Ming-3.0-tts مقابل Cartesia Sonic 3.6: أحدهما يقرأ رقم فاتورتك بشكل صحيح، والآخر يستجيب خلال 90 مللي ثانية

ضع Ming-3.0-tts وCartesia Sonic 3.6 على السطر نفسه في ساحة الكلام الخاصة بـ Artificial Analysis، وستقول لوحة النتائج إن Cartesia يفوز: 1,290 نقطة إيلو مقابل 1,188 في Provider Voice، بفارق 102 نقطة، مع فترات ثقة لا تتقارب إطلاقًا. ضعهما على لوحة النطق، تنقلب النتيجة بقوة حتى تبدو كخطأ في البيانات: 93.2% مقابل 74.5%. النظامان نفسهما، مقيسان من المختبر نفسه، في الشهر نفسه، يختلفان بثمانية عشر نقطة مئوية حول أيّهما يستطيع قراءة الإنجليزية بصوت عالٍ. كلا الرقمين صحيح، وسبب كونهما صحيحين معًا هو المقارنة بأكملها. إن حالات فشل الذكاء الاصطناعي الموثّقة وحوادث الوكلاء الكامنة وراء إصدارات كهذا الإصدار مجموعة في أرشيف حوادث OrcaRouter للذكاء الاصطناعي حيث يحمل كل مدخل مصادره الخاصة ودرجة خطورته ودرجة ثقته وعلامة كونه محل نزاع.

Ming-3.0-tts هو نموذج مفتوح الأوزان مرخّص بموجب MIT من Ant Group — نقطة تحقق كثيفة بحجم 0.5B تشغّلها على وحدة معالجة الرسومات الخاصة بك، وله شقيق بحجم 7.9B قائم على مزيج الخبراء يُسمى Ming-3.0-tts-tiny. أما Cartesia Sonic 3.6 فهو نقطة نهاية实时 مملوكة صدرت في 17 أغسطس 2026، ويُسعّر لكل حرف، ويُروَّج له بزمن وصول إلى الصوت الأول أقل من 90 مللي ثانية وتغطية 44 لغة. أحدهما نموذج. والآخر خدمة صُممت للرد على مكالمة هاتفية. أيّهما تريد يعتمد على سؤال لا علاقة له بـ Elo: هل نصّك في معظمه نثر، أم في معظمه أشياء يجب أن تُقال بالضبط؟

الرقمان المهمّان، ولماذا يختلفان

ابدأ بلوحات التفضيلات، لأنها هي ما يقتبسه الناس.

• إيلو صوت المزوّد — Ming-3.0-tts 1,188 (الفاصل 1,174–1,202) مقابل Sonic 3.6 1,290 (1,276–1,304). Sonic في المرتبة الرابعة من 97 نموذجًا؛ وMing في المرتبة الثامنة عشرة.

• إيلو الصوتي المضبوط — Ming-3.0-tts 1,068 (1,052–1,084) مقابل Sonic 3.6 1,151 (1,138–1,164). يحتل Sonic المرتبة الخامسة؛ ويحتل Ming المرتبة الثانية عشرة. تضيق الفجوة بمقدار 19 نقطة عندما يستنسخ كلا النظامين الأصوات الثمانية نفسها.

• متانة النطق، الإنجليزية — Ming-3.0-tts 93.2% (91.5–94.9) مقابل Sonic 3.6 74.5% (71.4–77.5). Ming هو الأول من بين 31 نظامًا تم قياسه؛ Sonic هو التاسع عشر.

هذه ليست نتائج متناقضة؛ بل إنها تقيس أشياء مختلفة. تسأل لوحات إيلو المستمعين من البشر عن المقطع الذي يفضلونه، والتفضيل يكافئ الأشياء التي تجعل الكلام الاصطناعي ممتعًا — الإيقاع الطبيعي، والعاطفة المقنعة، وصوتًا لا يبدو وكأنه يقرأ دليلًا. Sonic 3.6 بارع جدًا في ذلك. وقد كان النظام الرابع ترتيبًا في الساحة منذ أغسطس، وهو يستحق هذه المكانة.

يسأل اختبار النطق سؤالًا أضيق وأقسى: هل نطق النظام هذا المقطع المحدد بشكل صحيح؟ قام مراجعون بشريون بتعليم الكلمات والعبارات المميزة في نص إنجليزي — أسماء العلامات التجارية، والمصطلحات التقنية، ومسارات الملفات، وعناوين البريد الإلكتروني، والأرقام، والتواريخ، والوحدات — وحكموا على كل منها. في ذلك الاختبار، يحل Sonic في النصف الأدنى من الأنظمة الـ31 التي جرى تقييمها، ويحل Ming في القمة بينها جميعًا.

تُوضّح الدرجات الفرعية شكل الفشل بصورة أوضح مما تفعله الدرجة الإجمالية:

• الشروط المستقلة — Ming-3.0-tts 88.5% مقابل Sonic 3.6 72.6%

• مناسب سياقيًا — Ming 91.0% مقابل Sonic 78.2%

• الحفاظ على التسلسلات الدقيقة — Ming 90.6% (الأول من 31) مقابل Sonic 60.8%

• توسيع الاختصارات — Ming 96.5% (الأول من 31) مقابل Sonic 49.1%

«Expanding Shorthand» هو ما يستحق التحديق فيه. فهو يغطي الأرقام والتواريخ والوحدات والترميز — «6'2"» و«Chapter XVII» و«1 tsp». ويُصيب Sonic 3.6 نحو نصف تلك النطاقات النصية وفق هذا المقياس. وهذا رقم مثير للدهشة بالنسبة لواجهة برمجة تطبيقات صوتية مخصّصة للإنتاج، وهو من الأمور التي لا يكشفها العرض التجريبي أبدًا لأن العروض التجريبية تُكتب بنثر اختاره المورّد. ضع تأكيد طلب أو جرعة أو قياسًا أمامه، ويتوقف ترتيب التفضيل عن التنبؤ بأي شيء مفيد.

حالة زمن التأخير والإنتاجية، حيث لا تكون Cartesia قريبة

الادعاء الرئيسي لـ Cartesia هو أول صوت في أقل من 90 مللي ثانية، وهو الرقم المهم لوكيل محادثة: يسمع المتصل صوتًا قبل أن يقرر أنك آلة. لا تنشر Ming-3.0-tts أي رقم لزمن الاستجابة على الإطلاق. ما تملكه أداة الاختبار المستقلة هو الإنتاجية، وهي ليست لطيفة مع النموذج المفتوح.

• عدد الأحرف المُولَّدة في الثانية — Sonic 3.6: 146.9 مقابل Ming-3.0-tts: 44.3. Cartesia أسرع بمقدار 3.3 أضعاف في ظروف عتاد متطابقة.

الزمن الوسيط للتوليد لطلب مُقيَّم — Sonic 3.6 9.20 ثانية مقابل Ming 2.56 ثانية. اقرأ هذا بعناية؛ فهو يعكس اختلاف أطوال الطلبات، وليس ميزة سرعة لصالح Ming.

الخلاصة الصادقة هي أن Sonic 3.6 مُصمَّم للبث المباشر بينما Ming-3.0-tts مُصمَّم للمعالجة بالدفعات. فعند 44.3 حرفًا في الثانية — أي نحو سبع كلمات — يتجاوز النموذج المستضاف ذاتيًا سرعة الكلام الحقيقي، لذا ينتهي سرد طويل قبل أن ينتهي الوقت اللازم للاستماع إليه. لكن ما يفتقر إليه هو قصة بث، أو وقت معلن لظهور أول صوت، أو معالجة الجلسات. وCartesia تبيع هذه الأشياء الثلاثة تحديدًا.

إذا كنت تبني وكيلًا هاتفيًا، أو أداة ترجمة فورية، أو أي شيء ينتظر فيه إنسان أول مقطع لفظي، فهذه نهاية المقارنة وعليك التوقف عن القراءة. أما بقية هذا المقال فهي للحالة الأخرى: نص يُعدّ مسبقًا، أو نص تكون صحته أهم من فوريته.

ما يقدمه لك كل طرف فعليًا

يُوزَّع Ming-3.0-tts، من مجموعة inclusionAI التابعة لـ Ant Group، بوصفه نقطة تفتيش بحجم 2.96 GB تحتوي على العمود الفقري، ورأس ترقيعي بمحوّل انتشار، ومُرمِّز صوتي، ومُرمِّز متحدثين، ومُرمِّز نصي، بموجب ترخيص MIT الذي يسمح بالاستخدام التجاري. يُخرج صوتًا بتردد 44.1 kHz، ويدعم سبع لغات بالإضافة إلى السيتشوانية والكانتونية، ويتيح استنساخ الصوت، وتصميم الصوت الموصوف نصيًا، و14 وسمًا شبه لغوي مضمّنًا، والتحكم في المشاعر والسرعة/النغمة/مستوى الصوت. اختبرته Ant على H800-80GB وH20-96G مع PyTorch 2.6 وCUDA 12.4، وتوفر ملف Dockerfile.

Sonic 3.6، من Cartesia، هو API. يتعامل مع 44 لغة من نموذج واحد، ويستنسخ صوتًا من عشر ثوانٍ من الصوت المرجعي، ويدعم أداءً واعيًا بالعاطفة وإشارات غير لفظية قابلة للإدراج، ويقبل قواميس نطق مخصصة — وهي إجابة البائع نفسها عن المشكلة التي يقيسها لوح النطق تحديدًا، ويجدر بالذكر أن العميل الذي يهيئها لا يُقيَّم على المسار الافتراضي الذي تختبره الساحة. كما تبني Cartesia بقية حزمة الصوت: تحويل الكلام إلى نص، ووكلاء صوتيون بسعر 0.06 دولار في الدقيقة، وأرقام هاتفية، وحدود تزامن تتدرج حسب فئة الخطة.

• الترخيص — أوزان MIT التي تحتفظ بها مقابل واجهة برمجة تطبيقات تجارية بلا أوزان

• تغطية اللغات — 7 بالإضافة إلى لهجتين مقابل 44

• النشر — وحدة معالجة الرسوميات لديك مقابل نقطة النهاية الخاصة بهم

• معدل عينات الإخراج — 44.1 kHz مقابل غير منشور على صفحة المنتج

• استنساخ الصوت — صوت مرجعي ونص مرجعي ووضع مهمة صريح مقابل 10 ثوانٍ من الصوت، فوري

• أساس التسعير — ساعات GPU مقابل الأرصدة بواقع رصيد واحد لكل حرف

يستحق تسعير الأرصدة التحويل، لأن «رصيدًا واحدًا لكل حرف» ليس رقمًا تستطيع معظم الفرق وضع ميزانية على أساسه. ويقول جدول الخطط الخاص بـ Cartesia نفسه إن دقيقة من الصوت تستهلك 750–800 رصيد، ما يجعل المعدل الفعلي قريبًا من 0.038 دولار في الدقيقة على خطة Pro بسعر 5 دولارات، و0.029 دولار على خطة Startup بسعر 49 دولارًا، و0.028 دولار على خطة Scale بسعر 299 دولارًا. وتُطبّع الساحة ذلك إلى 49 دولارًا لكل مليون حرف، وهو الرقم القابل للمقارنة مقابل صفر Ming. وMing ليست مجانية؛ بل هي فاتورة بساعات GPU ستراها فريق المالية لديك ضمن البنية التحتية لا كبند تكلفة لكل كلمة.

مقارنة الثلاثة أشهر التي لا يضعها أحد في المراجعة

هناك نسخة من هذا القرار تبقى بعد زوال كلا النموذجين، وهي النسخة التي تهم نظام الإنتاج: ماذا يحدث عندما يُستبدل النموذج الذي اخترته.

أطلقت Cartesia إصدارات Sonic 3 و3.5 و3.6 خلال عام واحد، بسعر ثابت قدره 49 دولارًا لكل مليون حرف. وأطلقت Ant إصدار Ming-omni-tts في فبراير، ونسخة بديلة بسعة 16.8B في يونيو، والآن Ming-3.0-tts — مع تقرير تقني لا يزال غير مُنجز على خارطة طريقها، ومسار تسريع vLLM-Omni مُعلَّم كمنجز لكنه غير موثّق في المستودع. كلتا الشركتين تتحركان بسرعة. ولا واحدة منهما ستتوقف.

بالنسبة لنموذج مستضاف، فإن ذلك مجرد ترقية روتينية للإصدار. أما بالنسبة لنقطة حفظ مستضافة ذاتيًا، فهو عملية ترحيل: أوزان جديدة، واعتماديات جديدة، وجولة جديدة من التقييم على نصوصك الخاصة. رخصة MIT تحمي حقك في الاستمرار في تشغيل النسخة القديمة، وهي ميزة حقيقية والسبب الرئيسي الذي يدفع الفرق لاختيار الأوزان المفتوحة من الأساس — لكنها لا تحميك من الرغبة في الحصول على النسخة الجديدة.

هذا هو الموضع الذي تفعل فيه طبقة التوجيه شيئًا ملموسًا لا خطابيًا. لا تستضيف OrcaRouter نموذج Ming-3.0-tts ولا Cartesia Sonic 3.6، ولا ينبغي أن يوحي أي شيء هنا بخلاف ذلك — فـ Ming يأتي من المستودع، وSonic من واجهة Cartesia البرمجية الخاصة بها. ما يحمله الكتالوج بالفعل هو مجموعة من نماذج الكلام المستضافة، ومن بينها معاينات G​emini T​TS من G​oogle ونموذجا tts-1 وgpt-4o-mini-tts من O​penAI، خلف المفتاح نفسه المستخدم مع أكثر من 200 نموذج نصي، بسعر القائمة لدى المزوّد دون أي هامش إضافي، مع تحويل تلقائي عند الفشل بين المزوّدين. إذا كان خط أنابيب الصوت لديك يتضمن مسارًا احتياطيًا — وينبغي أن يتضمن أي خط أنابيب يعالج حركة مرور حية مسارًا احتياطيًا — فإن ذلك المسار الاحتياطي يمكن أن يكون نقطة نهاية واحدة بدلًا من عقد ثانٍ وSDK ثانٍ. يصل تخفيض سعر المزوّد إلى جهتنا في اليوم نفسه، لأنه لا يوجد هامش وسيط يجب إلغاؤه.

أيّ واحد تختار، حسب عبء العمل

القرار قصير إذا أجبت بصدق عن النص.

اختر Sonic 3.6 إذا كان ثمة شخص ينتظر أول مقطع صوتي، أو كنت تحتاج إلى أكثر من عدد قليل من اللغات، أو تريد مورّدًا يتولى مسؤولية الجهوزية. فجوة التفضيل البالغة 102 نقطة حقيقية وسيسمعها المستمعون. اضبط قاموس النطق للمصطلحات التي يقولها منتجك فعليًا، لأن المسار الافتراضي يسجل 74.5% في ذلك تحديدًا.

اختر Ming-3.0-tts إذا كان صوتك يُولَّد مسبقًا — السرد، وقراءة الوثائق بصوت مسموع، ومطالبات IVR، ومواد التدريب، ومسودات الكتب الصوتية — وكان النص يحتوي على معرّفات أو وحدات أو رموز أو تدوينات. وفي الفئات الثلاث التي تغطي تلك النطاقات، فهو إما في المركز الأول أو بفارق لا يتجاوز ثلاث نقاط عن المتصدر، ولا يوجد نظام مستضاف على اللوحة أفضل منه في الحفاظ على تسلسل دقيق.

لا تختر أيًّا منهما، غير أنه إذا كنت بحاجة إلى أن تكون أسماء الأعلام الإنجليزية صحيحة. إن نتيجة Ming البالغة 88.5% في المصطلحات المستقلة تضعها في المرتبة 21 من أصل 31، وهي الفئة الوحيدة التي يكون فيها النموذج متوسط المستوى بلا لبس. إن نطق اسم علامة تجارية على نحو خاطئ في عرض توضيحي للمنتج يكلّف أكثر من قراءة تاريخ على نحو متعثر.

هناك أيضًا نهج هجين لا يقترحه أيٌّ من المورّدين: استخدام نموذج مستضاف في الوقت الفعلي للواجهة التفاعلية، ونقطة تحقق مستضافة ذاتيًا لمجموعة النصوص الدفعية، وتقييمهما على النص المحجوز نفسه. يفشل النظامان في مواضع مختلفة، وهذا ما يجعل التقسيم يستحق التكلفة التشغيلية.

السؤال المفتوح

تقول صفحة منتج Cartesia إن الشركة تحتل المرتبة الأولى في Speech Arena. كان ذلك صحيحًا عند كتابة الصفحة ولم يعد كذلك — فـ HeyGen Voice وQ​wen-Audio-3.1-T​TS-Plus وEleven v4 Turbo وEleven v4 جميعها تتفوق على Sonic 3.6 اليوم، ومرتبة Sonic نفسها هي الرابعة. ادعاءات المورّدين على لوحات الصدارة تتقادم في غضون أسابيع. درجة النطق البالغة 74.5% هي الحقيقة الأبقى في هذه المقارنة، لأنها مقيسة من جهة لا تبيع منتجًا، وهي سيئة بما يكفي لدرجة أن ميزة قاموس النطق لدى Cartesia نفسها موجودة للالتفاف حولها.

ما الذي قد يغيّر الحكم: إصدار بثّي من Ming-3.0-tts مع زمن معلن للوصول إلى أول صوت، أو Sonic 3.7 يعالج توسيع الاختصارات. لم يُعلن أي منهما. حتى ذلك الحين، الانقسام واضح — السرعة والتغطية في جانب، والدقة والملكية في الجانب الآخر — والإجابة الصحيحة هي التوقف عن البحث عن فائز والبدء بالنظر في مدونتك اللغوية الخاصة.