Phonic 1 مقابل Qwen Audio 3.1: 82.0% و79.9% ليسا الرقم نفسه

المقارنة التي سيجريها الجميع بين Phonic 1 وQwen Audio 3.1 Realtime هي جدول من سطرين: تحصل Qwen على 82.0% في τ-Voice، وتحصل Phonic على 79.9%، وبالتالي يفوز النموذج الأرخص. إنها قصة نظيفة وهي خاطئة، لأن هذين الرقمين يأتيان من أداتين مختلفتين. نسبة 82.0% الخاصة بـ Qwen مأخوذة من ورقة البائع نفسه، ومقيسة على نسخة معدّلة نصف مزدوجة لتحويل الكلام إلى نص من ذلك المعيار. أما نسبة 79.9% الخاصة بـ Phonic فهي المكوّن الوكيلي في مؤشر الكلام إلى الكلام التابع لـ Artificial Analysis، ومقيسة على الشيء الحقيقي. وطرح أحدهما من الآخر هو الخطأ نفسه الذي يقع عند مقارنة درجة اختبار من ورقة تدريبية بدرجة من الاختبار الفعلي.

ما يجعل هذا الخطأ جديرًا بالكتابة عنه هو أنه المقارنة الوحيدة المتاحة. لا يظهر Qwen Audio 3.1 Realtime على لوحة تحويل الكلام إلى كلام لدى Artificial Analysis على الإطلاق — إذ تسرد اللوحة Qwen Audio 3.0 Realtime Plus عند 69.5 وQwen Audio 3.0 Realtime Flash عند 67.7، ولا شيء أحدث من ذلك. لذا فإن أحدث منافس رخيص في هذه الفئة قد نشر أرقامه الخاصة، بوحداته الخاصة، ولم يقيّمه أي طرف مستقل. هذه الفجوة هي القصة، والمقال الصادق يدور في معظمه حول ما لا يمكن قوله بعد.

ما هي حقيقة Qwen Audio 3.1

وصلت Qwen-Audio-3.1 من Alibaba في أواخر سبتمبر 2026 كحزمة من خمسة نماذج لا كإصدار واحد: ASR وASR-Next وTTS وTTS-Next وRealtime. أما النموذج الذي ينافس Phonic 1 فهو Qwen Audio 3.1 Realtime، وتحديدًا فئة Realtime-Plus، المتاحة فقط عبر QwenCloud عبر WebSocket — بلا أوزان مفتوحة، خلافًا لعنصري TTS وASR في العائلة، ولا مسار للاستضافة الذاتية في المواد العامة.

• السياق — إجمالي 262 ألفًا، و245 ألفًا كحد أقصى للإدخال و16 ألفًا كحد أقصى للإخراج، مقابل سياق Phonic 1 غير المنشور.

• حدود الإنتاجية — 60 طلبًا و100 ألف رمز في الدقيقة افتراضيًا على QwenCloud؛ ولا تنشر Phonic أي سقف مكافئ للجلسات.

• الميزات — استدعاء الدوال، والبحث على الويب، والمخرجات المهيكلة، والتخزين المؤقت للسياق، والضبط الدقيق، واستنساخ الصوت كلها مدرجة لـ Qwen Audio 3.1 Realtime؛ بينما تُدرج Phonic أدواتًا متزامنة مضمّنة، وأكثر من 50 لغة، والتبديل بين اللغات أثناء المحادثة.

• التوفر — Qwen Audio 3.1 Realtime متاح عبر API فقط؛ بينما يوفر Phonic 1 السحابة، والمستأجر الواحد، وربط VPC، والاستضافة الذاتية.

هذان الصفان هما المهمان للمشتريات. عائلة Qwen عادةً ما تتيح الأوزان؛ أما هذا العضو فلا يفعل ذلك، مما يزيل السبب الرئيسي الذي يجعل فريقًا يختار Qwen بدلًا من مورّد مستضاف. وخيار الاستضافة الذاتية لدى Phonic هو الصورة المعاكسة — فهو الطريقة الوحيدة التي يعمل بها أي من هذين النموذجين في أي مكان غير سحابة شخص آخر.

المعيار الذي ليس المعيار نفسه

تظهر نسبة 82.0% في ورقة Alibaba المنشورة على arXiv حول Qwen-Audio-3.1، حيث تُقدَّم على أنها تحسّن من 78.4% في الجيل السابق. وتوضح الورقة نفسها صراحةً أن هذا تكييف نصف مزدوج الاتجاه لتحويل الكلام إلى نص من τ-Voice، وليس التقييم الوكيلي كامل الازدواجية الذي ينتج الأرقام على لوحة الصدارة العامة. وهذا ليس خداعًا — فهو معلن — لكنه يعني أن النسبة تجيب عن سؤال أضيق: في إعداد على نمط النص المنسوخ ومهمة محددة، ما معدل إكمال النموذج لها.

تجاوب نسبة 79.9% الخاصة بـ Phonic 1 عن السؤال الأوسع، والفجوة بين السؤالين ليست صغيرة. يزيل التكيّف نصف المزدوج الأجزاءَ من المكالمة الوكيلية التي يصعب إتقانها أكثر من غيرها: المقاطعة أثناء الكلام، وتداخل الكلام، وتحديد متى يتوقف الاستماع، والتعافي عندما يغيّر المتصل رأيه في منتصف استدعاء الأداة. وكل واحدة من هذه نقاط يفقد فيها النموذج مهام كان سيكملها لولا ذلك.

وبالتالي فإن اتجاه الخطأ متوقع، وهو عكس القراءة البديهية. من المرجح جدًا أن تكون نسبة 82.0% التي حققها Qwen سقفًا متفائلًا لسلوكه ثنائي الاتجاه الكامل، لا تفوقًا مكافئًا على نسبة 79.9% التي حققتها Phonic. ومن غير المعروف ما إذا كانت تتجاوز هذا الحد. فلم تعرض Alibaba النموذج على المُقيّم الذي أنتج نسبة 79.9%.

ما الذي تنشره Qwen فعلاً، وأين تنقلب أرقامها الخاصة ضدّها

إصدار Alibaba يتسم بصراحة غير معتادة بشأن مواطن الإخفاق، ما يجعله أكثر فائدة من السطر الرئيسي الخاص بـ τ-Voice. اقرأ الجدول كاملًا وستجد أن النموذج يبدو أقل كمنافس حاسم وأكثر كنظام فوري قوي من الجيل الثاني فيه نقطتا ضعف محددتان.

• معدل خطأ الكلمات في FLEURS — من 9.01 إلى 3.98، تحسّن حقيقي في دقة التعرّف عبر اللغات.

• متوسط ‏Big Bench Audio‏ لـ 14 لغة — من 81.7% إلى 88.1%.

• Audio MultiChallenge — من 47.12 إلى 52.21.

• معدل الاستجابة للكلام الخلفي على Full-Duplex-Bench v1.5 — من 73.0% إلى 13.0%، مما يعني أن النموذج أصبح أقل بكثير احتمالًا للإجابة عن كلام لم يكن موجهًا إليه.

• زمن استجابة التوقف عند المقاطعة — 1.116 ثانية، مقابل 0.383 ثانية لـ GPT-Realtime-2. هذا هو الرقم الذي يجب موازنته مع 0.61 ثانية التي تستغرقها Phonic للوصول إلى الصوت الأول: أحدهما يقيس مدى سرعة بدء النموذج، والآخر مدى سرعة توقفه، والتوقف البطيء هو ما يصفه المتصلون بأنه تحدّثٌ فوقهم.

• معدل الاستئناف غير المرغوب فيه — 0.035 يرتفع إلى 0.130، وهو تراجع تُبلغ عنه الورقة مقابل سابقتها؛ إذ يزداد احتمال أن يبدأ النموذج التحدث مرة أخرى عندما لا ينبغي له ذلك.

هذان السطران الأخيران هما أكثر الحقائق التي لم تحظَ بتغطية كافية في إطلاق Qwen Audio 3.1. فالنموذج الذي يستغرق 1.116 ثانية ليفسح المجال، ثم يستأنف الكلام عندما لا يكون ذلك مرغوبًا، سيبدو في مكالمة هاتفية حقيقية أسوأ مما توحي به درجات دقته — وهذا بالضبط هو البُعد الذي يتكئ عليه تسويق Phonic 1، بعبارته «يستجيب قبل أن يُنهي المتصل كلامه» وبزمن انتقال الكلام إلى الكلام لديه الذي يقل عن 600 مللي ثانية.

نقطة البيانات الوحيدة القابلة للمقارنة

نظرًا لأن Qwen Audio 3.1 Realtime لا يملك درجة مؤشر، فإن السبيل الوحيد لمقارنته بـ Phonic 1 على المقياس نفسه هو عبر سابقه. سجّل Qwen Audio 3.0 Realtime Plus 69.5 على مؤشر الكلام إلى الكلام، مع أداء وكيلي بنسبة 54.6%، واستدلال كلامي 99%، ونجاح في المهمة 77.8%، و798 من Elo في الساحة، و1.54 ثانية حتى أول صوت.

• الأداء الوكيلي — Phonic 1 عند 79.9 مقابل Qwen Audio 3.0 Realtime Plus عند 54.6. إذا حقّق 3.1 التحسّن الذي تشير إليه ورقته البحثية على المهام، فسيغلق جزءًا من تلك الفجوة البالغة 25 نقطة؛ لكن لا أحد قاس كم يبلغ ذلك.

• تفضيل الساحة — Phonic 1 بـ 1,012 مقابل 798 لـ 3.0. هذه أكبر فجوة في المقارنة، وأقل الفجوات احتمالًا لأن تكون قد أُغلقت، إذ إن تفضيل الساحة مقياسٌ قائم على تصويت البشر ويتحرك ببطء بين الأجيال.

• زمن الوصول إلى أول صوت — Phonic 1 عند 0.61 ثانية مقابل 1.54 ثانية لدى 3.0. لطالما كانت الطبقة الفورية من Qwen هي الأبطأ في هذه العائلة هنا، ولا تنشر 3.1 أي رقم لزمن الوصول إلى أول صوت.

• نجاح المهمة — Phonic 1 92.3% مقابل 77.8% لـ 3.0.

نمط الأجيال الثلاثة متسق: كانت نماذج Qwen اللحظية متعرِّفات قوية ووكلاء ضعفاء، و3.1 هو الجيل الذي يزعم إصلاح الجانب الخاص بالوكيل. وأما ما إذا كان قد فعل ذلك، فهو بالضبط ما ستخبرك به درجة المؤشر المفقودة.

وحدتان سعريتان لا تتحولان

تسعّر Qwen Audio 3.1 Realtime لكل رمز (توكن): 0.80 دولار لكل مليون توكن إدخال نصي، و6.40 دولار لإدخال الصوت، و6.40 دولار لإخراج النص، و24 دولارًا لإخراج الصوت في منطقة سنغافورة، مع أسعار بكين أقل بنحو 14% في جميع البنود. وتفرض Phonic 1 رسومًا قدرها 0.07 دولار لكل دقيقة محادثة، بسعر ثابت، دون أي رسوم على التوكنات.

لا يوجد تحويل عام بين تلك الوحدات. ولتحويل معدل الرموز إلى تكلفة لكل دقيقة، تحتاج إلى كثافة رموز الصوت — أي عدد الرموز التي تشغلها دقيقة من الكلام — ولا تنشر Alibaba ذلك لهذا الطراز. وأي شخص يعطيك مكافئًا لكل دقيقة لـ Qwen Audio 3.1 فإنه إما يخمّن الكثافة أو يستعيرها من عائلة طرازات مختلفة بشيفرة ترميز مختلفة. واتجاه الإجابة ليس موضع شك: فمعدلات الصوت لدى Qwen منخفضة بما يكفي بحيث من المرجح جدًا أن تبلغ دقيقة مُرمّزة جيدًا أقل من سبعة سنتات، وكان خفض سعرها بنحو 85% على طبقة Realtime هو عنوان الإطلاق. أما المقدار فهو غير معروف، والمجهول كبير بما يكفي ليكون مهمًا لعملية نشر عالية الحجم.

• الصوت المُدخَل — Qwen بسعر 6.40 دولار / لكل 1 مليون رمز (سنغافورة) مقابل Phonic بسعر 0.07 دولار لكل دقيقة محادثة، مع عدم وجود سعر صرف منشور بينهما.

• الصوت الناتج — Qwen بسعر 24 دولارًا / لكل مليون رمز؛ وتغطي تسعيرة Phonic الثابتة بالدقيقة الصوت الناتج.

• التسعير الإقليمي — منطقة بكين لدى Qwen أرخص بنحو 14% من سنغافورة؛ وتنشر Phonic قائمة أسعار عالمية واحدة.

• الحدود الدنيا — تتضمن طبقة Pro من Phonic حدًا أدنى شهريًا قدره 200 دولار؛ بينما تنشر QwenCloud حدود المعدل الافتراضية بدلًا من حد أدنى للمنصة.

الفرق في الشكل هو الجزء الذي يظل قائمًا رغم غياب التحويل. ففاتورة حسب عدد الرموز تقيس مقدار ما يفعله النموذج فعليًا — فالنصوص الطويلة والردود المسهبة والجولات كثيفة الاستخدام للأدوات كلها تكلّف أكثر. وفاتورة حسب الدقيقة تقيس مدة بقاء خط الهاتف مفتوحًا. وبالنسبة لوكيل يقضي معظم المكالمة في الاستماع، فإن نموذج الرموز هو الأكثر ملاءمة؛ أما بالنسبة لوكيل يجيب بإسهاب، فليس كذلك.

أي سؤال تجيب عنه؟

إذا كنت تختار نموذجًا لنشره على بنيتك التحتية الخاصة، فهذه المقارنة ليست لك: لا يأتي Qwen Audio 3.1 Realtime بأوزان، بينما يستضيف Phonic 1 نفسه، مما يجعل Phonic الخيار الوحيد هنا الذي يغادر سحابة المورّد أصلًا. هذا جواب من سطر واحد ويسهل تفويته وسط الحديث عن المعايير.

إذا كنت تختار نموذجًا فوريًا مستضافًا على أساس التكلفة، فإن Qwen Audio 3.1 هو الرهان الأكثر إثارة للاهتمام — أرخص بشكل كبير لكل وحدة، وقفزة موثّقة جيدًا في دقة التعرّف، ومورّد يمتلك نظامًا بيئيًا عميقًا مفتوح الأوزان يدعمه. والخطر هو أن جانبه الوكيلي غير مقيس، وأن سلوك المقاطعة لديه قد تراجع في جدول المورّد نفسه.

إذا كنت تختار بناءً على الأداء الوكيلي المقاس، فإن Phonic 1 هو الوحيد من الاثنين الذي يمكنك فعلاً ترتيبه، لأنه الوحيد الذي جرى ترتيبه. هذا ادعاء أضعف من «Phonic أفضل»، وهو الادعاء الصحيح.

وإذا كنت تشغّل نماذج Qwen النصية إلى جانب طبقة صوتية، فإن هذا النصف من الحزمة قابل للتوجيه بالفعل — فـ Qwen3.8-Max موجود على OrcaRouter ضمن أكثر من 200 نموذج بمفتاح واحد وبسعر قائمة المزوّد دون أي هامش إضافي، لذا فإن أي تخفيض سعري من جهة Alibaba يصبح فعّالاً في اليوم نفسه. نقطة نهاية الصوت ليست في كتالوجنا، ولا Phonic 1 كذلك؛ فكلٌ منهما يأتي من مورده الخاص. ما يوفره لك الموجّه في سوق حديث إلى هذه الدرجة هو القدرة على إبقاء مسار صوتي عامل قائماً بينما يثبت مسار أحدث وأرخص جدارته بالدخول — التحويل التلقائي عند الفشل يعني أن اختبار Qwen Audio 3.1 مقابل حركة المرور الخاصة بك يكلفك قاعدة توجيه، لا عملية ترحيل.

الاستنتاج الصادق هو أن هذه المواجهة غير قابلة للحسم حاليًا على المحور الذي يريد كلا المورّدين حسمها عليه. فقد نشرت Alibaba رقمًا يُجمّل نموذجها عبر قياس مهمة أسهل. ونشرت Phonic رقمًا قياسه سليم لكنه على لوحة واحدة، وتكوين واحد، وأسبوع واحد من التوفر. وأول ما يجب مراقبته ليس تخفيضًا للسعر أو اختبار أداء، بل ظهور Qwen Audio 3.1 Realtime على لوحة تقيّم كلا النموذجين بالطريقة نفسها. وحتى ذلك الحين، فإن الادعاء الوحيد القابل للدفاع عنه هو أن Phonic 1 هو الخيار المعروف وQwen Audio 3.1 هو المجهول الرخيص، وهذا سبب وجيه تمامًا لتجربة الثاني خلف قاعدة تجاوز الفشل بدلًا من وضعه أمام عملائك.