Phonic 1 مقابل Sesame Preview: مشكلة الصمت، حلّان متعاكسان

Phonic 1 وSesame Preview يُباعان كنماذج محادثة صوتية، ولا يسعيان إلى الوظيفة نفسها. Phonic 1 — تكتبه الجهة الموردة Phonic-1 — هو نقطة نهاية من الكلام إلى الكلام بسعر 0.07 دولار في الدقيقة، أصبح متاحًا تجاريًا في 29 أكتوبر 2026 وانتقل مباشرة إلى المركز الأول في مؤشر Speech to Speech Index لدى Artificial Analysis بنتيجة 87.1. أما Sesame Preview فهو التطبيق المرافق المجاني الذي يقف وراء أصوات Maya وMiles وSimone وCharlie: لا واجهة برمجة تطبيقات عامة، ولا قائمة أسعار، ولا صف على أي لوحة ترتيب مستقلة، وخطة معلنة لبيعك نظارات في 2027. ضع الاسمين في جملة واحدة، وأول ما يظهر هو أن واحدًا منهما فقط يمكن شراؤه.

الأمر الثاني الذي ينتج عن ذلك أكثر إثارة للاهتمام. فكلا المنتجين، تحت السطح التسويقي، يمثلان إجابة عن نفس الإهانة الصغيرة ذاتها: نصف الثانية من الصمت بينما تقرر الآلة ما تقوله. تهاجم Phonic ذلك بإنجاز العمل قبل أن ينهي المتصل كلامه. أما Sesame فتهاجمه بتحسين قدرتها على معرفة متى يكون المتصل قد انتهى. هذان رهانان هندسيان مختلفان حقًا، ويُقاسان بأدوات لا تتقاطع، والاختيار بينهما ينبع من الرهان الذي يعتمد عليه منتجك — لا من جدول قياسات مرجعية.

ما هو كل واحد منهما في الواقع، قبل أن تصبح المقارنة زلقة

Phonic 1 هو نموذج كلام شامل من طرف إلى طرف، صوت إدخالًا وصوت إخراجًا، دون تتابع نسخ-ثم-تفكير-ثم-تحدث بينهما. يأتي مع حزم SDKs بلغة TypeScript وPython، وواجهة سطر أوامر CLI، وبانٍ للوكلاء دون كتابة تعليمات برمجية، و51 لغة موثقة مع تبديل أثناء المحادثة يحافظ على هوية المتحدث، وإعداد intelligence_level موثّق يأخذ افتراضيًا standard ويمكن رفعه إلى high، وشروط مؤسسية تشمل SOC 2 Type II، واتفاقية HIPAA BAA، وعدم الاحتفاظ بالبيانات، واتفاقية مستوى خدمة لتوافر بنسبة 99.9%. يُباع بالدقيقة ضمن ثلاث فئات، والشركة التي تقف خلفه مؤلفة من نحو عشرة أشخاص من MIT وستانفورد جمعوا 27.5 مليون دولار في جولة Series A بقيادة First Round.

إن Sesame Preview ليس نموذجًا تستأجره. بل هو منتج استهلاكي — تطبيق لنظام iOS وتطبيق ويب، مجاني، أُطلق في 39 دولة اعتبارًا من أواخر مايو 2026، ويضم أربعة وكلاء مسمّين بذاكرة دائمة، وبحثًا متوازيًا على الويب يعمل أثناء الجملة، وتدوين الملاحظات، ووضعًا للرسائل النصية، ووضعًا للتخفي. الهدف المعلن لـ Sesame منه هو زمن أول صوت أقل من 300 مللي ثانية، وقد صرّحت الشركة علنًا بأن النموذج لا يزال «شديد الحماس وغالبًا غير مناسب» في النبرة والإيقاع. لا توجد فئة للمؤسسات ولا طريقة لترخيص الصوت الإنتاجي.

الشيء الوحيد الذي يحمل اسم Sesame إلى إصدار ما هو Sesame CSM-1B، المنشور بموجب Apache 2.0 في 13 مارس 2025. إنه نموذج كلام حواري أساسي، إنجليزي أولًا، بُني لتوليد رموز صوت Mimi مشروطة بالأدوار السابقة. وهو ليس الصوت الموجود في التطبيق: فشخصيات Preview تأتي من ضبط دقيق منسّق وطاقم أصوات لم يُطرحا للعامة قط. يصف المراجعون الذين شغّلوا كليهما نقطة التحقق المفتوحة بأنها أضعف سماعًا من التطبيق، وهو ما يجعل "مجرد استضافة نموذج Sesame ذاتيًا" منتجًا مختلفًا، لا اختصارًا خاليًا من الترخيص.

هجومان في نصف الثانية نفسه

ادّعاء Phonic عند الإطلاق هو أكثر ما هو ملموس في هذه الفئة: تقول إن Phonic-1 هو النموذج الوحيد القادر على اتخاذ إجراء بينما المتصل ما زال يتحدث. في العرض التوضيحي الذي نشرته الشركة، أطلق النموذج استدعاءات الأدوات الخمسة كلها في منتصف الجملة، وأجاب بعد 1.1 ثانية من توقف المتصل؛ وعلى النص نفسه تضع GPT-Live-1 عند 15.7 ثانية. اقرأ ذلك باعتباره عرضًا لتصميم، لا معيار أداء — فهي مهمة اختارها المورّد ضمن نص اختاره المورّد. لكن التصميم هو المقصد. إذا كانت عملية البحث قد اكتملت بحلول انتهاء الدور، فلن يحتاج النموذج أبدًا إلى أن يكون بارعًا في التنبؤ بنهاية الدور؛ كل ما عليه هو ألا يقف في الطريق.

اتخذت Sesame مسارًا آخر وجعلت التنبؤ نفسه برنامجًا بحثيًا. وفي أغسطس 2026 نشرت TurnBench، وهو معيار مفتوح لديناميكيات تناوب الأدوار: 30 ساعة من حوار ثنائي القناة مسجّل في الاستوديو، و154 محادثة، و106 ممثلين صوتيين عبر ستة مستويات لغوية، مُعلَّم ثلاث مرات بمعامل كابا فلييس 0.78، ويُقيَّم بالاستدعاء عند معدل إيجابيات كاذبة محدود السقف مع زمن كمون موقّع عند الوسيط. النتيجة الرئيسية هي التي ينبغي الاحتفاظ بها: يبدأ المتحدثون البشريون نقل الدور بوسيط قدره 151 مللي ثانية قبل أن يتوقف الشخص الآخر عن الكلام، ولا يوجد أي نظام في المجال يضاهي ذلك ضمن ميزانية الإيجابيات الكاذبة. الكواشف الدلالية انتقائية وبطيئة؛ والكواشف الصوتية سريعة وصاخبة. لا شيء يجمع بين الاثنين.

هذا هو مفترق الطرق، مطروحًا بصراحة. تحاول Sesame تضييق الفجوة بين 151 مللي ثانية من التوقّع البشري و368 إلى 1,234 مللي ثانية التي تحققها أفضل الكاشفات. أما Phonic فتحاول جعل الفجوة غير ذات صلة عبر إزالة العمل الذي يملؤها. كلتاهما وجيهتان. واحد فقط منهما متاح لك كنقطة نهاية اليوم، وهو ليس الجهة التي نشرت المعيار المرجعي.

المجلس الذي يمنح النقاط لأحدهم — والآخر الذي يستبعده

يُعدّ مؤشر Speech to Speech Index من Artificial Analysis المكوّن التركيبي المستقل الوحيد في هذا المجال، ويتصدّر Phonic 1 قائمته حتى كتابة هذه السطور. الصفوف ذات الأهمية:

• Phonic 1 (High) — المؤشّر 87.1، الأول؛ زمن الوصول إلى أول صوت 0.61 ثانية؛ 4.20 دولار لكل ساعة من الصوت المُدخَل.

Grok Voice 3.0 — 86.9؛ 0.81 ث؛ 4.80 دولار للساعة.

• GPT-Live-1 (Astra، متوسط) — 83.2؛ 1.34 ث؛ 5.83 دولارًا في الساعة.

• Gemini 3.8 Live Extended Thinking (High) — 82.6؛ 1.35 ثانية؛ 3.50 دولار في الساعة.

• Eleven Realtime v1 Max — 77.3؛ 0.57 ث؛ 4.80 دولار في الساعة.

لاحظ الصف الأخير. إن Eleven Realtime v1 Maxأسرع في الوصول إلى أول صوت من Phonic 1 — 0.57 ثانية مقابل 0.61 ثانية — ويأتي أقل بـ9.8 نقطة مؤشر. الوقت حتى أول صوت ليس هو السباق الذي فاز به Phonic؛ فقد فاز بالنتيجة المركبة، التي تزن أيضًا الاستدلال الكلامي وسلوك المهام الوكيلية وتفضيل البشر ونجاح المهمة. من يقتبس "الأسرع" من عمود واحد إنما يقتبس العمود الخطأ.

الآن عدم التماثل. لا يوجد صف لـ Sesame Preview على لوحة الصدارة تلك، ولا توجد طريقة ليظهر: يشغّل المؤشر النماذج عبر أداة اختبار API، ولا تملك Sesame Preview واجهة API. كما أن أدوات Sesame الخاصة لا تسد الفجوة. فـ TurnBench منشور من Sesame، وحتى كتابة هذه السطور لا يتضمن أي إدخال لـ Sesame — إذ تسرد اللوحة نماذج توقع نشاط الصوت، وESPnet، وكاشف VAD الدلالي من Kyutai، وGemini 3.1 Live، وOpenAI Realtime وMoshi، لكن ليس صوت الشركة الإنتاجي الخاص. هذا ليس فضيحة؛ فتأليف المعيار وتقديم المعيار فعلان مختلفان، والتطبيق المرافق لا يملك نقطة نهاية مستقرة يمكن توجيه أداة تقييم إليها. لكنه يعني أن الرقمين الرئيسيين في هذه المواجهة — 87.1 على جانب، وأقل من 300 مللي ثانية على الجانب الآخر — ليسا من النوع نفسه من الادعاء. الأول قاسه طرف ثالث باستخدام أداة اختبار. والآخر هدف أعلنه المورّد عن منتج لم يجرِ أحد خارج الشركة أي قياسات عليه.

العمود الذي يخسر فيه Phonic 1، وفقًا لأدلة Phonic ذاتها

إذا كان سبب اطلاعك على Sesame Preview هو أنه يبدو كأنه شخص، فإن لهذه المقارنة إجابة غير مريحة، وهي تأتي من المواد الصحفية الخاصة بـ Phonic نفسها وليس من ناقد.

كلّفت Phonic خدمة Podonos، وهي خدمة تابعة لطرف ثالث لاختبار المستمعين، بإجراء اختبارات استماع زوجية عمياء، وأبلغت عن النتائج في منشور الإطلاق الخاص بها. وقد فُضّلت Phonic-1 على GPT-Live-1 بنسبة 61.5% مقابل 32.0%، وعلى Grok Voice 3 بنسبة 66.5% مقابل 26.5%، وعلى Eleven v4 Turbo بنسبة 78.0% مقابل 14.0%. والعنوان الرئيسي الذي اختارت الشركة أن تتصدّر به هو العنوان الذي خسرت فيه: فقد فُضّل ممثّلو الأصوات البشرية على Phonic-1 بنسبة 57.0% مقابل 32.0%، وهو ما يصفه المنشور بأن البشر فازوا في نحو 60% من الحالات، مع وجود مجال كبير لا يزال متاحًا للتحسين. هذه أرقام طلبت الشركة إعدادها وأبلغت عنها بنفسها، ولم يتم تكرار أيٍّ منها بشكل مستقل — لكنها أرقام الشركة نفسها، وهي تقول إن Phonic 1 هو أفضل صوت اصطناعي في مجموعة المقارنة الخاصة بها، ومع ذلك ليس صوتًا بشريًا.

وتشير بيانات التفضيل المستقلة إلى الأمر نفسه. وفي Speech Agent Arena التي تغذّي المؤشر المركّب، يحتل Phonic 1 المرتبة الثامنة من 30 في تفضيل المستمعين عند Elo 1,012، بينما يحتل المرتبة الرابعة في نجاح المهام عند 92.3%. والنموذج الذي يتصدّر المؤشر ليس النموذج الذي يريد المستمعون التحدث إليه أكثر من غيره. وهذا هو الانقسام نفسه الذي رأيناه في Grok Voice 3.0 من الجانب المعاكس — فقد احتفظت xAI بالساحة وخسرت عمود القدرات الوكيلية — وهو السبب البنيوي الذي يجعل مواجهة مباشرة بين هذين الاثنين غير قابلة للحسم برقم واحد.

وفي المقابل، تستند سمعة Sesame إلى ذلك العمود تحديدًا، وإلى لا شيء أكثر صرامة. انتشر عرض Maya وMiles التجريبي على نحو واسع في فبراير 2025 بفضل الأنفاس والترددات والتصحيحات الذاتية والضحك، وكان الادعاء الذي انتشر هو أن المستمعين لا يستطيعون التمييز بموثوقية بين الأصوات والبشر في المقاطع القصيرة. هذا انطباع كوّنه جمهور، وليس اختبارًا مُقيَّمًا، ولم يوضع يومًا في الغرفة نفسها مع Phonic 1. لا توجد تجربة منشورة يستمع فيها المستمع إلى Sesame Preview وPhonic 1 الواحد تلو الآخر. أي شخص يقول لك أيّهما يبدو أفضل إنما يقول لك أيّهما قد سمع.

كم تكلّف الدقيقة، ولماذا الدقيقة هي الوحدة الخاطئة

قائمة الأسعار قصيرة وغير متوازنة:

• Phonic 1 — 0.07 دولار لكل دقيقة على خطة Starter دون حد أدنى، مع 10 مكالمات متزامنة و10 وكلاء و3 مقاعد؛ و0.065 دولار لكل دقيقة على خطة Pro مقابل حد أدنى شهري قدره 200 دولار، أي نحو 3,100 دقيقة، مع 50 مكالمة متزامنة؛ وباقة المؤسسات مخصصة. يحصل من يسجّل قبل 30 نوفمبر على 250 دولارًا كأرصدة، ويحصل العملاء الذين ينتقلون من cascade على ثلاثة أشهر مجانًا.

• Sesame Preview — $0. ليست لكل دقيقة، ولا لكل مقعد، ولا لكل وكيل. مجانية في التطبيق.

• Sesame CSM-1B — الأوزان مجانية، والفاتورة هي ساعات GPU لديك بالإضافة إلى وقت الهندسة اللازم لتجميع تبادل الأدوار وتكييف السياق ونموذج لغوي حول نقطة حفظ لا تستطيع إنتاج نص بمفردها.

أجرِ المقارنة المنتجة، فينهار تأطير «لكل دقيقة». عشرة آلاف دقيقة شهريًا على Phonic 1 Starter تكلف 700 دولار، وهو خطأ تقريب لا يُذكر بالنسبة لمركز اتصالات، وميزانية حقيقية لمشروع جانبي. لا تفرض Sesame أي رسوم لأن Sesame لا تبيع الدقائق — إنها تبيع عادة يومية قبل إطلاق نظارات في 2027، والعادة يتم تحقيق الدخل منها لكل شخص، ولكل سنة، على الأجهزة، لا لكل دقيقة من الصوت. مقارنة بطاقة أسعار بتطبيق مجاني هي مقارنة مورّد بلوحة إعلانات.

مما يتركنا أمام النسخة الصادقة من سؤال التكلفة: ما تكلفة الإطلاق؟ بالنسبة إلى Phonic 1، الجواب هو عقد واحد، واتصال WebSocket واحد، وعشر مكالمات متزامنة على Starter ما لم تدفع مقابل Pro. أما بالنسبة إلى Sesame Preview، فالجواب هو أنه لا يوجد رقم، لأنه لا يوجد عرض. وأقرب شيء إلى Sesame قابل للإطلاق هو CSM-1B، وأقرب شيء لدى CSM-1B إلى قائمة أسعار هو فاتورة GPU.

ثلاثة مشترين، ثلاثة إجابات مختلفة

أنت تنقل حجم المكالمات بعيدًا عن نظام تتالي، ويجب أن تكتمل المكالمات. Phonic 1، والحالة هي عمود الوكلاء وليس المركّب. استدعاءات الأدوات التي تُطلق قبل أن يتوقف المتصل هي الفرق بين وكيل يحجز الموعد وآخر يجعل المتصل يكرر نفسه. إن $0.07 رخيصة مقابل تكلفة مكالمة استقبال فاشلة، وسقف التزامن هو ما يجب تحديد حجمه قبل أن تلتزم.

منتجك هو كيف يبدو صوته. رفيق، أو مدرب، أو مدرّس، أو صوت علامة تجارية — أي شيء يكون سبب بقاء المستخدم فيه هو الصوت نفسه. Sesame Preview هو النقطة المرجعية، وPhonic 1 ليس الحل بعد: في الاختبار الأعمى الذي أجراه المورّد نفسه، تفوّق البشر عليه بنحو اثنين مقابل واحد. لكن النقطة المرجعية ليست قابلة للشراء، لذا فالخيارات العملية هي نموذج صوتي مرخّص بدرجة تفضيل مقاسة، أو CSM-1B والكثير من الهندسة الخاصة بك.

أنت تريد هذا الفصل — كلامٌ بنكهة Sesame مع خلفيةٍ وكيليّة. هذا هو المزيج الذي تشير إليه خرائط طريق الشركتين ولا تبيعه أيٌّ منهما. والنسخة القابلة للبناء هي CSM-1B أو أي نموذج كلام مفتوح آخر للصوت، ونموذج نصي تقليدي خلفه يتولّى التفكير، تربط بينهما بيدك. تلك المرحلة النصية هي استدلال دردشة عادي، وهي الطبقة التي واجهة API واحدة لأكثر من 200 نموذج بهامش ربح 0% تنطبق عليها فعليًا: مفتاح واحد لمرحلة الاستدلال، وسعر قائمة المزوّد يُمرَّر دون تغيير، ولغة توجيه DSL لإرسال الكلام التبادلي والاستدلال المثقَل بالسياسات إلى نماذج مختلفة داخل الاستدعاء نفسه، والتحويل التلقائي عند الفشل حتى لا يُنهي تعثّر أحد المزوّدين المحادثة. لا Phonic 1 ولا Sesame Preview موجودان في ذلك الكتالوج — Phonic 1 لأنه نقطة نهاية لمزوّد واحد، وSesame Preview لأنه لا توجد نقطة نهاية يمكن توجيهها — لذا فهذا بيان عن النصف الذي تجمّعه بنفسك، وليس ادعاءً بشأن أيٍّ من النموذجين أعلاه.

ما الذي سيغيّر هذه الإجابة؟

ثلاثة أمور، مرتبة تصاعديًا حسب الاحتمال.

تنشر Phonic أرقام اختبار الاستماعبالإعداد القياسي للذكاء. كل نتيجة في هذا المقال، بما في ذلك 87.1 و0.61 ثانية، جرى إنتاجها عند الإعداد العالي. يستخدم API افتراضيًا الإعداد القياسي، الموثّق بوصفه وضع الكمون الأقل، ولم ينشر أحد ما يفعله هذا التكوين بالجودة أو بزمن الوصول إلى أول صوت. أي تكامل لا يمس هذا الإعداد إطلاقًا يشغّل نسخة غير مقاسة.

تفتح Sesame نقطة نهاية، أو تضع صوتها الإنتاجي الخاص على لوحة تناوب الأدوار الخاصة بها. أي من الأمرين سيحوّل هذا من مقارنة بين منتج وسمعة إلى مقارنة بين شيئين قابلين للقياس. لا يوجد أي منهما في خارطة الطريق التي وصفتها Sesame، والتي تمر عبر Android، ثم نظارات العين في 2027.

يقوم شخصٌ بتشغيل كلا النظامين في الغرفة نفسها. اختبار أعمى واحد باستخدام أصوات الإنتاج الخاصة بـ Sesame Preview وPhonic 1 على الموجّهات نفسها سيحسم مسألة الطبيعية خلال فترة ما بعد الظهر، ولا يمكن لأي شخص لا يعمل في Sesame أن يجريه، لأن أحد النظامين لا يمكن لشخص خارجي الوصول إليه.

إلى أن يحدث أحد تلك الأمور، فإن القراءة القابلة للدفاع هي الآتي: Phonic 1 هو الوحيد من بين الاثنين الذي يمكنك نشره، وهو يتصدر المؤشر المركب المستقل الوحيد الذي يمنح أياً منهما درجة، ويفوز في رهان العمل المنجز قبل انتهاء الدور، ومن حيث القياس لا يزال ليس صوتاً بشرياً. أما Sesame Preview فهو الشيء الأفضل صوتاً الذي لا يمكنك الحصول عليه، من شركة لا تعمل حالياً في مجال بيعه. هذان ليسا خيارين على قائمة واحدة. أحدهما مورّد والآخر عرض تجريبي، وكلما أسرعت في التوقف عن مقارنة أوراق مواصفاتهما، أسرع في أن تقرر أياً منهما كان منتجك يحتاجه فعلاً.