Phonon مقابل Qwen Audio 3.0 TTS: 7 مللي ثانية على حاسوبك المحمول أو 200 مللي ثانية في السحابة

ينهي وكيل الدعم جملةً، ويتعيّن على المساعد الصوتي أن يردّ. على Phonon 31M، نموذج Gradium المحلي على الجهاز بسعة 64 ميغابايت الذي صدر في 20 أكتوبر 2026، يمكن أن تصل أول عيّنة صوتية بعد نحو 7 ميلي ثوانٍ من جاهزية النص، لأن لا شيء يغادر الجهاز. على Qwen Audio 3.0 TTS، نظام Alibaba المستضاف منذ يوليو 2026، تُوثَّق أول حزمة عند أقل من 200 ميلي ثانية — ويبدأ هذا الرقم بعد أن يعبر طلبك الشبكة إلى مركز بيانات في بكين أو سنغافورة.

هذا الفارق هو المقارنة كلها في صورة مصغّرة، لكنه ليس القرار كله. يتحدث Qwen Audio 3.0 TTS ست عشرة لغة وعشرين لهجة صينية عند 48 kHz، ويستقبل وسوم المشاعر وغير اللفظية ضمن النص، ويستنسخ صوتًا من مقطع مرجعي. أما Phonon 31M فيتحدث الإنجليزية عند 24 kHz بسبعة وثلاثين صوتًا ثابتًا، ويعمل على Raspberry Pi. الاختيار بينهما هو اختيار نوع النظام الذي تبنيه، لا اختيار أي النموذجين يبدو أفضل صوتًا في عرض تجريبي.

ما هو كل واحد منها في الحقيقة

Phonon 31M هو نقطة تحقق واحدة ضمن عائلة Gradium مفتوحة الأوزان. يضم 31 مليون معامل باستثناء مُرمّز الصوت، ويُوزَّع كملف q8 GGUF بحجم 64.5 ميغابايت، ويُخرج صوتًا أحاديًا بتردد 24 كيلوهرتز، ومرخَّص بموجب Apache 2.0 — وهو نقطة التحقق الوحيدة في العائلة المتاحة للاستخدام التجاري. تغطي نماذج Phonon 40M المرافقة خمس لغات لكنها تخضع لرخصة CC BY-NC 4.0، لذا ليست خيارًا لمنتج يُشحن دون اتفاق منفصل. وقت التشغيل مكتوب بلغة Rust، دون PyTorch عند الاستدلال، وتوجد إصدارات مبنية لـ CPU وCore ML وSnapdragon NPUs وWebAssembly.

نموذج Qwen Audio 3.0 TTS ليس نموذجًا قابلًا للتنزيل. أعلن فريق Qwen التابع لـ Alibaba عنه في 20 يوليو 2026 في WAIC بفئتين من واجهات API: Flash، المهيّأة للتفاعل في الوقت الفعلي، وPlus، المهيّأة للجودة. ويُتاح الوصول إلى كلتيهما عبر Alibaba Cloud Model Studio. وتسرد وثائق نقطة النهاية Flash زمن استجابة الحزمة الأولى أقل من 200 مللي ثانية، وحدًا لمعدل الطلبات يبلغ 180 طلبًا في الدقيقة، وسعرًا قدره 1 يوان صيني لكل 10,000 حرف في بكين، أو 1.12413 يوان صيني في سنغافورة. لا توجد أوزان، ولا بيئة تشغيل محلية، ولا وضع دون اتصال.

فرق زمن الاستجابة ليس 193 ميلي ثانية

طرح 7 من 200 يعطي رقمًا يقلل من الفجوة ويبالغ في أهميتها، اعتمادًا على ما تبنيه. بالنسبة لواجهة صوتية تعتمد تبادل الأدوار، فإن ميزانية الزمن من طرف إلى طرف تبلغ نحو 800 مللي ثانية قبل أن تبدأ المحادثة في الشعور بأنها خاطئة. يستغرق استدعاء TTS سحابي الـ200 مللي ثانية الخاصة به بعد رحلة ذهاب وإياب عبر الشبكة قد تبلغ 20 مللي ثانية على اتصال سلكي جيد و150 مللي ثانية على الهاتف المحمول. أضف إلى ذلك إعداد TLS على اتصال بارد، وتخزين الصوت مؤقتًا، والكمون الطرفي الذي يستلزمه حد معدل 180 RPM تحت الحمل، وستكون تجربة p95 أسوأ بشكل ملموس من الرقم المعلن.

للمسار المحلي شكل مختلف. يذكر ملف README الخاص بـ Phonon زمن وصول إلى أول بايت قدره 5 مللي ثانية على نواة واحدة من MacBook Air M5، و9 مللي ثانية على محرك Neural Engine في iPhone 16 Pro. لا يوجد ذيل شبكة، ولا حد لمعدل الطلبات، ولا مزوّد يمرّ بيوم سيئ. ما تتخلى عنه هو المرونة: الهاتف الذي يخفض أداءه حراريًا يشغّل Phonon ببطء أكبر، وعلامة تبويب في المتصفح تنافس مكالمة فيديو تحصل على قدر أقل من المعالج. أرقام مورّد Raspberry Pi 5 — 68 مللي ثانية و2.3 ضعف الزمن الحقيقي في README، و38 مللي ثانية و3.7 أضعاف الزمن الحقيقي في مدونة الإصدار — تُظهر إلى أي مدى يمكن أن ينخفض ذلك الحد الأدنى على عتاد ضعيف.

وهنا أيضًا تستحق الأرقام تحفظًا. تختلف مدونة إصدار Gradium وملف README الخاص بوقت التشغيل بشأن الإنتاجية للجهاز نفسه بأكثر من الضعف، ولم يُعَد إنتاج أيٍّ منهما بشكل مستقل. تعامل مع 7 ms على أنها رتبة مقدار، لا مواصفة.

اللغات والأصوات: الاتساع مقابل طاقم ثابت

يغطي Qwen Audio 3.0 TTS 16 لغة، بما في ذلك اليابانية والكورية والعربية والفيتنامية والملايوية والفلبينية، إضافة إلى 20 لهجة صينية. ويدعم استنساخ الصوت من صوت مرجعي، ويمكنه إخراج لغة مختلفة عن اللغة الموجودة في المقطع المرجعي، وهي الميزة التي تجعل خطوط أنابيب التوطين مثيرة للاهتمام. المخرجات بتردد 48 كيلوهرتز، وتتيح المنصة ما يصل إلى ثلاث دقائق من الصوت لكل عملية توليد.

يعمل Phonon 31M باللغة الإنجليزية فقط، وبطاقة نموذج Gradium صريحة بشأن ذلك: فاللغات الأخرى تُنطق نطقًا خاطئًا. ويضم 37 صوتًا مدمجًا، مع المزيد في كتالوج أصوات منفصل ودعم للأصوات المخصصة بصيغة .safetensors. أما نقطة تفتيش Phonon 40M متعددة اللغات فتصل إلى خمس لغات، لكن ترخيصها غير التجاري يستبعدها من معظم قرارات المنتجات.

• اللغات — الإنجليزية فقط لـ Phonon 31M؛ 16 لغة بالإضافة إلى 20 لهجة صينية لـ Qwen Audio 3.0 TTS.

• معدل أخذ العينات — 24 كيلوهرتز أحادي لـ Phonon 31M؛ 48 كيلوهرتز لـ Qwen Audio 3.0 TTS.

• مصادر الصوت — 37 صوتًا مدمجًا بالإضافة إلى كتالوج أصوات مخصص لـ Phonon 31M؛ واستنساخ الصوت المرجعي لـ Qwen Audio 3.0 TTS.

• الحد الأقصى للنطق — غير موثّق لـ Phonon 31M؛ حتى ثلاث دقائق لكل عملية توليف لـ Qwen Audio 3.0 TTS.

• أين يعمل — CPU أو NPU أو المتصفح أو الهاتف لـ Phonon 31M؛ Alibaba Cloud Model Studio فقط لـ Qwen Audio 3.0 TTS.

• الترخيص — Apache 2.0 لـ Phonon 31M؛ شروط واجهة برمجة التطبيقات التجارية لـ Qwen Audio 3.0 TTS.

التحكم: الوسوم والاستنساخ مقابل طاقم ثابت

تقوم قصة التعبيرية لدى Qwen على التحكم المضمَّن. يقبل النموذج وسومًا غير لفظية دقيقة — كاللهث والضحك والتنهيد — وتعليمات أسلوب باللغة الطبيعية، بحيث يستطيع النص تحديد ما يُقال وكيف يُقال، لا ما يُقال فحسب. وسلّطت تغطية الإطلاق الضوء على التحول من «القدرة على الكلام» إلى «القدرة على الأداء»، واحتلّت فئة Plus المرتبة الأولى في Artificial Analysis Speech Arena بتصنيف Elo قدره 1,237، متقدمةً على Gemini 3.1 Flash TTS وElevenLabs v3. وهذا لوحة صدارة مستقلة لا جدولًا خاصًا بمورّد، مع أن المشاركة قدّمتها Alibaba، كما أن تصنيف Elo في ساحة منسّقة يكافئ الأسلوب بقدر ما يكافئ سهولة الفهم.

سطح التحكم في Phonon ضيق عمدًا. تختار صوتًا، وترسل نصًا، فتحصل على صوت. لا توجد وسوم مشاعر ولا موجّه أسلوب. وبالنسبة لواجهة تتعامل مع ملفوظات قصيرة متوقعة — إشعارات، وتنقّل، وتأكيد استمارات — فهذا كافٍ، وغياب طبقة الأسلوب أحد أسباب أن النموذج يضم 31 مليون معامل بدلًا من مليارات. أما للسرد أو الإعلان أو العمل على الشخصيات، فهو سبب للاستبعاد.

لا يحل أيٌّ من النظامين مشكلة الموافقة. فميزة الاستنساخ في Qwen تقبل مقطعًا مرجعيًا؛ ويقبل Phonon ملفات صوتية مخصصة. وكلاهما يترك للمُدمِج مهمة إثبات أن المتحدث قد وافق.

كم تبلغ تكلفته عند الشراء بكميات كبيرة

Phonon 31M ليس له سعر لكل حرف. أنت تدفع مقابل عتاد تملكه بالفعل، وللكهرباء اللازمة لتشغيل نموذج يولّد أسرع من الزمن الحقيقي بمقدار 26 إلى 41 مرة على نواة حاسوب محمول. على النطاق الصغير، يكون ذلك مجانيًا فعليًا؛ وعلى النطاق الكبير، يصبح ميزانية بطارية وحرارية لجهاز محمول، وهي تكلفة حقيقية لكنها مختلفة.

تتقاضى Qwen Audio 3.0 TTS Flash مبلغ 1 يوان صيني لكل 10,000 حرف في بكين. عشرة ملايين حرف شهريًا تعني 1,000 يوان صيني، أي نحو 140 دولارًا أمريكيًا بسعر سبعة يوانات للدولار تقريبًا — وهو أقل مما تنفقه معظم الفرق على تسجيل السجلات. لكن الرقم المهم ليس الفاتورة الشهرية، بل شكلها: فالتكلفة تتناسب مع الاستخدام، وزمن الاستجابة مُستأجر، ويمكن لجهة أخرى أن تعيد تسعير النموذج أو توقف دعمه. هذا هو المقابل الذي تحصل عليه مقابل 48 كيلوهرتز وست عشرة لغة.

لا تستضيف OrcaRouter أيًا من هذين النموذجين، ولا ينبغي أن يوحي أي شيء هنا بغير ذلك: يعمل Phonon على جهازك، ويُوصَل إلى Qwen Audio 3.0 TTS عبر واجهة API الخاصة بـ Alibaba. أما الموضع الذي يستحق فيه التوجيه وجوده فهو طبقة واحدة أعلى. عادةً ما يأتي نص رد المساعد الصوتي من نموذج لغوي، وهذا النموذج سلعة يمكنك نقلها. مفتاح واحد يغطي أكثر من 200 نموذج بسعر قائمة المزوّد مع هامش ربح 0%، لذا يمكن استخدام تخفيض سعر أو نموذج جديد رخيص في اليوم نفسه، ويُبقي التحويل التلقائي عند التعطل النصف النصي من الحلقة حيًا عندما يتدهور مزوّد واحد. ويمكن لطبقة الكلام أن تبقى تمامًا حيث وضعتها.

أين يفوز كل واحد

اختر Phonon 31M عندما يجب توليد الصوت على الجهاز، وعندما تكون اللغة الإنجليزية، وعندما تكون مجموعة الأصوات الثابتة مقبولة، وعندما يكون تنزيل بحجم 64 ميغابايت وترخيص Apache 2.0 أكثر قيمة من التنوع الأسلوبي. المساعدات دون اتصال وأدوات إمكانية الوصول والألعاب والأكشاك وميزات المتصفح هي موطنه الطبيعي.

اختر Qwen Audio 3.0 TTS عندما تحتاج إلى لغات غير الإنجليزية، أو إلى إخراج بتردد 48 kHz، أو أداء عاطفي، أو استنساخ الصوت، أو عبارات أطول من جملة أو جملتين — وعندما يكون الاعتماد على الشبكة مقبولًا. وكلاء الصوت الموجّهون إلى العملاء في أسواق متعددة، والدبلجة، والمحتوى المروي هي بيئته الطبيعية.

الهجين الذي ستنتهي معظم الفرق إلى بنائه.

النظامان ليسا متنافيين، والمعمارية المثيرة للاهتمام تستخدم كليهما. شغّل Phonon 31M كالافتراضي المحلي للردود الإنجليزية القصيرة والمتوقعة — تلك التي يُحسّ فيها زمن الاستجابة. ارجع إلى Qwen Audio 3.0 TTS عندما يكون الرد طويلاً، أو عندما يكون المستخدم قد غيّر اللغة، أو عندما لا يستطيع الجهاز الاستمرار في تشغيل النموذج المحلي. التبديل قرار سياساتي، وليس إعادة كتابة، لأن كليهما يأخذ نصاً ويعيد صوتاً.

ما يجعل هذه البنية ناجحة هو أن الخيار الاحتياطي ليس تجربة أقل جودة. فإخراج Qwen بتردد 48 كيلوهرتز ووسوم النمط فيه أفضل من Phonon في كل محور تقريبًا باستثناء زمن الاستجابة والخصوصية. سبب جعل المحلي هو الافتراضي ليس الجودة؛ بل أن 7 مللي ثانية تتفوق على رحلة ذهاب وإياب عبر الشبكة عندما يكون المستخدم منتظرًا.

مضى ثلاثة أيام على إصدار Gradium، ولا تزال اختبارات أدائه تُجريها الشركة المصنّعة. أما نموذج Alibaba فعمره ثلاثة أشهر، ولديه ترتيب مستقل في الساحة، ويُسعّر لكل حرف. لن يُحسم الاختيار بينهما عبر جدول WER، بل سيُحسم بناءً على ما إذا كان منتجك يستطيع تحمّل وجود مركز بيانات ضمن دورة المعالجة.