بطاقة عنوان مُولّدة لـ Realtime 1 مقابل Realtime Venus، تُقارن سعرًا مُستضافًا لكل دقيقة مقابل تكلفة استضافة ذاتية لكل ساعة GPU، مع علامة ترخيص Apache 2.0، إضافةً إلى شعار OrcaRouter.
Engineering & Research

Realtime 1 مقابل Realtime Venus: استأجر وكيلًا صوتيًا أو امتلك واحدًا بتكلفة وحدة معالجة رسومات.

الكاتب

jinhao.song

تاريخ النشر

أحدث النماذج · 20عرض جميع النماذج →
المعايير: Artificial Analysis · يُحدَّث يوميًا
العودة إلى جميع المقالات

كل ما في هذه المواجهة يعود إلى جملة واحدة في ملف ترخيص. Realtime Venus مرخّص بموجب Apache 2.0 — نموذج بحجم 9 مليارات معلمة تقوم بتنزيله وتشغّله على وحدة A100 الخاصة بك، ولن تدفع مقابله لكل دقيقة مرة أخرى. MAI Realtime 1، الذي أعلنت عنه Microsoft في 17 نوفمبر 2026، هو واجهة برمجة تطبيقات مستضافة بسعر 0.01 دولار لكل دقيقة صوتية، مع طبقة استدلال مسعّرة بالرموز خلفه، ومعاينة Foundry لا تحاسب على شيء حتى المعاينة العامة. أحد هذين له سعر لكل استدعاء، والآخر له سعر لكل ساعة GPU. مقارنتهما وفق بطاقات الأسعار خطأ فئوي، ولهذا يكاد كل مقال عن الصوت المستضاف مقابل الأوزان المفتوحة يخطئ في النقطة نفسها.

السؤال الصحيح هو كم تكلّف تشغيل كل واحدة عند حجم استخدامك، وما يمكن لكل واحدة فعله في الواقع — وهناك تنقلب المقارنة: فأرقام النموذج المفتوح تأتي مع ورقة تصف إطار الاختبار، بينما تأتي أرقام النموذج المستضاف من صفحة نموذج تحمل رقم دقة واحدًا فقط. هذا الانقلاب هو القصة.

ما هو كل واحد منها في الحقيقة

تأتي Realtime Venus من inclusionAI، وهي موثّقة في arXiv 2609.13814، ومنسوبة إلى فريق Venus التابع لـ Ant Group وجامعة تسينغهوا، والورقة مؤرخة في سبتمبر 2026. وتُتاح في نقطتي تحقق: Realtime-Venus-Omni، وهو نموذج سمعي-بصري بحجم 9B مقتبس من MiniCPM-o 4.5، يراقب ويستمع باستمرار، ويقرر متى يتحدث، ويُصدر النص والكلام على خط زمني واحد؛ وRealtime-Venus-Audio، وهو نموذج صوتي فقط بحجم 9B يعمل على البنية الأساسية التدفقية نفسها. يستخدم كلاهما Whisper-Medium مشفّرًا صوتيًا، وQwen3-8B بنية أساسية لغوية، ورموز كلام S3 منفصلة مع مُفكِّك ترميز تدفقي قائم على مطابقة التدفق، وسياق بطول 40,960 رمزًا، وأوزان BF16، واللغتين الإنجليزية والصينية لغتين لهما.

MAI Realtime 1 هو أول نموذج تحويل الكلام إلى كلام من Microsoft، وهو نظام مستضاف من طبقتين: مسار محادثة سريع بتكلفة سنت واحد في الدقيقة، ومحرك استدلال بتكلفة 1.00 دولار لكل مليون رمز إدخال و5.00 دولارات لكل مليون رمز إخراج، تُوجّه إليه الأدوار الأصعب. لا تفاصيل عن البنية، ولا عدد المعلمات، ولا قائمة لغات. رقم الدقة المنشور الوحيد له هو 98.8% على Big Bench Audio، في صفحة النموذج الخاصة به، أجرته الجهة المورّدة ولم يُعَد إنتاجه — وهو الصورة المعكوسة للوضع أدناه، حيث وضع مختبر أصغر منهج تقييمه في ورقة يمكن لأي شخص قراءتها.

• الأوزان — Realtime Venus بترخيص Apache 2.0، قابلة للتنزيل، ونقطتا تفتيش بحجم 9B؛ MAI Realtime 1 مغلق، والوصول إلى المعاينة عبر التسجيل.

• اللغات — الإنجليزية والصينية في Realtime Venus، بشكل صريح؛ MAI Realtime 1 غير مُدرج.

• السياق — Realtime Venus ‏40,960 توكنًا؛ MAI Realtime 1 غير منشور.

• الأجهزة — تحتاج Realtime Venus إلى A100 للعرض التوضيحي ثنائي الاتجاه في الوقت الفعلي؛ أما MAI Realtime 1 فلا تحتاج إلا إلى مفتاح.

• الأنماط — يتلقّى Realtime Venus Omni الفيديو والصوت المتدفقَين؛ أما MAI Realtime 1 فهو تحويل الكلام إلى كلام.

• هيكل التسعير — Realtime Venus لكل ساعة GPU، إلى الأبد؛ MAI Realtime 1 لكل دقيقة صوتية بالإضافة إلى رموز الاستدلال.

الأرقام التي نشرتها Realtime Venus، وما تعنيه

تتسم الورقة بدقة غير معتادة بشأن سلوك الازدواج الكامل، وهو الجانب الذي تتركه معظم نماذج الصوت غامضًا:

• استجابة المقاطعة — تمت الإجابة على 75% من مقاطعات المستخدم، على Full-Duplex-Bench v1.5.

• الاستمرار بعد إشارات الاستماع — 97%.

• استمرار المحادثة عندما يُوجَّه الكلام إلى مكان آخر — 88%.

• الاستمرار أثناء الكلام الخلفي — 86%.

• ادعاء المؤلفين — إن هذه النماذج «تتفوق على Gemini 3.1 Live وGPT-4o في جميع مقاييس الاستمرارية الثلاثة». لاحظ أهداف المقارنة: Gemini 3.1 Live، الذي تصنّفه Google الآن تراثيًا لصالح 3.8 Live، وGPT-4o. لا يمثّل أيٌّ منهما الطليعة الحالية، لذا فالفوز حقيقي، لكن عتبة المقارنة تعود إلى جيل سابق.

فيما يتعلق بالفهم، يتصدر Realtime-Venus-Audio مجموعة المقارنة الخاصة به في MMAU بنسبة 78.0%، وMMAU-Pro بنسبة 63.2%، وLlama Questions بنسبة 83.8%، وSpeech CMMLU بنسبة 67.8%، ويعادل أعلى نتيجة في VoiceBench AlpacaEval عند 4.81. يُعد Realtime-Venus-Omni الأفضل بين النماذج المتصلة التي جرى تقييمها في ستة من أصل ثمانية معايير للفيديو، بما في ذلك StreamingBench بنسبة 70.2%، وOVO-Bench بنسبة 64.7%، وDaily-Omni بنسبة 81.3%.

كل هذه تقييمات المؤلفين أنفسهم في ورقتهم البحثية. وهي أدلة أقوى من صفحة تسويقية — فعلى الأقل يُوصَف إطار الاختبار ومجموعة المقارنة — وأضعف من لوحة مستقلة. لا يتضمن Artificial Analysis ‏Realtime Venus اعتبارًا من 18 نوفمبر، لذا لم تُعِد أي جهة خارجية تشغيلها.

الرقم الوحيد الغائب عن ملخص الورقة على مستوى المستخلص هو الرقم الذي يهم وكيل الدعم: درجة إنجاز المهام الوكيلية الخاصة بـ τ-Voice. بُنيت Realtime Venus حول فكرة مختلفة — آلية <delegate> تدفع المهام الخارجية غير المتزامنة إلى بيئة تشغيل Harness منفصلة، بحيث تستمر المحادثة في العمل بينما يجري العمل في الخلفية. هذا قريب معماريًا مما تفعله MAI Realtime 1 داخليًا عبر طبقة الاستدلال لديها، ومما تفعله G​PT Live 1 عبر تسليم المهمة إلى وكيل خلفي. ثلاثة منتجات مختلفة، وتصميم واحد متقارب: تحدّث بسرعة، وفوّض التفكير. لم ينشر أحد مقارنة مباشرة وجهاً لوجه بشأن نصف التفويض.

A generated two-column scoreboard titled 'MAI Realtime 1 vs Realtime Venus — the scoreboard'. Left column MAI Realtime 1: licence closed preview only, weights hosted only, price shape $0.01 a minute, languages not published, video no. Right column Realtime Venus: licence Apache 2.0, weights two 9B checkpoints, price shape per GPU hour, languages English and Chinese, video yes, Omni. Footer reads 'Venus figures from its own paper, author evaluations; MAI figures per Microsoft.'

الحساب الذي يخفيه سعر الدقيقة

هنا لم تعد المقارنة تدور حول الأسعار. MAI Realtime 1 بسعر سنت واحد في الدقيقة يساوي 0.60 دولار لكل ساعة من الصوت. ويكلّف تشغيل A100 واحد لتشغيل Realtime Venus ما بين 1.50 و2.50 دولار في الساعة وفق أسعار السحابة التجارية — لنقل 2 دولار على سبيل الافتراض، ولاحظ أن هذا سعر سوقي، وليس شيئًا ينشره أي من المورّدين.

• نقطة التعادل — تملأ نحو ثلاث إلى أربع محادثات متزامنة بطاقة A100 واحدة عند تلك المعدلات. تحت هذا الحد، يكون الاستئجار أرخص. وفوقه، يكون الامتلاك أرخص.

• الجانب السلبي في الخدمة المستضافة — تُحتسب فئة الاستدلال في MAI Realtime 1 لكل توكن إضافةً إلى سعر الدقيقة، لذا فإن تكلفتها الحقيقية في الساعة تتجاوز 0.60 دولار وغير معروفة.

• العقبة في جانب الاستضافة الذاتية — عدد التزامن لكل A100 لنموذج ثنائي الاتجاه بحجم 9B غير منشور هو الآخر. يحتاج العرض التوضيحي إلى «واحد على الأقل من NVIDIA A100»، وهو ما يخبرك بأنه يعمل ولا يقول شيئًا عن عدد التدفقات التي يستطيع الحفاظ عليها.

إذن فكلا جانبي نقطة التعادل تقديريان. أما ما ليس تقديريًا فهو شكل المنحنى: تكلفة الاستضافة المُدارة تزداد خطيًا وإلى ما لا نهاية؛ وتكلفة الاستضافة الذاتية لها أرضية ثابتة ثم تنحني. المشروع التجريبي الذي يجري مئة مكالمة يوميًا ينبغي أن يستأجر. أما مركز الاتصال الذي يشغّل مئتي خط متزامن فلا ينبغي له ذلك، إلا إذا كان النموذج المستضاف أفضل جوهريًا — وفي هذه المواجهة، النموذج المفتوح هو الذي تأتي مزاعم دقته مصحوبة بأداة اختبار منشورة.

هناك أيضًا عدم تماثل تشغيلي لا يظهر أبدًا على بطاقة أسعار. استضافة نموذج 9B مزدوج الاتجاه ذاتيًا تعني امتلاك سعة GPU، والبدءات الباردة، وتحميل النموذج، ونمط الفشل حيث يتعطل عقدة وتنقطع المكالمات. أما الاستضافة المُدارة فتعني عدم امتلاك أي من ذلك وقبول زمن استجابة المورّد وتوافره وجدول إيقافه. تستهين الفرق باستمرار بالأول وتبالغ في تقدير الثاني، عادةً لأن الأول غير مرئي في جدول بيانات.

حيث لا تتوفر للنموذج المستضاف إجابة مفتوحة الأوزان

ثلاثة أمور، وهي ليست صغيرة.

التوصيلات المؤسسية: يصل MAI Realtime 1 قريبًا إلى Dynamics 365 Contact Center وإلى Dragon Copilot لمحاكاات تدريب الممرضين، بينما تختبر Agoda وReservations.ai. هذه تكاملات مع أنظمة لا يستطيع نموذج مستضاف ذاتيًا الوصول إليها من دون أن تبني الموصلات بنفسك.

التوافق: يتحدث واجهة OpenAI Realtime API، لذا تحتاج منظومة صوتية قائمة إلى سلسلة طراز بدلًا من إعادة كتابة. تُشحن Realtime Venus كحزمة Python — AutoModel.from_pretrained، وas_duplex()، وstreaming_prefill() وstreaming_generate() لكل ثانية، وFFmpeg وCUDA على المضيف. هذا مشروع هندسي حقيقي.

واتساع نطاق النسخ: إعلان مايكروسوفت المرافق، Dragon Copilot Transcribe على MAI Transcribe 2، يغطي الإملاء السريري على نطاق لا تتناوله أي نقطة في ورقة Venus — عشرة ملايين لقاء مع مريض شهريًا، ونصف معدل الخطأ في اللغات المتعددة، بحسب ما تذكره مايكروسوفت نفسها. وإذا كان منتجك سريريًا، فالمنظومة البيئية هي الحجة، وليس السعر لكل دقيقة.

حيث لا توجد للأوزان المفتوحة إجابةٌ مستضافة

فيديو. إن Realtime-Venus-Omni نموذج صوتي-بصري تدفقي — فهو يشاهد ويسمع، ومعايير Omni هي معايير تقييم للفيديو. أما MAI Realtime 1 فهو للكلام. وإذا تضمّن التفاعل كاميرا، أو مشاركة شاشة، أو مريضًا يشير إلى شيء ما، فإن المقارنة ليست متكافئة لأن النموذج المستضاف لا يحاول ذلك أصلًا.

ذاكرة الفيديو الطويل أيضًا: تدّعي بطاقة Venus قدرة على التذكر عبر فيديو طويل دون تدريب إضافي، عبر مفتاح use_memory(). لا يتناول أي شيء في إعلان Microsoft الذاكرة عبر جلسة.

والترخيص. يعني Apache 2.0 أنه يمكنك ضبطه الدقيق، وتضمينه داخل منتج، وتشغيله في اختصاص قضائي لا تملك Microsoft منطقة فيه، والاحتفاظ بالصوت على عتادك الخاص. بالنسبة لنشر سريري أو في القطاع العام حيث لا يمكن للبيانات مغادرة المبنى، فهذا ليس تفضيلاً — بل هو المتطلب، ولا يعوض عنه أي خصم لكل دقيقة.

A screenshot of the Hugging Face model card for inclusionAI/Realtime-Venus captured 18 November 2026, showing the Any-to-Any pipeline tag, Transformers, ONNX and Safetensors badges, English and Chinese language tags, and the multimodal, audio, video, streaming and full-duplex tags.

الهجين الذي ينبغي لمعظم الفرق أن تبنيه فعليًا

التقارب المذكور سابقًا هو الإجابة العملية. هذه المنتجات الثلاثة كلها — Realtime Venus وMAI Realtime 1 وG​PT Live 1 — تفصل المحادثة عن العمل: Venus عبر <delegate> وبيئة تشغيل Harness، وMicrosoft عبر طبقة استدلال داخلية، وO​penAI عبر وكيل خلفي مرتبط صراحةً. في كل حالة، الجزء الصعب هو نموذج ثانٍ يقوم بالتفكير، وفي كل حالة، تلك الطبقة هي حيث تتركّز التكلفة وزمن الاستجابة.

ما يعني أن الاختيار بينهما هو في الحقيقة قرار بشأن الواجهة الأمامية، ويمكن أن تكون الواجهة الخلفية نفسها في كلتا الحالتين. صُمّم OrcaRouter لهذه الطبقة الثانية: أكثر من 200 نموذج بمفتاح واحد بسعر قائمة المزوّد وبهامش ربح 0%، لذا أيّ واجهة أمامية تختار، فإن نماذج الاستدلال خلفها قابلة للتبديل، وأي تغيير في سعر أحد المزوّدين يصل في اليوم نفسه. التحويل التلقائي عند الفشل هو ما يحوّل مهمة مفوّضة إلى شيء آمن للتشغيل في الإنتاج — فالاستدعاء الخلفي الذي يفشل بصمت هو وعدٌ للمستدعي لا يُوفى أبدًا، وإعادة المحاولة الموجّهة عبر المزوّدين هي الفرق بين مهمة تكتمل وأخرى لا تكتمل بهدوء. إن لغة التوجيه DSL هي الطريقة التي تتحول بها سياسة التفويض إلى قاعدة: أي النوايا تُصعَّد، وإلى أي نموذج، وبأي ميزانية.

لا يوجد أيٌّ من هذين النموذجين الصوتيين في كتالوجنا — فـ Realtime Venus عبارة عن أوزان Apache 2.0 تستضيفها بنفسك، وMAI Realtime 1 هي المعاينة محدودة الوصول من MAI Labs وFoundry. وما نوجّهه هو كل ما يفوّضانه إلينا.

A screenshot of the OrcaRouter models catalogue captured 18 November 2026, showing the header line '226 models · 17 providers · one API key, one bill' and the model grid with search and sort controls.

الاختيار، بشكل ملموس

ابدأ بـ Realtime Venus إذا كان أي مما يلي صحيحًا: لا يمكن للبيانات مغادرة بنيتك التحتية، أو يتضمن التفاعل فيديو، أو تحتاج إلى الإنجليزية والصينية تحديدًا ولا شيء غيرهما، أو لديك سعة GPU بالفعل، أو حجمك مرتفع بما يكفي بحيث تكون فاتورة خطية لكل دقيقة غير مناسبة. اقبل في المقابل أنك تشغّل حزمة بمستوى بحثي بواجهة Python API، وورقة بحثية كوثائقك، ولا يوجد معيار مرجعي مستقل يؤكد أرقام المؤلفين.

ابدأ بـ MAI Realtime 1 إذا كان التفاعل صوتيًا فقط، وكان حجم الاستخدام متواضعًا، وكان التكامل على شكل OpenAI-Realtime بالفعل، وكان سنت واحد في الدقيقة هو الرقم الذي يجعل المشروع مجديًا على الإطلاق. اقبل في المقابل أنك تكاد لا تستطيع قياس أيٍّ من ذلك: رقم دقة واحد مُبلَّغ عنه من المورّد، وزمن استجابة P50 بلا توزيع، ولا درجة τ-Voice، ولا قائمة لغات، وعرض تجريبي غير تجاري مدته دقيقتان كان يبلّغ عن نفسه بأنه غير متاح عندما تحققنا.

وراقب ما يراهن عليه الجانبان بهدوء. لقد خلصت Realtime Venus وMAI Realtime 1 وG​PT Live 1 جميعًا إلى أن النموذج الصوتي لا ينبغي أن يفكر بعمق بينما ينتظر أحدهم. والفرق بينها يكمن فقط في أين يتجه التفكير. وأيّها ينشر أولًا معدل إنجاز المهام للنصف المفوَّض سيحسم مواجهة لم تكن معدلات الدقيقة الواحدة لتستطيع حسمها قط.

مقارنات في هذه المقالة1

مستخرج من هذه المقالة · المعايير: Artificial Analysis · يُحدَّث يوميًا