GPT-Live-1 مقابل Voxtral 3: السعر الذي ليس هو السعر

Voxtral 3 تعلن عن وكيل صوتي متكامل بسعر 0.04 دولار في الدقيقة. GPT-Live-1 تعلن عن 0.05 دولار في الدقيقة ثم تحاسبك مرة أخرى مقابل التفكير. وفقًا للأرقام المعلنة، فإن Mistral أرخص بنسبة 20% وتشمل المزيد — تحويل الكلام إلى نص، وتحويل النص إلى كلام، ونموذج استدلال ضمن سعر واحد — في حين أن رقم OpenAI يغطي طبقة الصوت فقط. هذه القراءة صحيحة تقنيًا ومضللة عمليًا، لأن السعرين لا يشتريان الشيء نفسه.

صدر كلاهما خلال ستة أسابيع من بعضهما البعض: GPT-Live-1 إلى API في 10 سبتمبر 2026، وVoxtral 3 في معاينة عامة في 20 أكتوبر. يستهدفان العميل نفسه — شخصًا يبني وكيلًا هاتفيًا عليه أن يواصل محادثة. يصلان إلى ذلك عبر مسارين متعاكسين، ولا يبقى فرق التكلفة قائمًا إلا إذا لم تقاطعهما أبدًا.

ما الذي يوجد فعليًا داخل كل دقيقة

ابدأ بما تتضمنه العدادات، لأن هذه هي النقطة التي يتغير عندها مسار المقارنة.

• وكيل Voxtral 3 الكامل — $0.04 لكل دقيقة مع Mistral Small 4 كمُستدِلّ، و$0.08 مع نموذج أقوى. ويغطي ذلك النسخ والتركيب ونموذج اللغة.

• GPT-Live-1 — 0.05 دولار لكل دقيقة للصوت فقط، وتُحتسب الفوترة بالثانية. تُحسب عمليات الاستدلال على الخادم الخلفي واستدعاءات الأدوات والبحث على الويب بشكل منفصل بأسعار النموذج المعتادة.

• Voxtral 3 TTS وحده — 13 دولارًا لكل مليون حرف، أي نحو 0.70 دولار لكل ساعة من الكلام بوتيرة عادية.

• صوت الإدخال في GPT-Live-1 — قُدِّر بـ $5.83 لكل ساعة من صوت الإدخال في إعداداته عالية الاستدلال، و$4.47 في إعداده المنخفض، وفقًا لمجموعة الأسئلة الثابتة المكوّنة من 40 سؤالًا لدى Artificial Analysis.

فإذا كانت المقارنة الصادقة لكل دقيقة في مكالمة مدتها عشر دقائق هي ‏0.40 دولار لـ Voxtral 3 شاملًا كل شيء، مقابل ‏0.50 دولار بالإضافة إلى الخلفية لـ GPT-Live-1 — فلنقل إنها تتراوح بين ‏0.50 و‏0.55 دولارًا حسب مقدار ما يتعين على الوكيل أن يفكر فيه. يتفوق Mistral في تلك الحسبة، ويتفوق فيها بإدراجه مكوّنًا تستبعده OpenAI.

ما لم يكن معظم المكالمة صمتًا. تُحتسب تعرفة وكيل الصوت لدى Voxtral كجلسة؛ وبالتأكيد تُحتسب تعرفة GPT-Live-1 كذلك. ولا ينشر أي من الموردين إعفاءً للصمت، وأي عملية نشر تترك المتصلين في الانتظار ينبغي أن تفترض أن كلا العدّادين يظلان يعملان. لا يحابي هذا الفرق أيًا من الطرفين، لكنه يعني أن الأسعار المعلنة ليست المكان المناسب للتحسين.

بايبلاين مقابل دوبلكس، مرة أخرى

Voxtral 3 حزمة تقنية لا نموذجًا واحدًا: نماذج نسخ (Mini Transcribe 3 بأربعة مليارات معامل، وSmall، ونسخة فورية الزمن)، ونموذج تركيب صوتي، وحزمة تطوير لوكيل صوتي مبنية على LiveKit تربط بينها جميعًا مع نموذج لغوي في المنتصف. أما زمن الاستجابة الذي تدّعيه Mistral نفسها فيبلغ نحو 90 مللي ثانية حتى أول مقطع صوتي، وهو سريع حقًا في مرحلة التركيب الصوتي.

التوليف السريع ليس هو نفسه تبادل الأدوار الجيد. لا يزال النظام المتتالي بحاجة إلى تحديد متى انتهى الإنسان من الكلام، ويُتخذ هذا القرار بواسطة كاشف النشاط الصوتي أو نموذج كشف الأدوار الواقع في مقدمة خط المعالجة. وحين يخطئ في التقدير، فإن الوكيل إما يتحدث فوق كلام المتصل أو ينتظر مدة أطول من اللازم، ولا يمكن لأي توليف بـ90 مللي ثانية أن يصلح ذلك.

GPT-Live-1 شبكة واحدة تسمع وتتحدث في آنٍ واحد، وتقرر عدة مرات في الثانية ما إذا كانت ستفسح المجال. هذه هي القدرة التي تدفع السنت الإضافي مقابلها، وليست ميزة يمكنك تجميعها من أجزاء. وهو أيضًا السبب في أن نموذج OpenAI لا يحتوي على بنود منفصلة للنسخ أو التوليد الصوتي: فلا يوجد ما يمكن تفصيله إلى بنود.

الاختبار العملي ليس زمن الاستجابة، بل معدل المقاطعة. إذا كان المتصلون يتحدثون بجمل كاملة وينتظرون دورهم، فإن خط المعالجة مناسب وأقل تكلفة. وإذا قالوا في منتصف الحديث "لا، انتظر، كنت أقصد الآخر"، فأنت تشتري سلوكًا ثنائي الاتجاه سواء اعترفت بذلك أم لا.

اللغات واللهجات وأين توجد البيانات

تطرح Mistral إصدار Voxtral 3 الذي يدعم أكثر من 35 لغة وأكثر من 50 لهجة، مع التحكم في الانفعال والأسلوب، والاستنساخ الصوتي دون عينات، إضافةً إلى مسار تكييف «Pro Voice» الذي يتطلب نحو 30 دقيقة من الصوت المرجعي. ولا يذكر توثيق GPT-Live-1 تغطية اللهجات، ويقدّم أصواتًا ثابتة للنموذج من دون استنساخ.

إذا كان منتجك أوروبيًّا — فرنسيًّا أو ألمانيًّا أو إيطاليًّا أو إسبانيًّا أو هولنديًّا — فإن Voxtral 3 هو العرض الأكثر اكتمالًا، كما أنّ تموضع Mistral الأوروبي حجة حقيقية في محادثات الشراء لا تستجيب لها OpenAI بالطريقة المباشرة نفسها. هذه حقيقة تجارية وليست معيارًا قياسيًّا، وبالنسبة لكثير من المشترين تحسم الصفقة قبل أن يُناقش زمن الاستجابة.

إذا كان منتجك يقدّم الدعم أو الحجز باللغة الإنجليزية في سوق واحدة، فإن اتساع اللغات هو مخزون لن تستخدمه، والسلوك ثنائي الاتجاه هو ما ستلاحظه في كل مكالمة.

فخّ الأوزان المفتوحة

يستحق التذكير لأنه يخدع الناس: إن Voxtral 3 نفسه واجهة برمجة تطبيقات مغلقة. النموذج القابل للتنزيل في هذه العائلة هو نقطة تحقق TTS أقدم بحجم 4B من مارس 2026، صادرة بموجب CC BY-NC 4.0 — غير تجارية — وهو نموذج مختلف وأقدم بدرجة أدنى في Arena. أما النشر الذاتي المؤسسي لـ Voxtral 3 فهو ترتيب تفاوضي، وليس رابط تنزيل.

إذن لا يمنحك أيٌّ من النموذجين في هذه المقارنة أوزانًا. فـ GPT-Live-1 لا يملك أي أوزان بحكم التصميم. وVoxtral 3 لا يملك أي أوزان بحكم السياسة. وإذا كان امتلاك النموذج شرطًا، فكلاهما مستبعَد وتنتقل المحادثة إلى Fish Audio Drama 3 أو Ming-3.0-TTS بدلًا من ذلك.

ما تقيسه المجالس، وما لا تقيسه

يحتل Voxtral 3 TTS موقعًا عند 1223 نقطة Elo على Provider Voice Arena التابع لـ Artificial Analysis، وفق ما رُصد في 29 أكتوبر 2026 — في المرتبة الرابعة عشرة ضمن القائمة، بتكلفة 13 دولارًا لكل مليون حرف. وهذه نتيجة تركيب صوتي قوية: خلف Eleven v4 عند 1334، ومتقدّم على عدة نماذج تكلّف أكثر.

لا يظهر GPT-Live-1 في تلك اللوحة، وأي شخص يضع درجة مؤشر Speech-to-Speech Index البالغة 83.2 الخاصة به إلى جانب 1223 الخاصة بـ Voxtral إنما يقارن مؤشر محادثة مرجّحًا بتصنيف Elo قائم على التفضيل الأعمى. وفي اللوحات التي تظهر فيها أنظمة المحادثة بالفعل، يسجل GPT-Live-1 درجة Elo تتراوح بين 1037 و1041 على Speech Agent Arena، مع نسبة نجاح في المهام تتراوح بين 87.4% و90.9%. ولم تجمع حزمة وكلاء Voxtral 3 بعدُ ما يكفي من محادثات الساحة لتُدرج في القائمة.

هذا الغياب هو أنفع حقيقة في هذا القسم. لا توجد مقارنة مباشرة مستقلة بين هذين الاثنين، مما يعني أن كل مقارنة تقرأها — بما في ذلك هذه — هي استنتاج من معدلات منشورة وبنية تقنية، لا من تجربة مضبوطة. وأي شخص يقول لك إن أحدهما أكثر طبيعية بشكل قابل للقياس في المكالمات الهاتفية فإنه ينقل كلام مورّد.

إلى أين ينتهي الجدل بشأن التوجيه

لا يتم تقديم أي من النموذجين عبر OrcaRouter. فـVoxtral 3 هو واجهة API الخاصة بـMistral؛ وGPT-Live-1 هي واجهة OpenAI. ما يمكن توجيهه هو محرك الاستدلال الذي يفوض إليه كل منهما — وهنا تختلف البنيتان على نحو يؤثر في كيفية تصميمك للمكدس.

تتيح لك Voxtral 3 اختيار نموذج الاستدلال ضمن سعر الوكيل الخاص بها: Small 4 مقابل $0.04، وطراز أقوى مقابل $0.08. وتترك GPT-Live-1 الواجهة الخلفية مفتوحة بالكامل، ما يعني أنه يمكنك توجيهها إلى أي نموذج نصي تريده — بما في ذلك GPT-6 Astra، GPT-5.6 Terra أو فئة أرخص، خلف مفتاح واحد، مع DSL للتوجيه يتيح لك تثبيت نماذج مختلفة لأنواع مهام مختلفة داخل النشر نفسه.

هذه المرونة تستحق مالاً حقيقياً في عبء عمل مختلط: نموذج رخيص يتولى تأكيد العنوان، ونموذج طليعي يتولى المبلغ المتنازع عليه، دون عقد ثانٍ أو تكامل ثانٍ. تُمرَّر أسعار القائمة من المزوّدين بهامش ربح 0%، لذا فإن أي خفض على طبقة الاستدلال يصل إلى فاتورتك في اليوم الذي يطبَّق فيه بدلاً من تجديد العقد التالي.

القرار

اختر Voxtral 3 إذا كنت تبني في أوروبا، وتحتاج إلى لغات ولهجات كثيرة، وتريد فاتورة واحدة تغطي النسخ حتى التركيب، وكان المتصلون لديك مهذبين بدرجة معقولة عند تناوب الأدوار. فهو أرخص لكل دقيقة إجمالًا، وهو الحزمة الأكثر اكتمالًا، ودرجة التركيب 1223 محترمة.

اختر GPT-Live-1 إذا كانت المقاطعات هي المنتج — الاستقبال، والفرز، والتوزيع، وأي شيء يصحّح فيه المتصل نفسه ويضطر الوكيل إلى سماع ذلك أثناء حدوثه. ستدفع أكثر لكل دقيقة، وستمتلك أقل، وستحصل على السلوك الوحيد الذي لا يستطيع أي خط أنابيب شراؤه بأي ثمن.

الفخّ الذي يجب تجنّبه هو مقارنة السعرين الرئيسيين المعلنين والاستنتاج بأن $0.04 أفضل من $0.05. فهذان الرقمان لا يقيسان الدقيقة نفسها: أحدهما يشمل مُحوِّل الكلام إلى نص، ومُولِّد كلام، ومُحرِّك استدلال؛ والآخر يشمل أذنًا. اشترِ الخيار الذي تُطابق محتوياتُه المهمةَ، ثم جادل بشأن السعر.