LFM3-Audio-2B مقابل Qwen-Audio-3.1: نقطة حفظ واحدة، ومقاييس متعددة
- OrcaجديدOrcaCyber: GLM 5.3 Flash Abliterated2026-10-2780 tok/s
- OrcaجديدOrcaCyber: Qwen3.8 Flash Next Abliterated2026-10-26$0.80 / $1.60 لكل مليون رمز · 283 tok/s
- OrcaجديدOrcaCyber: MiMo V2.6 Flash Abliterated2026-10-26$0.80 / $1.60 لكل مليون رمز · 83 tok/s
- MoonshotجديدMoonshotAI: Kimi K3.1 Pro2026-10-2455الذكاء
- OrcaجديدOrcaCyber: DeepSeek V4.1 Flash Abliterated2026-10-23$0.80 / $1.60 لكل مليون رمز · 119 tok/s
- minimaxجديدMiniMax: M3.1 Flash2026-10-1943الذكاء
- OrcaجديدOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 لكل مليون رمز · 45 tok/s
- deepseekجديدDeepSeek: DeepSeek V4.1 Flash 10172026-10-1745الذكاء
- DeepSeekجديدDeepSeek: DeepSeek V4.1 Flash2026-10-1740الذكاء
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 لكل مليون رمز · 113 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2952الذكاء
- anthropicAnthropic: Claude Sonnet 5.52026-09-2856الذكاء
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 لكل مليون رمز · 700 tok/s
- OpenAIOpenAI: GPT-6 Luna2026-09-2238الذكاء
- OpenAIOpenAI: GPT-6 Sol2026-09-2248الذكاء
- AnthropicAnthropic: Claude Opus 5.52026-09-2258الذكاء
- xiaomiXiaomi: MiMo-V2.6-Flash2026-09-2138الذكاء
- xiaomiXiaomi: MiMo-V2.6-Pro2026-09-2146الذكاء
- xAIGrok 4.72026-09-2146الذكاء
- OrcaOrca: OrcaCyber Zero 1.02026-09-17$3.00 / $7.50 لكل مليون رمز · 160 tok/s
اسأل عن تكلفة Qwen-Audio-3.1، وأول إجابة صادقة هي سؤال آخر: أيّها؟ يغطي الاسم خطًا صوتيًا مستضافًا متعدد الطبقات: نموذجًا ثنائي الاتجاه في الزمن الحقيقي، وطبقة Flash في الزمن الحقيقي، والنسخ البثّي ونسخ الملفات، ونموذجَي تركيب صوتي؛ ولكل طبقة بطاقة أسعارها الخاصة. LFM3-Audio-2B هو النوع المعاكس من الكائنات: نقطة تحقق واحدة بحجم 2B من Liquid AI، أُطلقت في 27 أكتوبر 2026 ضمن عائلة LFM3 المكوّنة من ستة نماذج، وقابلة للتنزيل بموجب ترخيص LFM Open License v1.0، مع نسخة Ollama بحجم 2.1 GB ولا يوجد أي عدّاد لكل استدعاء في أي مكان. مقارنتهما ليست مقارنة لجودة الصوت. بل هي مقارنة بين شكلي فوترة، وتختلف نتيجة الحساب حسب ما إذا كانت حركة المرور لديك ثابتة، أو متذبذبة، أو ما تزال افتراضية.
تؤثر أشكال الإصدار أيضًا، لأنها تحدد التوقعات المتعلقة بالتوثيق. Qwen-Audio-3.1 هو الكتالوج أولًا: تُوثَّق معرّفات النماذج في Alibaba Cloud Model Studio، ويوصف كل منها بسطر أو سطرين، ويُسعَّر لكل رمز، مع عدم نشر الأوزان وعدم وجود عدد معلمات عام. أما LFM3-Audio-2B فهو الأوزان أولًا: مستودع، وبطاقة نموذج، وطلب سحب مدمج في llama.cpp، وفقرة واحدة في منشور عائلة مورّده. أحدهما خط منتجات تستأجره. والآخر ملف تملكه. كل فرق عملي أدناه ينبع من ذلك.
ما الذي يشمله الاسم فعليًا
Qwen-Audio-3.1 ليس نقطة نهاية واحدة، والتعامل معه على أنه كذلك هو الخطأ الأكثر شيوعًا في المقارنات. تؤدي المستويات مهامًا مختلفة:
• qwen-audio-3.1-realtime-flash — كلام نصّي وصوتي مزدوج الاتجاه وفي الوقت الفعلي، إدخالًا وإخراجًا، مع استدعاء الدوال، والبحث على الويب، واستنساخ الصوت، وثلاثة أوضاع لكشف تبدّل الدور. هذا هو أقرب نظير لـ LFM3-Audio-2B، وهو المستوى الذي يسعّره هذا المقال.
• qwen-audio-3.1-realtime-plus — الطبقة الأكثر اكتمالاً في الزمن الحقيقي. توثّق علي بابا تحويلاً صوتياً بمعدل 12.5 رمزًا في الثانية لها، وتتقاضى سعرًا أعلى بكثير على الإخراج مقارنةً بطبقة الفلاش. منتج مختلف، وفاتورة مختلفة.
• qwen-audio-3.1-asr-flash-streaming — التعرّف عبر البث، مع نتائج وسيطة، وكشف النشاط الصوتي (VAD)، والكلمات المفتاحية، وإزالة التردد. لا مخرجات صوتية.
• qwen-audio-3.1-asr-flash-filetrans — نفس مهمة التعرف المجمّعة على ملف.
• Qwen-Audio-3.1-TTS وTTS-Next — التخليق الصوتي، مع تسويق نموذج Next بوصفه نموذج «Audiogen» للصوت والمؤثرات الصوتية والأجواء الصوتية في تمريرة واحدة عند 48 kHz.
يجمع LFM3-Audio-2B تلك المهام في نقطة تحقق واحدة. التعرف والتوليف والترجمة وفهم الصوت واستدعاءات الأدوات المنطوقة هي أوضاع للنموذج نفسه بحجم 2B، تُختار عبر الموجه ومن خلال ملف تعريف الخدمة. لا توجد وحدة SKU لاختيارها ولا عدّاد منفصل للتحدث مقابل الاستماع. المقايضة هي درجة التفصيل مقابل البساطة: لا يمكنك الدفع مقابل التعرف فقط عندما يكون التعرف كل ما تحتاجه، لأنك تشغّل النموذج بأكمله في كلتا الحالتين.
الفاتورة، تم احتسابها
تنشر Alibaba أسعار qwen-audio-3.1-realtime-flash بالدولار الأمريكي لكل مليون رمز. في سنغافورة: الإدخال النصي $0.23، والإدخال الصوتي $0.93، والإخراج النصي $0.70، والإخراج الصوتي $1.87. وبكين أرخص قليلًا عند $0.212 و$0.848 و$0.636 و$1.696. حدود المعدل هي 60 طلبًا في الدقيقة و100,000 رمز في الدقيقة، دون حد منفصل على اتصالات WebSocket المتزامنة. نافذة السياق 262,144 رمزًا، بحد أقصى للإدخال 245,760 وللإخراج 16,384 — لكن سجل الصوت محدود بـ50 دورًا أو 300 ثانية تراكمية، وهو الحد الذي تصل إليه المحادثة الطويلة فعليًا.
لا توجد بطاقة أسعار لـ LFM3-Audio-2B لأن Liquid لا تبيعه كنقطة نهاية. التكلفة هي الجهاز الذي تشغّله، وتنزيل بحجم 2.1 غيغابايت، وحد الترخيص: مجاني للاستخدام التجاري إذا كانت الإيرادات السنوية أقل من 10 ملايين دولار، ومدفوع فوق ذلك. على حاسوب محمول يكون ذلك قريبًا من الصفر؛ وعلى وحدة معالجة رسومات يكون بمقدار ما تدفعه بالفعل مقابل السعة الخاملة. الترميز هو ادعاء الكفاءة الجدير بالمعرفة — يحزم LiquidCodec 80 مللي ثانية من الكلام في 12 رمزًا ويفكّ الترميز بسرعة تعادل نحو 87 ضعف الزمن الحقيقي على خيط معالج واحد في M4 Max — لكن ذلك يقيس الترميز، لا نموذج اللغة، وينبغي ألا يُقرأ كإنتاجية شاملة من طرف إلى طرف على أجهزتك.
الجزء الذي يحسم الأمر الآن. تُحتسب تكلفة النموذج الفوري المستضاف لكل توكن من المحادثة، بما في ذلك الصوت الذي يولّده، وتكمن تكلفة وكيل الصوت في الإخراج. أما النموذج المستضاف ذاتيًا فتُحتسب تكلفته لكل ساعة من العتاد، سواء كان أحد يتحدث أم لا. وبالنسبة لمركز اتصالات يعمل بحمل ثابت، تُستهلك التكلفة الثابتة، ويمكن أن ينخفض الرقم لكل ساعة إلى ما دون أي قائمة أسعار. أما بالنسبة لمنتج ذي حركة متقطعة — فريق امتثال يفرّغ نصيًا ألف مكالمة في آخر يوم من الربع ثم لا شيء لأحد عشر أسبوعًا — فإن الفوترة لكل مكالمة تفوز، لأن تكلفة وحدات GPU تُحتسب خلال الصمت. لا يكون أي من الشكلين أرخص بشكل عام. بل يكونان أرخص عند مستويات استخدام مختلفة.
التغطية وزمن الاستجابة والادعاءات غير المطابقة
• اللغات — LFM3-Audio-2B: 18 لغة، و19 إعدادًا لغويًا محليًا، مع كون التعرف التلقائي على الكلام (ASR) المباشر محدودًا باللغة الإنجليزية، والترجمة في أقوى حالاتها من الإنجليزية أو إليها. Qwen-Audio-3.1: لا تنشر وثائق Alibaba الخاصة بطبقة realtime flash قائمةً باللغات؛ إذ تُوثَّق طبقات التعرف لديها حول الماندرين والكانتونية والسيشوانية وغيرها من اللهجات الصينية، مع الكشف التلقائي عن اللغة. اعتبر التغطية غير معروفة بالنسبة إلى Qwen حتى تُعدِّدها الوثائق.
• {{1}}زمن الاستجابة{{/1}} — LFM3-Audio-2B: «يصل إلى 50 مللي ثانية» للزمن حتى أول رمز، مقيس من الجهة المورّدة على عتاد Apple محدد بالاسم، دون أي مئين أو أداة اختبار. Qwen-Audio-3.1: الرقم الرئيسي لعائلة Alibaba البالغ 92 مللي ثانية لأول رمز مستمد من اختبارها الخاص عالي التزامن على مواصفة 0.6B، وليس من اختبار طرف ثالث. ولا يُعد أي منهما رقمًا نموذجيًا.
• ثنائي الاتجاه — LFM3-Audio-2B: طلب واستجابة مع البث التدفقي؛ يسمح المُرمِّز السببي بالتعبئة المسبقة أثناء تحدثك، لكن لا يوجد ادعاء بدعم المقاطعة أثناء الكلام. Qwen-Audio-3.1 realtime-flash: ثنائي الاتجاه صراحةً، مع VAD من جانب الخادم ووضع الدور الذكي الذي يتعامل مع المقاطعات.
• السياق — LFM3-Audio-2B: 32K رمزًا مميزًا، الإدخال بالإضافة إلى الإخراج. هذا ليس رقم 256K المكرر في بعض تغطية LFM3؛ بل يخص نموذج النص. Qwen-Audio-3.1 realtime-flash: 262K رمزًا مميزًا، مع حد سجل الصوت المذكور أعلاه.
هذا الخط ثنائي الاتجاه هو ما يغيّر البنية المعمارية. إذا كان منتجك يحتاج إلى أن يُقاطَع في منتصف الجملة، فإن LFM3-Audio-2B هو الشكل الخاطئ من النماذج ولا يُصلح ذلك أي توجيه. وإذا كان منتجك يقرأ تسجيلًا ويجيب عن سؤال بشأنه، فإن ثنائي الاتجاه غير ذي صلة ونقطة التحقق 2B هي الكيان الأبسط.
من قاس ماذا
تنشر Liquid ستة أرقام لـ LFM3-Audio-2B، وكلها مقابل نموذجها السابق LFM2.5-Audio-1.5B: معدل خطأ الكلمات (WER) في التعرف التلقائي على الكلام الإنجليزي 6.23 (مقابل 6.13، دون تغيير)، وWER/CER متعدد اللغات 6.03، وUTMOSv2 3.83 (مقابل 3.22)، وVoiceBench 73.13 (مقابل 55.17)، وMMAR 50.60 (مقابل 25.85)، وتقييم داخلي لاستدعاء الأدوات عند 58.50. لم يُذكر أي مجموعة اختبار أو إطار اختبار أو تباين. ولم نتمكن من العثور على أي إعادة إنتاج مستقلة لأي صف.
إن أدلة Qwen مختلفة من حيث النوع. فهناك تقرير تقني بعنوان "Qwen-Audio-3.1-Realtime: Towards Reliable Agentic Voice Interaction"، يورد أن نجاح المهام في تكييف نصف مزدوج لتحويل الكلام إلى نص خاص بـ τ-Voice قد تحسّن من 78.4% إلى 82.0%، وأن معدل الاستجابة للكلام الخلفي في Full-Duplex-Bench v1.5 قد انخفض من 73.0% إلى 13.0%. هذان هما الرقمان المذكوران في الملخص؛ ويتضمن المتن جداول على مستوى النموذج، لكنني لم أتحقق منها مقابل حزمة اختبار، والورقة تقرير من مورّد وليست تقييمًا مستقلًا.
إذن، لوحة النتائج الصادقة هي: أحد النموذجين لديه جدول من الجهة المورّدة بلا ورقة بحثية، والآخر لديه ورقة بحثية من الجهة المورّدة بلا أداة اختبار قابلة لإعادة الإنتاج، ولا يظهر أي منهما على لوحة محايدة باسمه. أي مقال يضع أرقامهما في أعمدة متجاورة إنما يرتب ادعاءين غير مُتحقّق منهما ويترك للتخطيط مهمة الإقناع.
أين يتناسب الموجّه، بدقة
لا يوجد أيٌّ من LFM3-Audio-2B أو Qwen-Audio-3.1 في كتالوج OrcaRouter، لذا لا توجد أي ادعاءات توجيه يمكن تقديمها بشأن طبقة الكلام نفسها. أما الطبقة التي تعلوها فالأمر مختلف. لا يزال المنتج الصوتي المبني على أيٍّ من النموذجين بحاجة إلى نموذج نصي لتلخيص أو تصنيف أو استخراج أو تحديد ما يقوله الوكيل لاحقًا، وهذا الاستدعاء هو حيث تتباين التكلفة والموثوقية فعليًا.
تضع OrcaRouter أكثر من 200 نموذج نصي ومتعدد الوسائط خلف مفتاح واحد بسعر قائمة المزوّد دون أي هامش إضافي، مع تحويل تلقائي عند الفشل بين المزوّدين، وDSL للتوجيه يمكنه تركيب عدة نماذج في استدعاء واحد. بالنسبة لهذه المقارنة، النمط المفيد هو اختبار A/B: شغّل المحادثات المسجّلة نفسها عبر qwen-audio-3.1-realtime-flash وعبر LFM3-Audio-2B على عتادك الخاص، ثم أرسل كلا التفريغين النصيين إلى النموذج اللاحق نفسه على نقطة النهاية نفسها. تبقى المقارنة نظيفة، ولا يصبح الجانب النصي أبدًا هو المتغير الذي نسيت التحكم فيه.
أي فاتورة تختار
اختر Qwen-Audio-3.1 realtime-flash إذا كنت بحاجة إلى محادثة ثنائية الاتجاه، أو حزمة تعرّف صوتي تُعطي الأولوية للصينية، أو سياق بسعة 262 ألف رمز، أو اتفاقية مستوى خدمة من المورّد — وإذا كان حجم حركة المرور لديك متذبذبًا بما يكفي لتكون الفوترة حسب الرمز ميزةً في صالحك. اقرأ أسماء الفئات بعناية قبل أن تحدّد السعر: فـ realtime-plus وrealtime-flash ليسا المنتج نفسه، وسعر المخرجات هو ما يُحسم عنده مقدار فاتورة وكيل الصوت.
اختر LFM3-Audio-2B إذا كنت بحاجة إلى امتلاك النموذج، أو التشغيل دون اتصال، أو تجنّب عدّاد الدقيقة، أو تخليق 18 لغة على حاسوب محمول. تقبّل سياق 32K، والتعرّف الصوتي المباشر بالإنجليزية فقط، وعتبة الترخيص، وحقيقة أن دقة التعرّف لديه في منتصف الجدول في مقارنة مورّده نفسه.
انتظر، إذا كنت بحاجة إلى رقم يمكنك الدفاع عنه أمام فريق المشتريات. لا يملك أي من النموذجين رقمًا كهذا بعد. أول تقييم مستقل على مجموعة بيانات صوتية مشتركة — لا جدول من مورّد، ولا ورقة من مورّد — سيكون أعلى قيمة من كل رقم ورد أعلاه، وهو ما ينبغي مراقبته قبل أن يصبح أي منهما معيارًا.
