Phonic 1 مقابل Cartesia Sonic 3.6: دقيقة بـ0.07 دولار وفاتورة بـ49 دولارًا لكل مليون حرف ليستا نفس عملية الشراء

ضع Phonic 1 وCartesia Sonic 3.6 في صفحة واحدة، وستغريك الفكرة أن تصف أعمدة الأسعار وتكتفي بذلك. رقمان من مورّدَين يجعلان ذلك سهلًا: تتقاضى Phonic 0.07 دولار عن دقيقة محادثة، بينما تطبّق Cartesia تسعيرًا معياريًا يبلغ نحو 49 دولارًا لكل مليون حرف. يبدو كلاهما كأخطاء تقريب مقارنةً بما كنت تدفعه في 2025. لكنهما يفوتران مقابل شيئين مختلفين. Cartesia Sonic 3.6 هو محرك تحويل النص إلى كلام متدفق — أنت تسلّمها الكلمات، فتسلّمك صوتًا، وكل ما يأتي قبل هذه الكلمات هو مشكلتك. Phonic 1 هو نموذج تحويل الكلام إلى كلام يسمع المتصل، ويقرر ما ينبغي فعله، ويستدعي الأدوات في منتصف الجملة، ويجيب بصوت مسموع، كل ذلك خلال تلك الدقيقة. أحدهما مكوّن في فاتورتك. والآخر هو الفاتورة بأكملها. ومقارنتهما على أساس السعر وحده تشبه مقارنة أجرة سيارة أجرة بسيارة.

هذا لا يجعل المواجهة عديمة الفائدة. بل يجعلها أضيق وأكثر صدقًا مما توحي به نتيجة البحث: فهذان المنتجان يتنافسان على البند نفسه في ميزانية وكيل صوتي، وعلى الفريق الذي يبني وكيلًا هاتفيًا أن يقرر ما إذا كانت طبقة الصوت خدمة يستأجرها كاملة أم حزمة يجمّعها من أجزاء. ستبيعك Cartesia أيًا من الترتيبين — Sonic 3.6 للجانب الخاص بالتوليد الصوتي، وCartesia Line للجانب المجمّع — وهذا المنتج الثاني، لا نموذج TTS، هو الذي يقف فعليًا في مواجهة Phonic 1.

ما هو كل واحد منها في الحقيقة

شُحن Cartesia Sonic 3.6 في أواخر أغسطس 2026، أي بعد نحو ثلاثة أشهر من Sonic 3.5، وهو أعلى مُحرِّك جودةً لدى الشركة: 44 لغة عبر 61 منطقة لغوية، واستنساخ الصوت من نحو عشر ثوانٍ من الصوت، وفوترة قائمة على الأرصدة حيث يعادل الرصيد الواحد حرفًا واحدًا تقريبًا. ولا يملك طبقة استدلال، ولا طبقة أدوات، ولا أي مفهوم للمحادثة. تتصل به بنصٍّ ومعرِّف صوت، فتحصل على صوت في شكل تدفق، أما منطق تناوب الأدوار — متى ينبغي الاستماع، ومتى ينبغي المقاطعة، وما ينبغي فعله عندما يقول المتصل «في الواقع، لا» — فيقع على عاتق الشيفرة التي تكتبها.

أُطلقت Phonic 1 في أواخر أكتوبر 2026 إلى جانب جولة تمويل من الفئة A بقيمة 27.5 مليون دولار بقيادة First Round، ويأتي طرحها على شكل معاكس: نموذج واحد يتولى الدور بأكمله. وتزعم قائمة الميزات الخاصة بالبائع أن نبرة الصوت والتردد يُلتقطان، وأن استدعاءات الأدوات تُنفَّذ بينما المتصل لا يزال يتحدث، وأن النموذج قد يختار أحيانًا ألّا يرد إطلاقًا — وهو سلوك لا يمكن الحصول عليه من نقطة نهاية TTS لأن نقطة نهاية TTS ليس لها رأي في ما إذا كان التحدث هو الخطوة الصحيحة. وتحتسب سعرًا واحدًا لكل دقيقة محادثة، وتنص صراحةً على أنه لا يوجد تمرير منفصل لـ LLM ولا رسوم لكل رمز (token).

ثمة نقطة تستحق الصراحة قبل أن نمضي قدماً. وصفت تغطية إطلاق Phonic أنها متكاملة من الطرف إلى الطرف، وتتفادى موردي التعرف على الكلام ونماذج LLM وتركيب الكلام المنفصلين. أما موقع المورّد نفسه فيصف نماذج إشراف للاستدلال واستدعاء الأدوات، وإعداد القياس المرجعي لديه موسوم بـ Phonic 1 (High)، ما يوحي بمستوى ذكاء قابل للاختيار. يمكن أن يكون كلا الأمرين صحيحاً — فبإمكان مورّد واحد أن يتولى الدورة كاملة مع تشغيل طبقة استدلال داخلية في الوقت نفسه — لكن عبارة "من الطرف إلى الطرف" اختصار تسويقي لـ"عقد واحد"، وليست دليلاً على أن شبكة واحدة تفعل كل شيء في تمريرة أمامية واحدة. إذا كانت مراجعتك المعمارية تعتمد على ذلك التمييز، فاسأل المورّد مباشرة؛ فالمواد العامة لا تحسم الأمر.

تقيس الساعتان شيئين مختلفين

الكمون هو الجانب الذي تضلّل فيه هذه المقارنة في أغلب الأحيان، لأن كلا المورّدين يذكران رقمًا صغيرًا بالمللي ثانية، ولا يعكس أيٌّ من الرقمين ما يختبره المتصل لديك فعليًا.

• Phonic 1 — 0.61 ثانية متوسط الوقت حتى أول إخراج صوتي وفق قياسات Artificial Analysis، وهو الأسرع بين أفضل خمسة نماذج من الكلام إلى الكلام جرى اختبارها؛ وتعلن الشركة المُصنِّعة عن زمن أقل من 600 مللي ثانية من إدخال الكلام إلى إخراجه.

• Cartesia Sonic 3.6 — أقل من 90 مللي ثانية للوقت حتى أول صوت، وفق ما صرّحت به الشركة المورّدة وباستبعاد الشبكة صراحةً؛ فقد قاس اختبار مرجعي من طرف ثالث 120 مللي ثانية عند الوسيط (p50) من شرق الولايات المتحدة مقابل الشركة المورّدة مباشرةً، وأفاد اختبار مكالمة حقيقية من سيدني بوسيط 448 مللي ثانية و604 مللي ثانية عند p90 من طرف إلى طرف.

• ماذا تعني هذه الفجوة — تبدأ الـ 0.61 ثانية لدى Phonic في اللحظة التي يصل فيها الصوت وتشمل قرار ما يُقال. أما الـ 90 مللي ثانية لدى Cartesia فتبدأ بعد أن يكون النص موجودًا بالفعل، ولا تغطي سوى تحويله إلى صوت. أضف التعرف على الكلام الخاص بك وزمن استجابة نموذجك الخاص أمام Sonic، وستتقارب الرقمان؛ هذا الحساب الناقص هو السبب في أن الأرقام الخام تبدو وكأنها فوز بنسبة سبعة إلى واحد، وليست كذلك.

يذكر Artificial Analysis أيضًا أن Phonic 1 يسجل 0.61 ثانية مقابل 1.34 ثانية لـ GPT-Live-1 و1.35 ثانية لـ Gemini 3.8 Live Extended Thinking، وهي المقارنة التي يصلح لها هذا الرقم في الواقع: نموذج مقابل نموذج، وبأداة القياس نفسها. ولا يظهر Sonic 3.6 على لوحة النتائج تلك إطلاقًا، لأنه ليس نموذجًا حواريًا.

الفاتورة، المُنشأة من المهمة نفسها

خذ مكالمة دعم واردة مدتها عشر دقائق. على المسار المجمّع مع Cartesia Sonic 3.6، تدفع مقابل ثلاثة أشياء على الأقل: التعرف على صوت المتصل، ونموذج يقرر الرد، وتوليد ذلك الرد صوتيًا. حصة Sonic هي الأصغر والأكثر قابلية للتنبؤ بين الثلاثة — نحو 0.28 إلى 0.49 دولار لكل دقيقة من الصوت المولّد حسب الخطة، وأقل من ذلك بشكل ملحوظ عمليًا لأن الوكيل لا يتحدث طوال الدقائق العشر كاملة. أما الحصة غير القابلة للتنبؤ فهي النموذج الموجود في المنتصف، وهو الذي يتفاوت بفارق رتبة قدرية حسب ما إذا كنت توجّه نموذجًا صغيرًا للتعامل مع 80% السهلة من أدوار المحادثة أو ترسل كل شيء إلى نموذج متقدم.

هذا الجزء الأوسط هو حيث يستحق التوجيه مكانه بدلاً من أن يكون مجرد ملحق. على OrcaRouter، يعمل نموذج الاستدلال وراء وكيلك بمفتاح واحد عبر أكثر من 200 نموذج بهامش 0% فوق سعر القائمة لدى المزود، لذا يصبح أي تخفيض سعر من أي بائع ساريًا في اليوم نفسه بدلاً من انتظار تعديل عقد — ويمكن لقاعدة توجيه أن تبقي الدورات الرخيصة رخيصة مع تصعيد الدورات الصعبة فقط. يغطي التحويل التلقائي عند الفشل الحالة التي تعطل وكلاء الصوت فعلاً في الإنتاج: يتعثر مزود النموذج في منتصف المكالمة فيسمع المتصل صمتًا.

على مسار Phonic 1، تتقلص الحسابات إلى سطر واحد. عشر دقائق تكلف 0.70 دولار بمعدل البداية البالغ 0.07 دولار، أو 0.65 دولار بمعدل Pro، الذي يتضمن حدًا أدنى شهريًا قدره 200 دولار. هذه هي التكلفة الكاملة لطبقة النموذج — لا رموز منفصلة، ولا فاتورة استدلال منفصلة — وهي أقوى حجة في خانة Phonic، لأن المعدل الثابت لكل دقيقة رقم يستطيع فريق مالي توقعه دون نموذج استخدام.

اقرأ هذين الإجماليين بعناية قبل أن تعلن فائزًا. الحد الأدنى للمسار المُجمّع أقل — فنموذج متوسط رخيص مع تصيير Sonic يمكنه أن يأتي بأقل من 0.07 دولار للدقيقة بسهولة — أما حدّه الأعلى فأعلى بكثير، لأن نموذجًا متقدمًا في كل دور يتجاوز ذلك بكثير. السعر الثابت لـ Phonic 1 هو رهان على أن اقتصاديات المورّد تظل صحيحة مع تغيّر مزيج الاستدعاءات السهلة والصعبة لديك. ذلك شيء مفيد حقًا لشرائه، وهو أيضًا شيء تشتريه اعتمادًا على الثقة.

حيث يفوز Cartesia Sonic 3.6 بلا جدال

إذا كان السؤال هو «أيُّ هذه يبدو أفضل من حيث الصوت؟»، فإن Cartesia بعيدة عن المنافسة، ولا يغيّر ذلك مهما كان مقدار التقييم في معايير الأداء الوكيلية. تصدّر Sonic 3.6 كلتا ساحتي الكلام لدى Artificial Analysis عند إصداره — بدرجة Provider Voice Elo تبلغ نحو 1,282–1,283 ودرجة Controlled Voice تقارب 1,123 — وهي قياسات تفضيلية على الصوت المُنشأ، وهو بالضبط الغرض الذي وُجد محرك TTS من أجله.

واجهة التحكم أعمق أيضاً. استنساخ الصوت من عشر ثوانٍ، و44 لغة عبر 61 منطقة لغوية مع اختيار على مستوى المنطقة اللغوية، وخمس فئات خطط منشورة تبدأ من بيئة تجريبية مجانية برصيد 20K إلى خطة Scale بسعر 299 دولاراً مع خمسة عشر طلباً متزامناً، وتُحتسب الأصوات المستنسخة بمعدل 1.5x. إذا كان منتجك تعليقاً صوتياً أو دبلجة أو رسائل IVR أو مساعداً تكون ردوده مكتوبة وصوته هو العلامة التجارية، فإن Sonic 3.6 أداة أفضل من Phonic 1 وينبغي أن تتوقف المقارنة عند هذا الحد.

وهناك أيضًا شكل تكلفة جدير بالتسمية: فَنموذج الرصيد لدى Cartesia يعني أنك تدفع مقابل الأحرف التي تُولّدها، لذا فإن المكالمة التي يقول فيها الوكيل أربع كلمات تكلّف أربع كلمات. أما نموذج التسعير بالدقيقة فيحتسب الدقيقة كاملة بغض النظر عن ذلك. وفي التفاعلات القصيرة وعالية الحجم — تأكيدات المواعيد، وإشعارات التسليم، وتحقق من دورين — يكون نموذج الأحرف أقل تكلفة من حيث البنية.

حيث يفوز Phonic 1 دون أي جدال

استدعاءات الأدوات التي تبدأ قبل أن يتوقف المتصل عن الكلام هي القدرة الوحيدة في هذه المواجهة التي لا تمتلكها Cartesia Sonic 3.6 ببساطة، لأن استدعاء الأدوات ليس سمة يمكن لأداة عرض أن تمتلكها. في مسار حجز يقول فيه المتصل «أحتاج الخميس، لا انتظر، بعد ظهر الجمعة»، يجب على المسار المجمّع أن ينتظر اكتشاف نهاية الدور، ثم تشغيل التعرف، ثم تشغيل النموذج، ثم تشغيل الأداة، ثم التصيير — أربع عمليات تسليم متسلسلة مقابل واحدة تدّعيها Phonic. إن مقارنة العرض التوضيحي الخاصة بـ Phonic، استجابة بعد 1.1 ثانية من توقف المتصل مقابل 15.7 ثانية لـ GPT-Live من OpenAI، هي عرض توضيحي من مورّد وينبغي قراءتها بوصفها كذلك. لكن النقطة البنيوية تصمد أمام هذا التحفظ: عمليات تسليم أقل تعني أماكن أقل يمكن أن تُفقد فيها ثانية.

• اللغات — يدعم Phonic 1 أكثر من 50 لغة مع تبديل أثناء المحادثة يحافظ على الصوت نفسه؛ ويغطي Cartesia Sonic 3.6 44 لغة عبر 61 منطقة لغوية لأغراض التوليد الصوتي فقط.

• الفوترة — Phonic 1 بسعر واحد لكل دقيقة محادثة دون تمرير أي تكاليف LLM؛ وتُحتسب Cartesia Sonic 3.6 لكل حرف/رصيد، وتُحتسب بقية مكوّنات المنظومة بشكل منفصل.

• القدرة الوكيلية — يسجّل Phonic 1 نسبة 79.9% في المكوّن الوكيلي من مؤشر التحويل من الكلام إلى الكلام لدى Artificial Analysis، وهي أعلى نسبة مسجلة هناك؛ ولا يملك Sonic 3.6 درجة وكيلية لأنه لا يملك وكيلًا.

جودة الصوت — تتصدر Cartesia Sonic 3.6 كلا ساحتي الكلام التابعتين لـ Artificial Analysis في الصوت الناتج؛ درجة تفضيل Phonic 1 في الساحة هي 1,012، والمركز الثامن من أصل ثلاثين.

• النشر — توفّر Phonic 1 السحابة، والمستأجر الفردي، وربط VPC، والاستضافة الذاتية، مع ذكر توفر SOC 2 Type II واتفاقية BAA الخاصة بـ HIPAA؛ أما Sonic 3.6 فهو API مستضاف.

المقارنة التي تريد Cartesia في الواقع أن تُجريها

الردّ الحقيقي من Cartesia على Phonic 1 هو Cartesia Line، منتجها لوكيل الصوت، الذي تسعّره الشركة بنحو 0.06 دولار لكل دقيقة، ويظهر على Artificial Analysis كخط أنابيب مزوّد بدلًا من نموذج مُقيَّم — والتشكيلة التي تقف خلفه تعتمد على Ink وGemini 2.5 Flash وSonic معًا. وهذا يخبرك بأمرين في آن واحد. فالسعر المعلن يقل عن Phonic 1 بسنت واحد، والسعر غير مكتمل بالطريقة نفسها التي تتهم بها تسويقات Phonic الحزم المجمّعة بأنها غير مكتملة: إذ يحتسب جزء Gemini 2.5 Flash توكناتها الخاصة فوق ذلك.

إذن، المقارنة المباشرة الصادقة ليست $0.07 مقابل $0.06. بل هي $0.07 ثابتة وشاملة مقابل رسوم منصة قدرها $0.06 بالإضافة إلى فاتورة نموذج تتحكم فيها. بالنسبة لفريق يوجّه نماذجه الخاصة بالفعل ويريد الاستمرار في ذلك، فإن هذه البنية ميزة. أما بالنسبة لفريق يريد رقمًا، لا جدول بيانات، فهذا هو السبب في وجود Phonic 1.

من يجب أن يتصرف، ومن يجب أن ينتظر؟

اشترِ Cartesia Sonic 3.6 إذا كان الصوت نفسه هو المنتج. السرد، والمساعدون ذوو الهوية التجارية، والدبلجة، وأي شيء سيقيّم فيه إنسان الصوت ولن يقيّم أحد استدعاءات الأدوات. تصدُّر الساحة حقيقي، والاستنساخ سريع، وسلّم الخطط يعني أنك تستطيع البدء مجانًا.

اشترِ Phonic 1 إذا كان يجب على المكالمة أن تقوم بشيء — حجز، تحقق، استرداد، تصعيد — وإذا كانت ميزانية هندسية بخمسة أرقام لكود الربط أسوأ من سعر ثابت لكل دقيقة. كما أنه، في وقت كتابة هذا النص، عمره نحو أسبوع على API عامة مع لوحة مستقلة واحدة تدعمه ولا توجد بيانات موثوقية طويلة الأمد؛ والطريقة المعقولة لاعتماده هي بجانب مسارك الحالي، لا بدلًا منه.

وإذا كنت تُركّب بدلًا من أن تستأجر، فإن القرار الذي يحرّك فاتورتك فعليًا ليس Sonic مقابل Phonic، بل أي نموذج يتعامل مع الأدوار السهلة. ذلك الجزء هو الذي يعمل على OrcaRouter اليوم — مفتاح واحد، وأكثر من 200 نموذج، سعر القائمة يمر كما هو، مع التحويل عند تعطل مزود — بينما لا يوجد Phonic 1 ولا Cartesia Sonic 3.6 في كتالوجنا، وكلٌّ منهما يجب التعاقد عليه من مورده الخاص.

قد تبدو عملية الشراء وكأنها مقارنة أسعار، لكنها في الحقيقة سؤال عن مقدار الدور الذي تريد أن تتولاه بنفسك. يتيح لك Sonic 3.6 تولّي الدور كاملًا، ويمنحك المكوّن الأفضل صوتًا لتبني عليه. أما Phonic 1 فيريحك منه ويفرض سعرًا ثابتًا مقابل هذا الامتياز. لا يوجد خطأ في أيٍّ منهما. ولا يكون أيٌّ منهما خطأً إلا عندما يُشتَرى بسبب الآخر.