Grok Voice 3.0 مقابل Qwen-Audio-3.0-TTS: أحدهما يمكنه سماعك، وهو ليس الأرخص

ضع بطاقتي التسعير جنبًا إلى جنب ويفوز نموذج Alibaba بثلاثة أضعاف. Qwen-Audio-3.0-TTS يولّد الكلام بتكلفة 27.6 دولار لكل مليون حرف، أي نحو 1.66 دولار من الصوت في الساعة، وهو متاح اليوم كواجهة برمجة تطبيقات مستضافة عبر Alibaba Cloud Model Studio. Grok Voice 3.0، الذي أعلنت SpaceXAI عنه في 14 أكتوبر 2026، يتقاضى 0.08 دولار لكل دقيقة من الصوت — 4.80 دولار في الساعة — بالإضافة إلى 0.004 دولار لكل إدخال نصي. الراوي هو المنتج الأرخص، والراوي لا يستطيع سماع أي شيء تقوله. Qwen-Audio-3.0-TTS هو نموذج تحويل النص إلى كلام. Grok Voice 3.0 هو نموذج كلام إلى كلام مزدوج الاتجاه بالكامل، عليه أن يقرر، عدة مرات في الثانية، ما إذا كنت قد انتهيت من الكلام. مقياس كل ساعة من الصوت هو المقياس الصحيح لواحد منهما بالضبط.

تلك هي المقارنة كاملةً في فقرة واحدة، وكل ما يليها هو الجزء الذي يحدّد عمليات النشر: ما الذي يكلّفه تشغيل كلٍّ منها عندما تحسب أجزاء خط الأنابيب المحيطة به.

أحدهما يؤدي نصًا. والآخر يرد على مكالمة.

يحوّل تحويل النص إلى كلام النص إلى صوت. لا يوجد إدخال صوتي، ولا دور يجب أخذه، ولا مفهوم للمقاطعة، ولا نص مكتوب يعود، لأن النموذج لم يسمع شيئًا. نموذج التكلفة الخاص به هو آلة طباعة — صفحات تدخل، وصوت يخرج — والرقمان الوحيدان المهمان هما الجودة والإنتاجية، وكلاهما يمكن قياسه قبل الإطلاق.

نموذج ثنائي الاتجاه بالكامل يعالج الصوت الوارد أثناء إنتاجه الصوت الصادر. وتشمل مهمته الجوانب التي لا علاقة لها بالكلمات في المحادثة: التوقف عندما يتوقف المتصل، والاستمرار عبر قناة خلفية بدلًا من اعتبارها مقاطعة، وإفساح المجال في منتصف الجملة، وتنفيذ استدعاء أداة دون قطع الخيط. يقوم Grok Voice 3.0 بكل ذلك ويعيد النصوص المكتوبة إلى جانب الجلسة، وهو ما لا يستطيع فعله إلا لأنه كان يستمع طوال الوقت.

إذا كان منتجك يقرأ المقالات بصوت عالٍ، أو يحوّل الوثائق إلى صوت، أو يروي الفيديو، فإن Grok Voice 3.0 هي الأداة الخاطئة بثلاثة أضعاف السعر لكل ساعة، ولا يمكنها أداء المهمة إطلاقًا، لأنها لا تقبل نصًا مكتوبًا وتنتج ملفًا. وإذا كان منتجك يستقبل مكالمة هاتفية، فإن Qwen-Audio-3.0-TTS ليست سوى ثلث مسار لا يزال يحتاج إلى التعرّف على الكلام ونموذج لغوي ليصبح محادثة — وكل جزء من هذه الأجزاء يضيف تكلفة وزمن استجابة وحدًا تتلاشى عنده النبرة.

حيث يكون Qwen-Audio-3.0-TTS قويًا حقًا

حجة نموذج Alibaba ليست التسويق. أُطلق في 20 يوليو 2026 من Tongyi Lab التابع لـ Alibaba وطُرح كواجهة برمجة تطبيقات مُستضافة ومغلقة، وقد احتلّت فئة Plus المركز الأول على ساحة تحويل النص إلى كلام الخاصة بـ Artificial Analysis عند ظهوره. تتحرّك لوحات الصدارة، وقد تحرّكت هذه: اعتبارًا من سبتمبر 2026، يحلّ Qwen-Audio-3.0-TTS-Plus في المركز الرابع على Provider Voice Arena بتقييم Elo قدره 1,232 على 2,306 عيّنات، خلف Cartesia Sonic 3.6 عند 1,275، وInworld Realtime TTS-2 عند 1,244، وSimba 3.2 من Speechify عند 1,233 — ثلاثة نماذج من يوليو وأغسطس طُرحت بعده. المركز الرابع من بين أكثر من عشرين، مع زوال الصدارة وبقاء ميزة السعر، لا يزال موقعًا قويًا. لكنه ليس الموقع الذي وصفته تغطية الإطلاق.

• تغطية اللغات — 16 لغة بمراكز صدارة في 10 منها، إضافةً إلى 20 منطقة لهجات صينية.

• استنساخ الصوت — من عينات مرجعية قصيرة، بما في ذلك الاستنساخ عبر اللغات.

• تحكم تعبيري — 86 وسمًا مضمّنًا للمشاعر والأداء.

• الإنتاجية — يولّد Plus نحو 16 حرفًا في الثانية. بالنسبة إلى التصيير على دفعات، هذا غير ملحوظ؛ أما بالنسبة إلى منتج مباشر، فهو الرقم الذي يحدّد سعة المخزن المؤقت لديك.

• الطبقات — يستهدف Flash زمن وصول لأول حزمة يبلغ نحو 300 مللي ثانية للتشغيل في الوقت الفعلي؛ أما Plus فهي طبقة الجودة. إنهما منتجان مختلفان يتقاسمان اسمًا واحدًا، واختيار الخيار الخاطئ خطأ أولي شائع.

• فجوة في الوثائق — الرقم $27.6 لكل مليون حرف، الذي يُستشهد به على نطاق واسع، لا يطابق صفحة التسعير الخاصة بـ Alibaba في كل لقطة، والتي أدرجت في بعض النقاط أرقامًا أقل لكلتا الفئتين. تحقّق من الرقم على مستوى الحساب قبل أن تتنبأ، بدلًا من رقم لوحة الصدارة.

تحذيران يستحقان التخطيط لهما. فرغم دعم ستة عشر لغة، تكاد الأصوات الجاهزة العامة تكون كلها صينية وإنجليزية، أما اللغات الأربع عشرة الأخرى فتتوفر عبر سير عمل الاستنساخ وليس بشكل جاهز للاستخدام المباشر. كما أن وسوم المشاعر المضمّنة البالغ عددها 86 تعمل في وضع البث أحادي الاتجاه فقط، لذا لا يصمد التحكم التعبيري عبر كل مسار تكامل.

هناك أيضًا نسخة يجب الحذر منها. تُدرج علي بابا الآن جيل Qwen-Audio-3.1-TTS وعائلة Qwen Audio 3.0 Realtime منفصلة، وهما ليسا الطراز نفسه الذي هو Qwen-Audio-3.0-TTS — فخط Realtime هو منتج تحويل الكلام إلى كلام يظهر على لوحة صدارة مختلفة تمامًا. وعلى أي شخص يقارن "Qwen Audio 3.0" بطراز حواري أن يتحقق من أي صف في قائمة أسعار علي بابا نفسها يقرؤه فعليًا.

ما تكلفة Grok Voice 3.0، وما الذي لا يحلّه

أُطلق Grok Voice 3.0 في 14 أكتوبر 2026 بسعر 0.08 دولار لكل دقيقة من الصوت، بالإضافة إلى 0.004 دولار لكل إدخال نصي، دون تغيير عن النموذج الذي يحل محله، مع تحوّل grok-voice-latest الآن إليه وتصنيف grok-voice-2.0 كمهمَل. وفي مؤشر Speech to Speech Index التابع لـ Artificial Analysis، يحتل المرتبة الأولى عند 86.9، وأعلى مكوّناته هو الأداء الوكيلي عند 71.6% على τ-Voice مقابل 56.5% لسلفه — وهو أكبر تحرّك منفرد في هذا الإصدار.

إن ادعاء زمن الاستجابة هو النقطة التي يتشارك فيها النموذجان أخيرًا وحدة قياس. يعلن Grok Voice 3.0 عن 0.81 ثانية حتى أول صوت، وهو أسرع رقم بين النماذج الحوارية الرائدة. تستهدف فئة Flash من Qwen Audio نحو 300 مللي ثانية حتى أول حزمة. لكن هذين ليسا القياس نفسه: فـ 300 مللي ثانية هي الزمن حتى أول حزمة من مهمة تصيير لديك نصها بالفعل، بينما 0.81 ثانية هي الزمن حتى بدء التحدث بعد أن يتوقف إنسان عن الكلام، وهو يشمل قرار أن الدور كان دورك. زمن استجابة أكبر بنحو مرتين ونصف يمنح القدرة على أن تُقاطَع. وما إذا كان ذلك يستحق التكلفة يعتمد كليًا على ما إذا كان هناك شخص على الطرف الآخر.

يجلب Grok Voice 3.0 أيضًا الأجزاء التي يتركها نموذج TTS لتتولاها أنت في منتج صوتي: الجلسة ثنائية الاتجاه، وكشف أدوار المحادثة من جانب الخادم، وأدوات مرتبطة بالجلسة تمكّن الوكيل من استدعاء خدمة خلفية في منتصف المحادثة، والنسخ النصي الذي يعود معها. لكنه لا يجلب وضع قراءة النصوص، ولا استنساخًا موثّقًا كعابر للغات، ولا ست عشرة لغة يُروَّج لها كميزة. حالة استخدامه القابلة للاستهداف أضيق من حالة نموذج TTS، ورقمه لكل ساعة أعلى.

النسخة الصادقة من فاتورة التتالي

المنتج الحواري المبني على نموذج تحويل النص إلى كلام هو سلسلة متتابعة: يحوّل نموذج التعرف على الكلام كلام المتصل إلى نص، ويقرر نموذج لغوي ما يجب قوله، وينطقه نموذج تحويل النص إلى كلام. ثلاثة موردين، ثلاث فواتير، ثلاث ميزانيات زمن انتقال تتراكم، وتسليم عند كل حد. قد تكلف مرحلة تحويل النص إلى كلام 1.66 دولار لكل ساعة صوت. المرحلتان الأخريان هما حيث يوجد المال والأخطاء فعلاً، ولا تستطيع السلسلة سماع وقفة في منتصف جملة تقولها بالفعل.

تُدمِج Grok Voice 3.0 المكوّنات الثلاثة في جلسة واحدة وعدّاد واحد — مع تفصيلين يحافظان على دقة الفاتورة. فاستدعاءات أدواته وأي استدلال مُفوَّض يعملان على أي واجهة خلفية تستجيب لهما، بأسعار ذلك النموذج نفسه، لذا فإن توجيه الوكيل إلى نموذج استدلال رائد يبحث في كل دور يُنتج استدعاءً مكلفًا خلف طبقة صوتية رخيصة. وعند 300,000 دقيقة شهريًا، تبلغ التعريفة 24,000 دولار على نصف الصوت وحده.

هذا المقياس الثاني هو حيث تتوقف هذه المقارنة عن كونها خيارًا لنموذج وتصبح خيارًا معماريًا، وهو حيث تستحق طبقة التوجيه مكانها. لا يحمل OrcaRouter كلاً من Grok Voice 3.0 ولا Qwen-Audio-3.0-TTS؛ طبقات الصوت في كلتا الحالتين خارج متناولنا ولا نوجه أيًا منها. أما ساق الاستدلال فليست كذلك. مئتان وسبعة نماذج من أكثر من اثني عشر مزودًا تقع خلف مفتاح واحد بسعر قائمة المزود بدون هامش ربح، ويصل تخفيض سعر المزود في نفس اليوم بدلاً من تجديد عقدك التالي. بالنسبة لسلسلة تغطي الساق الوسطى بالكامل: احتفظ بخياري التعرف على الكلام وثلاثة محركات استدلال خلف نقطة نهاية واحدة، وقارن بينها A/B مقابل حركة المرور الحقيقية، ودع التحويل التلقائي عند الفشل يستوعب انقطاع أحد المزودين دون إسقاط مكالمة. يركّب DSL للتوجيه عدة نماذج في مكالمة واحدة للحالات التي لا يكفي فيها محرك استدلال واحد.

الاختيار، في سؤال واحد

اشترِ Qwen-Audio-3.0-TTS إذا كان الناتج محتوى: سرد، توطين، صوتيات لإمكانية الوصول، دبلجة، أو أي سير عمل يكون فيه النص موجودًا قبل الصوت وتكون الجودة لكل ساعة مُصيَّرة هي المقياس. ابدأ على Flash إذا كنت تحتاج إلى تشغيل مباشر، وانتقل إلى Plus عندما يكون الصوت نفسه هو المُخرَج النهائي، وسعّر سير عمل الاستنساخ بشكل منفصل عن الأصوات الجاهزة، وتأكد من سعر المليون حرف على مستوى الحساب قبل أن تبني عليه توقعاتك.

اشترِ Grok Voice 3.0 إذا كان المُدخل شخصًا. خطوط الدعم، ومسارات الحجز، ومقابلات الاستقبال، وأي شيء يصل فيه أول مقطع لفظي من المتصل بينما يكون النموذج في منتصف الجملة، ويجب أن يتصرف النظام كمستمع لا كمشغّل. يكلف أكثر لكل ساعة صوتية، ولا يمكنه قراءة مستندك، وهو الوحيد من بين الاثنين الذي يمكن مقاطعته.

كثير من المنتجات الحقيقية تريد كليهما — نموذج تصيير يُنتج الأصول الصوتية، ونموذج ثنائي الاتجاه يتولى المكالمة التي تنتمي إليها تلك الأصول. وما لا ينبغي أن يتشاركاه هو نموذج التكلفة. فالساعة الواحدة من الصوت هي الوحدة الصحيحة لأحد هذين، أما التكلفة الحقيقية للآخر فهي خط الأنابيب الذي تجنّبته بعدم بناء سلسلة متتالية.