا يواصل التسلسل تفوّقه في مراجعات التكلفة. لكن المقارنة يتغيّر شكلها في اللحظة التي يتحدث فيها المتصل أكثر من الوكيل. فكل ثانية يسترسل فيها الإنسان في الحديث هي ثانية لا تتقاضى فيها Eleven v4 شيئًا بينما يتقاضى GPT-Live-1 السعر الكامل — بما في ذلك الصمت أثناء قراءة شخص لرقم بوليصة من بطاقة، وبما في ذلك فترة الانتظار أثناء معالجة الخادم الخلفي لديك.

هذا ليس فرقًا ناتجًا عن التقريب. في خط يتحدث فيه الوكيل 30% من الوقت، تنخفض فاتورة TTS بمقدار الثلثين بينما لا تتغير فاتورة الدقيقة على الإطلاق. الدقيقة الثابتة هي رهان على أن المتصلين بك سيتحدثون، وهي تؤتي ثمارها تمامًا عندما يفعلون ذلك.

الحساب، على سرد مدّته أربعون دقيقة

الآن النموذجان نفسهما على فصل من كتاب صوتي — 36,000 حرف، متحدث واحد، دون مقاطعات، دون استدلال، ومطلوب مخرجات حتمية.

• Eleven v4 — 36 × 0.08 دولار = 2.88 دولارًا للفصل، ويمكنك إعادة توليد فقرة واحدة بتسعة سنتات عندما يكون النطق غير صحيح.

• GPT-Live-1 — 40 دقيقة بسعر 0.05 دولار = 2.00 دولار، ولا يمكنك إعادة توليد فقرة، لأن وحدة العمل هي جلسة حية وليست قطعة نص.

يبدو GPT-Live-1 أرخص وهو الأداة الخاطئة. لا توجد لديه طريقة موثّقة لأخذ نصّ سيناريو من 36,000 حرف وإرجاع ملف حتمي؛ فهو واجهة محادثة، والمحادثة مع كتاب ليست سردًا. الحكم الصادق على هذا الصف ليس «Live أقل تكلفة»، بل «هذا النموذج لا يؤدي هذه المهمة».

حيث يستحق النموذج القائم على الدقيقة فعلاً علاوته السعرية

ثلاثة مواقف تبرر ذلك، وهي تشترك في خاصية واحدة: أن يستحوذ الإنسان على الكلمة لفترات غير متوقعة من الوقت.

• استقبال تكثر فيه المقاطعات — مطالبات التأمين، والفرز السريري، وأي موقف يصحح فيه المتصل كلامه في منتصف الجملة. على التتابع أن يكتشف المقاطعة، ويوقف التشغيل، ويعيد الدخول إلى الحلقة؛ وGPT-Live-1 يستمع بالفعل.

• الحجز والإرسال — دورات قصيرة، وتبادل سريع ذهابًا وإيابًا، واستدعاء مكثف للأدوات. وتزعم أرقام OpenAI الخاصة بها دقة استدعاء أدوات بنسبة 87% على هذا النموذج مقابل 60% لـ Realtime generation التي يحل محلها، وهذه الأرقام مُبلّغ عنها من المورّد، وليست مُعاد إنتاجها بشكل مستقل.

• حيثما كان زمن الاستجابة هو المنتج — فالفارق بين دورة تستغرق 0.8 ثانية مقابل دورة تستغرق 1.4 ثانية هو الفارق بين محادثة وجهاز لاسلكي. وهو أيضًا وفق ما يذكره المورّد.

وهناك ثلاث حالات تعارض ذلك:

• السرد، والقراءة بصوت عالٍ، والكتب الصوتية، والتعليق الصوتي على الفيديو — نصٌّ يدخل، وملفٌ يخرج، دون حاجة إلى أذن.

صوت العلامة التجارية — استنساخ Eleven v4 ميزة من ميزات المنتج مع تحفّظ بشأن إعادة التدريب؛ ويستخدم GPT-Live-1 أصواتًا نموذجية ثابتة، لذا فإن «صوت مؤسسنا» ليس ضمن الخيارات المتاحة.

• فترات صمت طويلة — موسيقى الانتظار، وخطوط مكتومة، ووكلاء ينتظرون نظامًا خلفيًا بطيئًا. كل ثانية من تلك الثواني تُضاف إلى الفاتورة.

الترحيل ليس متماثلًا هو الآخر

الانتقال إلى Eleven v4 من v3 هو تغيير في معرّف النموذج، مع تحذير مصاحب: الأصوات المستنسخة الموجودة تحتاج إلى إعادة تدريب، وقد استُبدلت SSML بوسوم صوتية مضمّنة، لذا أي شيء كان يولّد SSML لا بد من إعادة كتابته. أمرٌ مزعج، لكنه محصور داخل طبقة TTS لديك.

الانتقال إلى GPT-Live-1 من تكامل Realtime هو إعادة بناء. نقطة نهاية مختلفة، ودلالات جلسة مختلفة، ووحدة فوترة مختلفة، ولا توجد طبقة توافق. خصّص ميزانية لطبقة التنسيق، وليس لمجرد التبديل — ولاحظ أن معظم منصات وكلاء الصوت التابعة لجهات خارجية لا تزال لا تُدرج GPT-Live-1 كمزوّد قابل للاختيار، لذا من المرجح أن تكتب كود الربط الهاتفي بنفسك.

ما التغييرات التي تطرأ على التوجيه بشأن هذا القرار؟

أيًا كان المسار الذي تختاره، فالقرار ليس من نوع كل شيء أو لا شيء عبر منظومتك. طبقة الصوت هي الجزء الوحيد الذي يظل خاصًا بمورّد بعينه: فلا يوفّر OrcaRouter نموذج GPT-Live-1، ونموذج تخليق الكلام مثل Eleven v4 عقد منفصل أينما اشتريته. أما ما يقبع خلف طبقة الصوت فأمر مختلف — إذ إن استدعاءات الاستدلال، ونموذج استدعاء الأدوات، ومسار الاحتياط عندما يتدهور أداء مزوّد ما، تعمل جميعها عبر مفتاح واحد على OrcaRouter، عبر أكثر من 200 نموذج تشمل GPT-6 Astra، GPT-5.6 Terra وGPT-5.6 Sol، الفئات التي يفوّض إليها GPT-Live-1.

هذا التقسيم هو النسخة العملية من هذه المقارنة. استأجر «الأذن» ممن يملك أفضل نسخة منها هذا الربع، واحتفظ بالدماغ قابلاً للتوجيه بحيث لا يتطلب تخفيض السعر أو انقطاع الخدمة أو ظهور نموذج أفضل أن تمسّ الجزء الذي يمكن لمستخدميك سماعه. تُمرَّر أسعار قوائم المزودين بهامش ربح 0%، لذا يظهر تخفيض المورّد على طبقة الاستدلال في فاتورتك في اليوم نفسه الذي يُعلن فيه.

اختر وفقًا لشكل المحادثة

إذا كان مستخدموك يقاطعون، ويصحّحون أنفسهم، ويتوقعون أن يعرف الوكيل متى يتوقف عن الكلام، فإن GPT-Live-1 بسعر 0.05 دولارًا في الدقيقة هو المنتج الأفضل وربما الخيار الأفضل للشراء — فالنسخة المميزة تشتري سلوكًا لا يمكنك الحصول عليه من خط معالجة بأي سعر. وإذا كان مستخدموك يستمعون بدلًا من التحدث، فإن Eleven v4 أو v4 Turbo أرخص لكل كلمة مُسلَّمة، وأكثر قابلية للتحكم، وقابل للاستنساخ بما يناسب علامتك التجارية، وهو الإجابة الصحيحة؛ و1334 Elo مكافأة إضافية فوق ذلك.

نمط الفشل الذي يجب تجنبه هو الاختيار بناءً على مركز لوحة الصدارة. {{1}}قياس v4 البالغ 1334{{/1}} و{{2}}قياس Live البالغ 83.2{{/2}} يقيسان أشياء مختلفة على مقاييس مختلفة، والفريق الذي يختار بينهما بناءً على هذين الرقمين إنما يختار بين مسطرة وميزان حرارة.