Rime Prism مقابل Cartesia Sonic 3.6: توقفوا عن مقارنة 90 مللي ثانية بـ 570 مللي ثانية

تُجيب Cartesia Sonic 3.6 في أقل من 90 مللي ثانية، بينما تُجيب Rime Prism في نحو 570 مللي ثانية. وإذا كانت هذه الجملة هي كل ما لديك للمقارنة، فأنت قد وصلت بالفعل إلى استنتاجٍ偏离 الصواب بمعامل اثنين في الاتجاه الخاطئ — لأن الرقمين لا يبدآن من اللحظة نفسها. فالـ 90 مللي ثانية لدى Sonic 3.6 هي الزمن من وصول النص إلى المُركِّب حتى أول عيّنة صوتية. أما الـ 570 مللي ثانية لدى Rime Prism فهي الزمن من إنهاء المتصل جملته حتى إصدار الوكيل لصوت. وبين هذين الحدثين تقع مرحلة التعرف على الكلام ودورة كاملة لنموذج لغوي، وSonic 3.6 لا ينفّذ أيًّا منهما. ضعهما على المقياس الزمني نفسه، فتتقلص الفجوة إلى حدٍّ يكاد المتصل لا يميّزه، وعندئذٍ يصبح القرار متعلقًا بالسعر وتغطية اللغات وما إذا كان على أحدٍ الموافقة على ما يُقال.

كلا النموذجين حديثان وكلاهما متاح للاستخدام الآن. Cartesia Sonic 3.6 أصبح متاحًا للعموم في 27 أغسطس 2026 كنموذج تحويل نص إلى كلام بتدفق، وقد تصدّر كلتا ساحتي الكلام في Artificial Analysis عند الإطلاق — ثم تجاوزه آخرون منذ ذلك الحين مع انضمام أصوات أحدث إلى اللوحة. Rime Prism أُطلق في 28 أكتوبر 2026 كنموذج تحويل كلام إلى كلام بسعر 0.080 دولار لكل دقيقة من صوت المكالمة، ويُصدر ردّه نصًا قبل أن ينطقه. أحدهما مكوّن، والآخر نظام، والمقارنة المثيرة للاهتمام هي ما يكلّفه كل منهما عندما تجمّع وكيلًا صوتيًا عاملًا حوله.

ما هو Sonic 3.6، بالتحديد

إنه نموذج لتحويل النص إلى كلام، وهو نموذج جيد وفق الأدلة المتاحة. تهم التدفقات أكثر من التسويق: فـ WebSocket وServer-Sent Events والبايتات الخام مدعومة جميعها، وهذا ما يجعل نموذج TTS قابلاً للاستخدام داخل مكالمة مباشرة وليس فقط في مهمة معالجة دفعية.

• التغطية — 44 لغة عبر 61 إعدادًا محليًا، بما في ذلك الهندية وHinglish.

• الأصوات — استنساخ فوري في 10 ثوانٍ من مقطع مرجعي؛ لا يوجد عدد منشور للأصوات الجاهزة لهذا الإصدار.

• التحكم — أكثر من 60 وسمًا للمشاعر والأداء، باللغة الإنجليزية فقط؛ السرعة من 0.6x إلى 1.5x.

• الصوت — إخراج من 8 kHz وحتى 48 kHz بصيغة WAV أو MP3 أو PCM، مع نافذة سياق بسعة 3,000 رمز.

• الكمون — أقل من 90 مللي ثانية كوقت معلن من المورّد للوصول إلى أول صوت عند نحو 132 حرفًا في الثانية، في وضع البث المتدفق.

• Arena — وفق تحليل Artificial Analysis، بلغ Provider Voice Elo نحو 1,282 وControlled Voice نحو 1,123 عند الإطلاق، وكان في صدارة كلا الجدولين آنذاك، ثم تغيّر موقعه منذ ذلك الحين.

• الانفتاح — لا أوزان. Sonic 3.6 نموذج مُستضاف، مثل Prism.

كما أوقفت Cartesia عدة نماذج أقدم في 20 أكتوبر 2026 — sonic-turbo وsonic-2 ونسخة sonic-3-2025-10-27 — ولا يزال Sonic 3.5 مُدرجًا كإصدار مستقر إلى جانب 3.6. إذا كنت تنتقل، فتحقق من الجيل الذي يشير إليه تكاملك فعليًا، لأن الرجوع إلى نموذج موقوف يُعد فشلًا صامتًا.

حساب 90 مللي ثانية مقابل 570 مللي ثانية، عند إجرائه على نحو صحيح

هذا هو الجزء الذي تتخطاه كل صفحات الترتيب. يحتوي تسلسل Sonic 3.6 على ثلاث ساعات تعمل على التوالي:

• التعرّف على الكلام من كلام المتصل — عادةً ما يستغرق بضع مئات من الميلي ثانية لدى مُعرّف تدفّقي لإنهاء جملة.

• دور نموذج اللغة — الحدّ المتغيّر، الذي يتراوح من 200 مللي ثانية مقابل إقرار قصير إلى ما يزيد كثيرًا عن ثانية إذا فكّر الوكيل قبل الرد.

• تبلغ قفزة التركيب في Sonic 3.6 أقل من 90 مللي ثانية بمعدل الاختبار لدى المورّد مع استبعاد الشبكة؛ لكن القياسات المستقلة من طرف إلى طرف لمسار استدعاء Cartesia المباشر تكون أعلى بعدة أضعاف بمجرد احتساب القفزتين الأخريين.

اجمع الثلاثة الوسطى، وستقع سلسلة مضبوطة جيدًا في مكان ما بين 800 مللي ثانية و1.5 ثانية من نهاية كلام المتصل إلى أول صوت للوكيل. أما الـ0.57 ثانية الخاصة بـPrism فتغطي كل ذلك. لذا، على المسار الكامل، فإن Prism ليست أبطأ من Sonic 3.6 — بل هي أسرع من خط الأنابيب الذي يعمل ضمنه Sonic 3.6، بنحو ضعفين عند الحد الأفضل.

لا ينعكس ذلك إلا في معمارية واحدة: إذا كان دور نموذج اللغة لديك قصيرًا جدًا وكان محرك التعرف لديك سريعًا جدًا، فيمكن لتتالية Sonic أن تصل إلى أول إخراج صوتي في نحو نصف ثانية أيضًا، وحينها تكون قفزة الـ 90 مللي ثانية هي السبب فعليًا. أي إن الـ 90 مللي ثانية إنجاز هندسي حقيقي وهي تؤدي عملًا — لكن ليس العمل الذي يوحي به جدول المقارنة.

التوصيف الأمين هو ذلك الذي تدعمه أرقام Cartesia نفسها. زمن أقل من 90 ms هو أسرع مرحلة تخليق في السوق، ويُقاس مع استبعاد الشبكة. ورقم 570 ms الخاص بـ Prism هو رقم من المورّد، قياسًا على منصة τ-Voice بواسطة Rime نفسها لا بواسطة مختبر محايد. ولم تنشر أي من الشركتين مقارنة وجها لوجه، ولم يشغّل أحد كليهما على مسار الاتصال نفسه. وأي شيء يقدّم الاثنين على أنهما سباق كمون متكافئ إنما يختلق نتيجة.

السعر لكل دقيقة، وهو حيث تكمن الفجوة الحقيقية

تحاسب Cartesia بالحرف: نحو رصيد واحد لكل حرف، وتُطبّع Artificial Analysis ذلك إلى نحو 49 دولارًا لكل مليون حرف. وتحوّل وثائق Rime الخاصة الأحرف إلى دقائق بمعدل نحو 1,000 حرف لكل دقيقة من الكلام، ما يضع Sonic 3.6 قرب 0.049 دولار لكل دقيقة من الصوت المُنشأ. أما معدلات الكلام الأسرع — وهي 132 حرفًا في الثانية التي تعتمدها Cartesia في القياسات المعيارية — فتدفع ذلك نزولًا نحو 0.034 دولار. فلنقل إنها ثلاثة إلى خمسة سنتات في الدقيقة، حسب مدى سرعة تحدّث وكيلك.

Prism هو 0.080 دولار لكل دقيقة من صوت المكالمة على Flex و0.064 دولار على Scale. لكن دقيقة Prism ليست الدقيقة نفسها. فهي تُحتسب على صوت المكالمة، لا على كلام الوكيل، لذا فإن مكالمة يتحدث فيها المتصل نصف الوقت تكلف Prism نفس ما تكلفه مكالمة لا يتوقف فيها الوكيل عن الكلام. هذا التمييز وحده يمكن أن يغيّر المقارنة الفعلية بمقدار الثلث في أي من الاتجاهين، وهو أول ما يجب نمذجه عند تسعير تجربة.

الآن ركّب السلسلة. Sonic 3.6 بأربعة سنتات، والتعرّف بنصف سنت إلى سنت، ونموذج لغوي يكلّف بضعة سنتات في الدقيقة عند أحجام الرموز الحوارية — لتكون عند نحو ثمانية إلى عشرة سنتات لكل دقيقة ينطق بها الوكيل، قبل أي بنية تحتية. Prism بثمانية سنتات ليس منتجًا متميزًا في هذا الإطار. فهو السعر نفسه مقابل فاتورة واحدة وعقد واحد وميزانية تأخير واحدة بدلًا من ثلاثة.

يعزّز هيكل خطط Cartesia هذا الأمر. الخطة المجانية تضم 20,000 رصيد واتصالين متزامنين؛ وPro بسعر 5 دولارات مقابل 100,000 رصيد و3 اتصالات متزامنة؛ وStartup بسعر 49 دولارًا مقابل 1.25 مليون رصيد و5 اتصالات متزامنة؛ وScale بسعر 299 دولارًا مقابل 8 ملايين رصيد و15 اتصالًا متزامنًا؛ وEnterprise مخصّصة مع DPA وBAA ونشر إقليمي. يحدّ الفئةُ عددَ الاتصالات المتزامنة، وهو بالنسبة لمركز اتصال الرقم الذي يقيّد فعليًا — إذ إن 15 تدفقًا متزامنًا على Scale يمثّل صفًا مزدحمًا متوسط الحجم، لا صفًا كبيرًا.

التغطية اللغوية مقابل التحكم: المقايضة التي تحسم الأمر

تتفوق Cartesia في التغطية بفارق واسع وقابل للقياس. أربع وأربعون لغة عبر 61 إعدادًا محليًا هي قائمة منشورة وقابلة للاختبار. لا تنشر Rime عدد لغات Prism إطلاقًا، رغم أن منتجاتها المنفصلة للتحويل من النص إلى كلام تنشر عددها — لكن الأرقام الخاصة بـ Prism غائبة عن صفحة المنتج. إذا كنت بحاجة إلى الإطلاق في خمسة عشر سوقًا في الربع القادم، فإن هذا الغياب بحد ذاته سببٌ للاستبعاد، وSonic 3.6 هو الجواب بغض النظر عن أي شيء آخر في هذا المقال.

تفوز Prism بالتحكم، وبفارق بنيوي لا تدريجي. يتلقى Sonic 3.6 النص النهائي. يمكنه أداء ذلك النص بأكثر من 60 وسم مشاعر، ويمكنه نطقه بسرعة 1.5x، لكنه لا يستطيع رفضه. يُنتج Prism النص نفسه في خطوة تسبق الكلام، وتقول Rime إن التطبيق يمكنه إعادة الكتابة أو الحجب أو الوسم أو تصحيح النطق عند تلك النقطة أثناء استمرار المكالمة. الإفصاح الخاضع للتنظيم، والادعاء الذي لا يجوز تقديمه، واسم علامة تجارية منافسة يجب أبدًا عدم نطقه — تلك تكمن عند نقطة التحقق، لا في النص الذي تسلّمه إلى مُركّب صوتي.

يمكنك بناء التحكم نفسه في تتابع Sonic. ضع فحصًا للسياسات بين نموذج اللغة والمركّب الصوتي، فتحصل على نقطة التحقق. وما لا تملكه هو نموذج يستدلّ على الصوت في المرور نفسه، وهذا هو النصف الثاني من ادعاء Prism: نغمة الصوت والتردد وضوضاء الخلفية تُغذّي الرد بدل أن تُسطّح في نص مكتوب أولًا. أما ما إذا كان ذلك يستحق ثمانية سنتات مقابل أربعة، فهو سؤال عن مكالماتك، لا عن النماذج.

كلاهما متاح للبث، ولا يوجد أي منهما في كتالوجنا.

يُباع Prism مباشرةً من Rime. ويُباع Sonic 3.6 مباشرةً من Cartesia وعبر عدة منصات تابعة لجهات خارجية. لا يتم توجيه أيٍّ منهما عبر OrcaRouter اليوم، ولا ينبغي قراءة أي شيء في هذا المقال على أنه يدّعي خلاف ذلك.

ما نقوم به نحن — التوجيه — هو الطبقة التي يعتمد عليها كلاهما. في سلسلة Sonic المتتالية، نموذج اللغة الواقع في المنتصف خيارٌ، وهذا الخيار هو الموضع الذي تكمُن فيه فعليًا جودة الاستدعاء وتكلفته. مفتاح واحد على OrcaRouter يغطي أكثر من 200 نموذج بهامش 0% فوق سعر قائمة المزوّد، مع تحويل تلقائي بين المزوّدين عند الفشل، فلا يتحوّل النموذج الحواري الذي يتعثّر إلى صمتٍ تام — إذ يُعاد توجيه الطلب بدلًا من ذلك. وتتيح لك لغة التوجيه المخصّصة (DSL) إرسال أدوار الإقرار إلى نموذج صغير رخيص وأدوار البحث إلى نموذج أكبر، داخل نقطة نهاية واحدة، وهو الانضباط نفسه في التكلفة الذي تحتاجه السلسلة المتتالية، وهو السبب في أن السلسلة لا تزال منافسة في السعر.

وإذا كنت تريد خطوة تركيب صوتي مُستضيفة دون الحاجة إلى علاقة بمورّد ثانٍ،openai/tts-1-hd وgoogle/gemini-3.1-flash-tts-preview كلاهما في الكتالوج بالسعر المعلن. وهما ليسا Sonic 3.6. بل هما الطرفان الآخران في الأنبوب نفسه، وبالمفتاح نفسه.

الحكم، موزّعًا حسب البنية المعمارية

إذا كنت تبني بأكثر من عدد قليل من اللغات، فإن Cartesia Sonic 3.6 هو مُركّب الصوت الصحيح، وقد انتهت المقارنة. أربع وأربعون لغة أمر واقع؛ أما قائمة غير منشورة فليست وعدًا.

إذا كنت تبني مركز اتصال يخدم سوقًا واحدة حيث يجب على الموظف ألا يقول أشياء معينة، فإن Rime Prism هو الوحيد بين الاثنين الذي يملك موضعًا وسيطًا بين القرار والنطق بالكلام، وبسعر ثمانية سنتات للدقيقة فإنه يكلف تقريبًا المبلغ نفسه الذي ستدفعه مقابل التتابع الذي كنت ستجمعه في غير هذه الحالة — بفاتورة واحدة بدل ثلاث.

إذا كنت في مكان ما بينهما، فإن العامل الحاسم هو زمن التأخير تحت الحمل وليس زمن التأخير على مخطط قياس الأداء. يُقاس زمن الانتقال لدى Cartesia الذي يقل عن 90 مللي ثانية مع استبعاد الشبكة، وأي نشر بعيد عن المنطقة سيواجه زمنًا أكبر بكثير. ويُقاس زمن 570 مللي ثانية لدى Prism على منظومة اختبار لا تحتوي على شبكة على الإطلاق. شغّل كليهما على مسار الاتصال الفعلي لديك، ومن منطقتك الفعلية، قبل أن تختار. لا يمكن للأرقام المنشورة أن تحسم الأمر، وأي شخص يقول إنها تستطيع فهو يقارن بين ساعتي توقيت مختلفتين.

ملاحظة تحذيرية واحدة بشأن أرقام الساحة، لأنها ستُقتبس: يقيس Artificial Analysis Elo الخاص بـ Sonic 3.6 كيف يبدو الصوت لدى المقيّمين البشريين. أما 56.6 الخاص بـ Prism على τ-Voice فيقيس عدد المرات التي يكمل فيها وكيلٌ مهمةً ضمن 278 مكالمة خدمة محاكاة. وهما ليسا الأداة نفسها، ولا يشتركان في مقياس واحد، وطرح أحدهما من الآخر ينتج رقمًا لا معنى له. لا يملك Sonic 3.6 درجة على τ-Voice لأنه ليس وكيلًا. ولا يملك Prism تقييم Elo في الساحة لأنه ليس صوتًا. هذا التباين هو المقارنة كلها في صورة مصغرة.