Grok Voice 3.0 مقابل Sesame Preview: الصوت الذي يفوز في كل اختبار استماع هو الصوت الذي لا يحتوي على API

اسأل غرفة مليئة بالناس أيّ من هذين يبدو أكثر شبهاً بإنسان وستحصل على إجابة واحدة. Sesame Preview هو المساعد الصوتي المجاني من Sesame — أربعة وكلاء بأسماء Maya وMiles وSimone وCharlie، متاح على iOS منذ مايو 2026 وعلى نطاق واسع على Android منذ أوائل أغسطس — وقد أنتج المقاطع الفيروسية التي جعلت عبارة "وضع الصوت الأفضل في فئته" عبارة يظل المراجعون يبحثون عنها. Grok Voice 3.0، الذي أعلنت عنه SpaceXAI في 14 أكتوبر 2026، هو النموذج الأعلى تقييماً في تحويل الكلام إلى كلام على اللوحة العامة بـ 86.9، ويمكن استدعاؤه عبر نقطة نهاية زمن حقيقي موثقة بتكلفة 0.08 دولار في الدقيقة. لا تتناقض هاتان الحقيقتان، والفجوة بينهما هي كل المواجهة: أحدهما صوت يحكم عليه الناس بآذانهم، والآخر صوت يمكن لطرف خارجي قياسه.

النصف الثاني من تلك الفجوة هو الوصول. لا يمتلك Sesame Preview واجهة برمجية (API)، ولا معرّف نموذج، ولا بطاقة أسعار، ولا خطة معلنة لتوفير أي منها، كما أن صوت الإنتاج في التطبيق هو نموذج مغلق أكبر لم يطلقه المختبر قط. أما G​rok Voice 3.0 فهو مكوّن تستأجره بالدقيقة. إن اخترت بالسمع، فأنت تريد Sesame. وإن اخترت بناءً على قدرتك على إطلاق شيء ما، فقد اتُّخذ القرار نيابةً عنك.

ما هو كل واحد، رسميًا

بعد تجريدهما من الجانب التسويقي، لا يُعدّ المنتجان حتى من النوع نفسه.

• ما هو — Grok Voice 3.0 هو نموذج تحويل الكلام إلى كلام يعمل خلف WebSocket الفوري الخاص بـ SpaceXAI، مع أدوات مرتبطة بالجلسة ونصوص محادثات مُعادة؛ Sesame Preview هو تطبيق موجّه للمستهلكين يضم أربعة وكلاء محادثة، وذاكرة لكل وكيل تتزامن عبر الويب والجوال، وبحث مباشر على الويب أثناء المكالمة، وملخص يُرسَل بعدها.

• السعر — 0.08 دولار لكل دقيقة من الصوت بالإضافة إلى 0.004 دولار لكل إدخال نصي، أي نحو 4.80 دولار في الساعة، مقابل G​rok Voice 3.0؛ مجاني للمستخدم بلا إعلانات وبلا فئة مدفوعة معلنة لـ Sesame Preview.

• وصول المطوّرين — نقطة نهاية موثّقة، ورموز مؤقتة لاتصالات جهة العميل، ونقطة نهاية مخصّصة للصوت تدرّب صوتًا من مقطع مرجعي يصل إلى 120 ثانية لـGrok Voice 3.0؛ ولا شيء على الإطلاق لـSesame Preview.

• الأوزان — مغلقة من كلا الجانبين، باستثناء واحد: فقد نشرت Sesame نموذج CSM-1B، وهو نقطة تحقق بترخيص Apache-2.0 وليس الصوت الموجود في التطبيق.

• تقييم مستقل — 86.9 على مؤشر Artificial Analysis Speech to Speech Index، مع خمسة مكوّنات قابلة للقراءة لـ G​rok Voice 3.0؛ ولا أي منها لصوت Sesame Preview، ولا أي منها نشرته Sesame أيضًا.

• الحدود — لا يوجد لدى Grok Voice 3.0 حد معلن لمدة الجلسة، وقد سُوّق الجيل السابق له على أساس معدل خطأ الكلمات عبر 24 لغة؛ أما Sesame Preview فهو بالإنجليزية فقط، مع حد لمدة المكالمة يبلغ 30 دقيقة، ينخفض إلى خمس دقائق عند تسجيل الخروج، ومن دون تنفيذ مهام — فالوكلاء يتحدثون، ولا يحجزون أو يشترون أو يحرّرون أي مستند.

تلك النقطة الأخيرة هي التي تُنهي معظم عمليات التقييم. المنتج الصوتي الذي لا يمكن الاتصال به ليس مكوّنًا؛ بل هو منافس.

نقطة التحقق المفتوحة، وما ليست عليه

لقد كانت Sesame صريحة على نحو غير معتاد بشأن الفجوة بين نسختها التجريبية وتنزيلها، وهذه هي الحقيقة الأكثر أهمية على الإطلاق بالنسبة لأي شخص يوازن بين الاثنين.

CSM-1B هو نموذج كلام حواري بحجم مليار معامل (1B) صدر بموجب ترخيص Apache 2.0 في 23 أبريل 2026: عمود فقري بمعمارية Llama يغذّي مفكّك ترميز منفصلًا ومرمّز Mimi من Kyutai، وينتج كلامًا إنجليزيًا أحادي القناة بتردد 24 كيلوهرتز من سياق يبلغ نحو 4,000 رمز. إنه نموذج أساسي لتوليد الكلام. بحسب تقييم مَن شغّلوا كليهما، فإن صوته أضعف بوضوح من الصوت الموجود في التطبيق، وتوثيق Sesame نفسه صريح في أنه ليس نظامًا من طرف إلى طرف للكلام إلى الكلام، ولا يمكنه توليد نص.

إذن فالملف المنزَّل هو سلالة بحثية، وليس المنتج. من ذهب بحثًا عن الصوت من العرض التجريبي وجد النموذج الأصغر الذي خرج من المختبر نفسه، والشيء الذي يجيب عندما يتلقى أحد الوكلاء الأربعة الاتصال هو نموذج إنتاجي لم يُطرح قط. تستضيفه جهات تقديم استدلال من أطراف ثالثة بنحو 7 دولارات لكل مليون حرف — أي نحو 0.35 دولار لكل ساعة من الصوت المُولَّد — أو مجانًا على عتادك الخاص، ولم ينشر أحد أيضًا معيارًا مستقلًا له.

وعلى سبيل القياس، فإن مبلغ $0.35 في الساعة هو أرخص صوت في هذه المقارنة بفارق ثلاثة عشر ضعفًا، وهو أيضًا أقل عنصر فائدة فيها، لأن نقطة تحقق بحجم 1B لا تستطيع إجراء محادثة ثنائية الاتجاه لا تنافس G​rok Voice 3.0 في السعر. إنها تنافس أي أداة سرد كنت تستخدمها بالفعل.

لماذا يختلف اختبار الأذن والمؤشر، وأيهما الخطأ

إنهما ليسا في تعارض. إنهما يجيبان عن سؤالين مختلفين، وواحدٌ منهما فقط يمكن الإجابة عنه علنًا.

تستند سمعة Sesame Preview إلى كيفية سماع الصوت لدى المستمع: النَّفَس، والتردد، وتوقيت المقاطعة، والانطباع بأن هناك شخصًا على الخط. ذلك دليل حقيقي من نوع ما — فقد أقنع العرض التجريبي مئات الآلاف من الأشخاص والمراجعين الذين لم يكن لديهم حافز لأن يكونوا متسامحين — وهو غير مُقاس كميًا بالكامل. لا يوجد إدخال في الحلبة، ولا تقييم منشور للصوت الإنتاجي، ولا عدد للعينات. وكل ادعاء حول الجودة في أي من الاتجاهين هو انطباع سماعي.

إن نتيجة 86.9 الخاصة بـ Grok Voice 3.0 هي نوع معاكس من الأدلة. فهي تتجزأ إلى استدلال كلامي قرب السقف، و97.0% في Full Duplex Bench، و71.6% في τ-Voice، وتصنيف Elo في الساحة قدره 1070 ونجاح في المهام بنسبة 94.8%، وكل منها مقيس ضمن أداة اختبار منشورة يمكن لفريق خارجي قراءتها والتحقق من حساباتها واختلاف الرأي معها. إن المؤشر المركّب اختيار ترجيحي، ومكوّن الساحة مُجمّد عند النقطة التي يصبح فيها النموذج مؤهلاً بدلاً من تتبّع Elo الحيّ — لكن الخلاف متاح لأي شخص، وهذا ما يجعله قياساً لا ادعاءً.

ما لا تقيسه لوحة النتائج هو ما إذا كنت تستمتع بالحديث إليه. وهناك رقم محدد في الإصدار يقع تمامًا على هذا المحور: يبدأ Grok Voice 3.0 بالكلام خلال 0.81 ثانية، بينما كان النموذج الذي يُحيله إلى التقاعد يبدأ خلال 0.70. الطراز الرائد أبطأ في الانطلاق من سابقه هو نفسه بمقدار 0.11 ثانية، وهو بالضبط نوع التفصيل الذي يلاحظه المستمع قبل أن يلاحظه أي اختبار أداء.

ما الذي يخبرك به تصميم الوكلاء الأربعة

الشخصيات الأربع لدى Sesame ليست تفصيلًا تسويقيًا؛ بل هي قرار معماري، وهو نقيض القرار الذي اتخذته S​paceXAI.

مايا، مايلز، سيمون وتشارلي أصوات ثابتة بطبائع ثابتة، والذاكرة محدودة النطاق لكل وكيل. هذا منتج مبني على افتراض أن الصوت هو المُخرَج النهائي وأن الشخصية هي السمة المميزة. لا يوجد تخصيص للصوت، ولا استنساخ، ولا مسار من تطبيق المستهلك إلى واجهة برمجة تطبيقات — الطبقة المجانية هي المنتج، والتوجه المعلن للشركة هو شراكات بحثية وجهاز عتاد مخطّط له بدلاً من منصة للمطورين.

يسير Grok Voice 3.0 في الاتجاه المعاكس. فهو يأتي مزودًا بمجموعة الأصوات المدمجة الخاصة بـ SpaceXAI، بينما تدرّب نقطة نهاية منفصلة مخصّصة للأصوات صوتًا انطلاقًا من مقطع مرجعي تصل مدته إلى 120 ثانية، مع عمل voice_id الناتج عبر كل من واجهة API في الوقت الفعلي وتحويل النص إلى كلام المتدفق. وتقبل الجلسة الخاصة به الأدوات، بحيث يستطيع الوكيل استدعاء الواجهة الخلفية لديك أثناء المحادثة بدلًا من مجرد التحدث عنها.

أيهما أفضل يعتمد على ما إذا كنت تبيع تجربة أم تبني تجربة. منتج صوتي يطرح أربع شخصيات ثابتة ممتازة قد حلّ العلامة التجارية والتكامل في قرار واحد. ومنتج صوتي مزوّد بنقطة نهاية للاستنساخ قد سلّمك مساحة امتثال وسير عمل توطين في قرار واحد. لا يُعد أي منهما خطأً، وهما يستهدفان عملاء مختلفين.

إلى أين تستقر مسألة التوجيه في الواقع

لا يخدم OrcaRouter أيًا من طبقتَي الصوت هاتين. يعمل G​rok Voice 3.0 خلف WebSocket للوقت الفعلي الخاص بـ S​paceXAI، ولا يمكن لأي شيء أن يتدخل في جلسة صوت ثنائية الاتجاه تملكها شركة واحدة؛ أما Sesame Preview فليس لديه أي نقطة نهاية يمكن التوجيه إليها على الإطلاق. القول بخلاف ذلك سيكون وصفًا لقدرة غير موجودة، وهذه الفئة مليئة بمنصات تفعل ذلك بالضبط.

القابل للتوجيه هو الطبقة التي يعتمد عليها كلا المنتجين بهدوء. يقوم وكلاء Sesame بالبحث في الويب أثناء المحادثة ويرسلون ملخصاً بعدها؛ بينما تصل مصفوفة أدوات G​rok Voice 3.0 إلى أي خدمة خلفية تجيبها، وأي شيء أثقل من استدعاء مضمّن يصبح طلب نموذج نصي خلف المحادثة. هذا العمل يُحتسب بعدد الطلبات، وهو الموضع الذي يتراكم فيه جزء معتبر من تكلفة كل استدعاء، وهو النصف الذي يمكنك إبقاؤه ثابتاً في منتج صوتي بينما يتغير النموذج الصوتي تحته — وهو ما يُعد، نظراً إلى أن grok-voice-latest/ قد تحرك مرتين في ربع واحد، خاصيةً تستحق الاحتفاظ بها. مئتان وسبعة نماذج من أكثر من دزينة من المزودين upstreams خلف مفتاح واحد، بسعر قائمة المزود دون أي هامش ربح، مع تجاوز فشل تلقائي عندما يتدهور أحد المزودين، ولغة DSL للتوجيه لتأليف عدة نماذج في استدعاء واحد، ودمج النماذج حيث لا يكفي حكم نموذج واحد. ولأن لا شيء يُضاف إليه هامش ربح، فإن أي تخفيض سعر من أحد الموردين على أي من تلك النماذج يصبح سارياً هنا في اليوم نفسه.

التوصية، مقسّمة حسب من أنت

إذا كنت مستهلكًا يريد أفضل صوت محادثة متاح اليوم ولا ينوي دمج أي شيء، فإن Sesame Preview مجاني، وهو متاح على كلتا منصتي الهاتف المحمول، وسمعته مستحقة بما يكفي ليواصل المراجعون تأكيدها، ولا شيء في هذا المقال يغيّر ذلك. استخدمه واستمتع به.

إذا كنت تبني، فالقرار قد اتُّخذ بالفعل، والمنطق وراءه يستحق أن تستوعبه. لا يمكنك استدعاء Sesame Preview، ولا يمكنك تثبيت صوته، ولا يمكنك مقارنته بأي شيء كمعيار — لذا كل محادثة مشتريات بشأنه تنتهي في المكان نفسه، وهو اختبار استماع بين خيارين لا يستطيع أي من الطرفين تقييمهما. G​rok Voice 3.0 يمنحك بطاقة أسعار، وسلسلة نموذج ذات إصدار، ونصًا مكتوبًا، ونقطة نهاية للاستنساخ، ودرجة في لوحة ترتيب يمكنك أن تجادل بشأنها. أول ما عليك فعله به هو تثبيت إصدارك، لأن الاسم المستعار قد نُقل إليه بالفعل دون أن يُسألك.

وإذا كنت باحثًا يريد الفشل المثير للاهتمام: فالخلاصة الصادقة لهذا الاقتران هي أن الفئة أثبتت قدرتها على صنع صوت يستحق الاستماع إليه، ولم تقرر بعد ما إذا كان ينبغي أن يكون هذا الصوت قابلًا للشراء بأي شكل غير تطبيق. بنت Sesame التجربة الأفضل وأبقتها مغلقة. وبنى SpaceXAI المكوّن الأفضل ونشر الرقم. ترقّب نسخة Sesame التي تمتلك واجهة برمجة تطبيقات (API) — فذلك هو الإصدار الذي سيجعل هذه الصفحة عتيقة.

تلك الفجوة بين ما تقيسه لوحة النتائج وما يواجهه النشر هي سبب أهمية السجل: فحالات فشل الذكاء الاصطناعي الموثقة وحوادث الوكلاء المرتبطة بنماذج من هذه الفئة مجموعة في the OrcaRouter AI Incident Archive، حيث يحمل كل مدخل مصادره الخاصة ودرجة خطورته وتصنيف ثقته وعلامته كمتنازع عليه.