Ming-3.0-audio-tiny مقابل Voxtral 4B TTS: أحدهما مستمعٌ مرتبطٌ بصوت، والآخر لا يقدّم شيئًا آخر غير ذلك.

إذا كنت تريد توليد الكلام ولا شيء آخر، فيجب أن تستغرق هذه المقارنة نحو ثلاثين ثانية. Voxtral 4B T​TS هو نموذج تحويل نص إلى كلام: نص يدخل، وصوت بمعدل 24 كيلوهرتز يخرج، وعشرون صوتًا مسبقًا، وتسع لغات، وجدول زمن وصول منشور، وشروط ترخيص تمنعك من بيع النتيجة. Ming-3.0-audio-tiny هو نموذج لغوي صوتي يتضمن أيضًا مولد كلام — Talker بحجم 1.4 GB مثبّت على Thinker بحجم 17.74 GB، مع ثلاثة أصوات مسمّاة ومسار استنساخ، داخل مستودع لا يقيس فيه قسم التقييم عملية التركيب الصوتي ولا مرة واحدة. إذا كان الكلام هو المنتج، فالمقارنة محسومة قبل أن تبدأ. تُجمع حالات فشل الذكاء الاصطناعي الموثقة وحوادث الوكلاء التي تقف وراء إصدارات كهذا في أرشيف OrcaRouter لحوادث الذكاء الاصطناعي حيث تحمل كل مدخلة مصادرها ودرجة خطورتها وتقدير ثقتها وعلامة كونها محل نزاع.

النسخة المثيرة للاهتمام من السؤال هي الأخرى: أنت تبني شيئًا عليه أن يفهم الصوت ويردّ بالنطق، وأنت تقرر ما إذا كنت ستشتري نموذجًا واحدًا يقوم بالأمرين معًا أو توصِل مستمعًا بصوت مخصص. هنا تتحول الثلاثون ثانية إلى فترة بعد ظهر كاملة، لأن الخيارين يفشلان في مواضع مختلفة، وواحد فقط منهما يأتي برقم يمكنك التخطيط على أساسه.

الترخيص يحدد أكثر مما يحدده المعيار.

ابدأ بالأمر الذي لا يمكن لأي قدر من التقييم أن يصلحه. إن Voxtral 4B TTS مرخّص بموجب CC BY-NC 4.0 — أي لأغراض غير تجارية — وهو ترخيص موروث من مجموعات بيانات الصوت المرجعي التي بُني بها النموذج: EARS وCML-TTS وIndicVoices-R ومجموعة صوت طبيعي عربية. وتوضّح Mistral ذلك صراحةً على بطاقة النموذج، وتوجّه المستخدمين التجاريين إلى واجهة API الخاصة بها. لذا فإن الأوزان متاحة للبحث والاستخدام الشخصي، والمسار التجاري هو جدول تسعير وليس تنزيلًا.

Ming-3.0-audio-tiny مرخّص بموجب MIT في بيانات البطاقة وفي ملف LICENSE الخاص بمستودع GitHub الذي يشير إليه. من الجدير بالمعرفة: مستودع Hugging Face نفسه لا يحتوي على ملف LICENSE، ولا يحمل الصوتان المرجعيان المرفقان أي شروط منفصلة خاصة بهما. إن MIT ادعاء متساهل بحق هنا، لكنه ادعاء وارد في البيانات الوصفية لا ملف موجود داخل المنتج الفعلي، وسيلاحظ فريق المشتريات ذلك.

• الاستخدام التجاري — Ming: نعم، MIT، الأوزان والشيفرة. Voxtral: ليس من الأوزان؛ بل واجهة برمجة التطبيقات الخاصة بالمورّد هي المسار المعتمد.

• الأصوات المضمَّنة — Ming: ثلاثة أصوات مُسمّاة، اثنان منها مرفقان كملفات WAVs مرجعية مع نصوصها. Voxtral: عشرون إعدادًا مسبقًا.

• اللغات — Ming: الصينية والإنجليزية للنموذج ككل، دون قائمة لغات منفصلة لـ Talker. Voxtral: الإنجليزية والفرنسية والإسبانية والألمانية والإيطالية والبرتغالية والهولندية والعربية والهندية.

• الإخراج — Ming: أيّ شيء ينتجه Talker؛ لا تحدّد البطاقة معدّل العينات ولا الحاوية. Voxtral: 24 kHz، أو WAV، أو PCM، أو FLAC، أو MP3، أو AAC، أو Opus.

• ما الذي تشغّله — Ming: the Thinker، بسعة 17.74 GB، بالإضافة إلى Talker بسعة 1.4 GB وVAE بسعة 1.6 GB على جهاز ثانٍ. Voxtral: نقطة تحقق BF16 واحدة على GPU واحدة بسعة 16 GB على الأقل.

• جودة الكلام المنشورة — Ming: لا شيء. Voxtral: لا شيء أيضًا، بل جدول للكمون والإنتاجية بدلًا من ذلك، وهو أكثر من لا شيء.

الصف الأخير هو الملخص الصادق لقاعدة الأدلة في هذه المقارنة. لم ينشر أيٌّ من المورّدين درجةً للطبيعية، ولا رقمًا لتشابه المتحدث، ولا معدل خطأ في الكلمات على الكلام المُصنَّع. نشرت Mistral مدى سرعتها؛ ونشرت inclusionAI مدى جودة إنصات النموذج. لم ينشر أحد مدى جودة صوت أيٍّ منهما.

ما الذي تقوله أرقام Mistral فعليًا

جدول Voxtral هو معيار قياس لأداء الخدمة، وقراءته على نحو صحيح أمر مهم. قِيس على وحدة NVIDIA H200 واحدة باستخدام vLLM-Omni 0.18.0، مع إدخال من 500 حرف ومقطع مرجعي مدته عشر ثوانٍ:

• التزامن 1 — زمن استجابة 70 مللي ثانية، معامل الزمن الحقيقي 0.103، نحو 119 حرفًا في الثانية لكل وحدة معالجة رسوميات.

• التزامن 16 — 331 مللي ثانية، RTF 0.237، حوالي 879 حرفًا في الثانية.

• التزامن 32 — 552 مللي ثانية، RTF 0.302، حوالي 1,431 حرفًا في الثانية.

ثمة أمران يترتبان على ذلك. أولاً، يرتفع RTF مع التزامن — من 0.103 إلى 0.302 — لذا فإن مكسب الإنتاجية من التجميع (batching) حقيقي لكنه دون خطّي؛ فأنت تحصل على نحو اثني عشر ضعفاً من الأحرف مقابل نحو ثمانية أضعاف عامل الزمن الحقيقي. ثانياً، إن 70 مللي ثانية حتى أول صوت عند التزامن 1 هو الرقم الذي يحدد ما إذا كان وكيل الصوت يبدو حياً، وهو رقم لا يملكه Ming-3.0-audio-tiny. ليس رقماً أسوأ. بل لا رقم.

تصنّف Mistral كل هذا على أنه غير مُعاد إنتاجه ويُدار من قِبل المورّد، وهو كذلك بالفعل. لكنه على الأقل ادعاء مرفق بمنهجية: عتاد مسمّى بالاسم، وإصدار وقت تشغيل مسمّى، وطول إدخال مسمّى، وطول مرجعي مسمّى. يمكنك إعادة بناء منظومة الاختبار.

الشيء الذي لا يستطيع مسار كلام مينغ الإجابة عنه

يوصَف الإخراج الكلامي للنموذج الصغير في البطاقة بثلاث جمل: أصوات مدمجة أو صوت مرجعي، وثلاثة أصوات مسماة، والاستنساخ من مقطع مرجعي بالإضافة إلى نسخته الحرفية الدقيقة. ويضيف دليل النشر التفصيل التشغيلي — إذ يعمل Talker كمرحلة ثانية عند 0.18 من ثانية البطاقة، مقيّدًا برمز إخراج واحد مع درجة حرارة 0.0 لأنه لا يولّد نصًا.

لا يوجد في المستودع أي ذكر لمعدل عينات الإخراج المُولَّد، أو مقياس للطبيعية، أو مقياس للتشابه مع المقطع المرجعي، أو بيان يوضح ما إذا كانت الأصوات الثلاثة هي الصوت نفسه في سجلات مختلفة أم متحدثين مختلفين فعلاً. تغطي صور التقييم التعرف والذكاء الصوتي والنص. أما توليد الكلام فهو القدرة الوحيدة التي يعلنها المورّد في أبرز ميزاته ولا يقيّمها إطلاقاً.

هذا ليس فضيحة، بل هو قيد تخطيطي. مع Voxtral يمكنك تحديد حجم النشر قبل أن تسمعه: بطاقة واحدة، 16 جيجابايت، 119 حرفًا في الثانية عند التزامن 1، وقائمة تسعير للمسار التجاري. ومع Ming تحدد حجم العتاد (بطاقتان، الثانية عند استغلال 0.18) ثم تكتشف أمر الصوت عبر توليد شيء ما.

عندما يكون النموذج المُجمّع هو الإجابة الصحيحة على أي حال

ثمة حجة حقيقية لصالح Talker، وهي ليست «TTS أرخص». بل إن النموذج نفسه سمع الصوت وهو الآن يتحدث عنه. يقبل Ming-3.0-audio-tiny الصوت مع تعليمات نصية ويعيد نصًا، أو نصًا مع كلام. سؤال عن تسجيل، يُجاب عنه بصوت عالٍ، في تمريرة واحدة، دون نسخ نصي يُسلسَل إلى نموذج ثانٍ. لا يوجد فشل من نوع «قال ASR إنها 'their'، وقرأها TTS خطأ»، لأنه لا يوجد نموذج ثانٍ ولا نص وسيط يمكن أن يفسد.

{{1}}هذا مهم للإجابة على الأسئلة المنطوقة، ولمساعد يستمع إلى غرفة ويردّ، ولأي شيء تكون فيه الإجابة جملة عن شيء سمعه للتو.{{/1}} {{2}}وهو لا يهم للسرد والكتب الصوتية والدبلجة أو أي عبء عمل جاء فيه النص من مكان آخر — وهذه بالضبط أحمال العمل التي بُني Voxtral من أجلها، بعشرين صوتًا وتسع لغات مقابل ثلاثة أصوات ولغتين لدى Ming.{{/2}}

• استمرارية النموذج نفسه — Ming: نعم، تمريرة أمامية واحدة من الصوت إلى الكلام. Voxtral: النص هو المدخل، لذا يجب أن يأتي النصف الخاص بالاستماع من مكان آخر.

• تنوّع الأصوات — Ming: ثلاثة أصوات محدّدة بالإضافة إلى الاستنساخ. Voxtral: عشرون إعدادًا مسبقًا بالإضافة إلى تكييف صوت مرجعي.

• البث — Ming: غير متاح؛ فالـ Talker مرحلة، وليس بثًا. Voxtral: تُعلن البطاقة عن البث والاستدلال بالدفعات، والعرض التجريبي لواجهة برمجة التطبيقات الخاص بالمورّد هو التنفيذ المرجعي.

• الكلام متعدد اللغات — Ming: الصينية والإنجليزية. Voxtral: تسع لغات، مع الإشارة إلى اللهجات.

• شكل التكلفة — Ming: عتاد ثابت، بطاقتان، بلا عدّاد لكل حرف. Voxtral: الأوزان مجانية للاستخدام غير التجاري، وواجهة API مسعّرة لكل حرف في كل ما عدا ذلك.

ما الذي يضيفه جهاز التوجيه إلى منتج صوتي، وما لا يضيفه

لا يقدّم OrcaRouter أيًّا من هذين. إن Ming-3.0-audio-tiny عبارة عن checkpoint تشغّله بنفسك، ويمكن الوصول إلى Voxtral 4B TTS عبر واجهة API الخاصة بـ Mistral؛ لا يوجد أيٌّ منهما في كتالوجنا، وهذا المقال ليس عرضًا لاستضافة أيٍّ منهما. يتمثّل دور الراوتر في منتج صوتي في النص المحيط بالصوت: توليد النص، وترجمته إلى اللغات التسع التي يدعمها Voxtral، وكتابة ملخص لما قاله المتصل، وتحديد ما إذا كان مقطع ما يحتاج إلى تدخل بشري. هذه استدعاءات نصية عادية — أكثر من 200 نموذج نصي خلف مفتاح واحد بسعر قائمة المزوّد مع هامش ربح مضاف بنسبة 0%، مع تحويل تلقائي عند الفشل بحيث لا تتوقف دفعة من عشرة آلاف مقطع لأن أحد المصادر العليا مرّ بفترة سيئة.

هذا توفير حقيقي في خط إنتاج الدبلجة، وخطأ تقريب في عرض توضيحي لنموذج واحد. كما أنه لا يتناول السؤال الذي تدور حوله هذه المقالة، وهو ما إذا كان الصوت جيدًا أصلًا.

كيف تختار دون سماع أيٍّ منهما أولًا؟

إذا كان المنتج صوتيًا، فاختر Voxtral وخصص ميزانية للترخيص: شغّل الأوزان غير التجارية للتقييم، ثم انتقل إلى API لأي شيء تنشره، بسعر الحرف الواحد الحالي. تحصل على جدول زمن وصول، وعشرين صوتًا، وتسع لغات، وبيئة تشغيل مختبرة مع vLLM-Omni. وتتخلى عن حق الاستضافة الذاتية تجاريًا، وهو بالنسبة لكثير من الفرق القرار الفعلي.

إذا كان المنتج يقوم أساسًا على الفهم وينطق من حين لآخر، فاختر Ming-3.0-audio-tiny، ورصد ميزانية لوحدتي GPU، وتعامل مع Talker كميزة غير مقاسة — وابنِ البديل الاحتياطي أولًا. أنشئ عشرين جملة عبر الأصوات الثلاثة كافة، واستمع إليها، واحتفظ بخيار إحلال نموذج TTS مخصص لاحقًا. تدعم البنية هذا الاستبدال بسلاسة لأن Thinker يعيد النص على أي حال؛ فـ Talker ملحق وليس العمود الفقري.

وفي كلتا الحالتين، دوّنوا ما قستمه. لم يفعل أيٌّ من المورّدين ذلك، وأول فريق ينشر رقمًا للطبيعية أو التشابه لأيٍّ من النموذجين سيكون قد أسدى خدمة للمجال — بمن فيهم المورّدون.

الإجابة الثانية والثلاثون، المنقّحة

تقول النسخة المختصرة في أعلى هذا المقال إن المقارنة انتهت في ثلاثين ثانية. وهي تنتهي في ثلاثين ثانية إذا كان الكلام هو منتجك وكنت مستعدًا لدفع مقابل ترخيص. لكنها تستغرق وقتًا أطول إذا كنت تبني شيئًا يستمع ثم يتكلم، لأن الخيارين ليسا بديلين: أحدهما صوت بلا أذنين، والآخر أذنان مع صوت لم يُقيَّم قط. الثلاثون ثانية توصلك إلى السؤال. أما بقية المقال فهي الجزء الذي تكتشف فيه أيهما تحتاجه فعلاً.