Rime Prism مقابل ElevenLabs: نموذجان للتحويل من الكلام إلى الكلام، رقم واحد لزمن التأخير

بفارق أحد عشر يومًا، أطلقت شركتان الفكرة نفسها وأعلنتا الرقم نفسه. Rime Prism وصل في 28 أكتوبر 2026 عند 0.57 ثانية حتى الصوت الأول. Eleven Realtime v1 Max، نموذج ElevenLabs الخاص للكلام إلى الكلام من طرف إلى طرف، وصل في 20 أكتوبر 2026 — أيضًا عند 0.57 ثانية. المصادفة هي الشيء الأكثر فائدة في هذه المواجهة، لأنها تعني أن زمن الاستجابة ليس الفيصل. حين يتعادل نموذجان في التوقيت، فإن ما يميز أحدهما عن الآخر هو ما يحدث خلال نصف الثانية، وهذان النموذجان يقضيانها بطريقتين متعاكستين: يستمع Eleven Realtime v1 Max ويتحدث، بينما يكتب Rime Prism أولًا.

هذه هي المقارنة الأقرب في الدفعة، وهي التي يكون فيها الاختيار مهمًا فعلاً، لأن كلا المنتجين يستبدلان السلسلة بأكملها بدلاً من مكوّن واحد، وكلاهما يسعّر الصوت بثمانية سنتات للدقيقة.

الإجابة المختصرة

يُعد Eleven Realtime v1 Max الخيار الأفضل عندما تحسم التغطية ومجموعة الأصوات الاختيار: فأكثر من 90 لغة وأكثر من 17,000 صوت تمثل كتالوجًا لا يستطيع أي منافس في هذه المقارنة مجاراته، كما أن المقبس متوافق على مستوى الاتصال مع OpenAI's Realtime API، ما يعني أن الانتقال ليس سوى تغيير نقطة النهاية بدلًا من إعادة كتابة.

يُعدّ Rime Prism الخيار الأفضل عندما يكون ما يقوله الوكيل بحاجة إلى أن يكون قابلاً للفحص قبل النطق به. فهو النموذج الوحيد في هذا الثنائي الذي يسلّم التطبيق سلسلة نصية في منتصف الدور مع خيار إعادة صياغتها أو حظرها، والنموذج الوحيد الذي يتيح النشر المحلي (on-prem) أو على VPC.

كلا الخدمتين بسعر 0.080 دولار لكل دقيقة صوت، وهذا التكافؤ الظاهري يخفي فجوة حقيقية: تتقاضى ElevenLabs 0.080 دولار لكل دقيقة من الصوت المتصل بالإضافة إلىرموز النموذج، بينما تتقاضى Rime 0.080 دولار لكل دقيقة ولا رموز. بالنسبة لوكيل يعتمد كثيرًا على المكالمات، هذا ليس فرقًا هامشيًا.

ما أعلنته كل شركة في الواقع

أطلقت ElevenLabs عائلة، لا نموذجًا. Eleven Realtime v1 Max هو نسخة المهام المعقدة — الدعم، وتأهيل العملاء المحتملين، وأي شيء يستخدم الأدوات. أما Eleven Realtime v1 Mini فهو النسخة الحوارية للمساعدين والمدرّسين والشخصيات. وكلاهما شبكة واحدة متكاملة من طرف إلى طرف تدمج التعرف وتبادل الأدوار والاستدلال وتوليد الصوت في نظام واحد بدلًا من ثلاث مراحل موصولة ببعضها. وحجّة ElevenLabs المعلنة لذلك هي الدرز: صمت ميّت بعد التوقف، والتحدث أثناء المقاطعة، ونص مكتوب لا يتوافق مع الصوت. هذه تشوهات ناتجة عن التسلسل المتتالي، والحل المعروض هو ضبط المراحل الأربع كلها معًا.

مسار الوصول ممل عن قصد، وهذا مديح في الحقيقة. يعمل Eleven Realtime داخل ElevenAgents عبر قائمة منسدلة، أو عبر Realtime API على wss://api.elevenlabs.io/v1/convai/realtime المتوافق على مستوى الاتصال مع بروتوكول Realtime الخاص بـ OpenAI — غيّر نقطة النهاية واسم النموذج، وسيعمل OpenAI SDK الحالي دون أي تغيير. عند الإطلاق، يعتمد على WebSocket فقط؛ ولا يوجد مسار WebRTC بعد.

يأتي إعلان Rime بشكل مختلف. نموذج واحد، Prism، موجّه إلى مراكز الاتصال المؤسسية، مع كون الادعاء المميّز هو نقطة التحقق النصية بدلاً من عائلة من المتغيرات. هناك طبقة مجانية برصيد 50 دولارًا، وFlex بسعر 0.080 دولار/دقيقة، وScale بسعر 0.064 دولار/دقيقة، وطبقة Enterprise تضيف VPC والنشر المحلي، إضافةً إلى الضبط الدقيق على تسجيلات مكالمات العملاء والأصوات المخصصة. كذلك لا يوجد WebRTC، لكن هناك البث، وتكاملات LiveKit وPipecat، واتصالات هاتفية بتردد 8 kHz، وSOC 2 مع ادعاءات HIPAA.

ثمة تفصيل واحد يجدر الإشارة إليه لكل من يخطط لعملية إطلاق: تصف ElevenLabs ميزة Eleven Realtime بأنها تُطرح تدريجيًا، ومعرّفات النموذج موجودة في سجل التغييرات الخاص بها منذ أوائل أغسطس. وتاريخ 20 أكتوبر هو موعد الإعلان. وإذا لم يظهر النموذج في قائمة ElevenAgents المنسدلة داخل حسابك، فهذا يعني أنه إصدار مرحلي وليس إعدادًا خاطئًا.

نقطة الحفظ هي الفرق الحقيقي

كلا النموذجين يعملان من طرف إلى طرف. واحدٌ منهما فقط يترك أثرًا نصيًا يمكنك التصرف بناءً عليه قبل أن يسمع المتصل أي شيء.

ينتقل Eleven Realtime v1 Max من {{1}}الإدخال الصوتي{{/1}} إلى {{2}}الإخراج الصوتي{{/2}}. وهناك {{3}}نص مكتوب{{/3}} على الجانب الآخر من المكالمة، وهناك {{4}}موجّه نظام{{/4}} قبل ذلك في المسار، لكن لا توجد نقطة في الدور حيث يحتفظ تطبيقك بالجملة التالية للوكيل كسلسلة نصية ويقرر ما إذا كان يرسلها. ليس هذا نقدًا — إنها المعمارية التي اختارتها ElevenLabs، وهي المعمارية التي تنتج الطبيعية التي تبيعها الشركة. دمج أربع مراحل في شبكة واحدة هو تحديدًا ما يزيل الحد القابل للفحص.

يحافظ Prism على نقطة الوصل. يقول Rime إن النموذج يصوغ ردّه نصًا، ويمكن للتطبيق أن يعيد كتابة ذلك النص أو يحجبه أو يوسمه أو يصحح النطق فيه، ثم يتبع الصوت. وتعمل استدعاءات الأدوات بالتوازي مع الكلام بدلًا من أن تسبقه. ويستند الزعم بأن هذا ليس تتابعًا إلى أن الاستدلال يجري على الصوت — فالنغمة والتردد والضجيج الخلفي تؤثر في الرد — مع النص كنقطة مرور في الخرج لا كمدخل.

بالنسبة لفريق الامتثال، هذا الفرق هو جوهر قرار الشراء بأكمله. عبارة «لا يمكن للوكيل أن يقول X» قابلة للفرض في Prism على مستوى الجملة، أما في Eleven Realtime فلا يمكن فرضها إلا على مستوى الموجه، أي بشكل احتمالي. وبالنسبة لفريق منتجات يبني شخصية أو مدرّسًا خصوصيًا، ينعكس الأمر: نقطة التفتيش عبء إضافي، والطبيعية الناتجة عن شبكة واحدة مضبوطة هي المنتج نفسه.

رقمان بقيمة 0.57 ثانية ليسا القياس نفسه

التكافؤ حقيقي، لكن الأدوات تختلف، والاختلاف مهم إذا كنت تخطط للاستشهاد بأي من الرقمين.

تُعدّ 0.57 ثانية لـ Eleven Realtime v1 Max قياسًا من Artificial Analysis — فقد قام طرف ثالث بتشغيله، على نفس المؤقّت المستخدم في إدخالاته الأخرى الخاصة بالتحويل من الكلام إلى الكلام، ونشره. أما Eleven Realtime v1 Mini فيسجّل 0.62 ثانية على الأداة نفسها.

رقم Prism البالغ 0.57 ثانية هو رقم Rime نفسه، أُنتج على منصة اختبار τ-Voice التي تستخدمها Artificial Analysis أيضًا، لكن Rime هي من شغّلها. لم يكن لدى Prism أي إدراج في لوحة الصدارة العامة عند الإطلاق. لذا فإن أحد الرقمين له حكم، والآخر ليس له، رغم أن كليهما يحمل القيمة نفسها حتى منزلتين عشريتين. عرضهما جنبًا إلى جنب على أنهما متعادلان أمر يمكن الدفاع عنه؛ أما عرضهما كدليلين متكافئين فليس كذلك.

تتباين الدرجات الأخرى بشكل حاد، ومرة أخرى على أدوات مختلفة. تسجل Eleven Realtime v1 Max نسبة 98.8% في Big Bench Audio مقابل 75.9 إلى 76% لـ Mini، ونجاح المهمة 87.1% مقابل 60.3%، وFull-Duplex-Bench بنسبة 94.1 مقابل 95.8%، وArena Elo حوالي 997 إلى 998 مقابل 988. كما أنها غير مسجلة في Speech-to-Speech Index ولا تحمل درجة وكيل τ-Voice — لذا لا يوجد رقم منشور يضع Eleven Realtime v1 Max وPrism على المحور نفسه على الإطلاق. أي شخص يقارن 56.6 الخاصة بـ Prism مقابل 98.8 الخاصة بـ ElevenLabs إنما يقارن معيار إنجاز المهمة بمعيار جودة الصوت ويحصل على فجوة بلا معنى قدرها 42 نقطة.

فجوة السعر موجودة في سطر الرموز.

على السطح، يبدو أن كلا المنتجين يكلفان ثمانية سنتات للدقيقة. لكن اقرأ بطاقات الأسعار، وستجد أنهما لا يفعلان ذلك.

• ElevenLabs — $0.080 لكل دقيقة من الصوت المتصل، بالإضافة إلى رموز النموذج. تبلغ تكلفة الإدخال في Eleven Realtime v1 Mini $0.20 وتكلفة الإخراج $6.00 لكل مليون رمز؛ أما v1 Max فتبلغ $1.80 للإدخال و$9.00 للإخراج. يضاعف تجاوز الاستهلاك في وضع Burst سعر الصوت إلى $0.16/دقيقة. داخل ElevenAgents، السعر القياسي هو $0.08/دقيقة بالإضافة إلى رموز LLM.

• Rime — 0.080 دولار لكل دقيقة من صوت Prism على Flex، و0.064 دولار على Scale، دون أي رسوم إضافية على الرموز. تتضمن الفئة المجانية رصيد استخدام بقيمة 50 دولارًا عبر Prism وMist v3 وCoda v2 وRime STT.

كم يكلّفك بند الرموز يعتمد كليًا على مقدار ما يفكّر فيه الوكيل. فمكالمة دعم مدتها خمس دقائق يأخذ فيها الوكيل ثماني جولات، وتستدل كل جولة على بضعة آلاف من الرموز، ليست مجانية بسعر $1.80 لكل مليون رمز إدخال و$9.00 لكل مليون رمز إخراج على Max — بل هي عدّاد ثانٍ يعمل إلى جانب العدّاد الأول. أما بالنسبة لمساعد قصير تكثر فيه عبارات الإقرار على Mini، فإن بند الرموز ليس سوى ضجيج. أما في نشر Max يقوم بتنسيق أدوات حقيقي، فقد ينافس تكلفة الصوت.

دقيقة Rime الثابتة لها فخّها الخاص، وهو الفخّ المعاكس. فـ Prism تحاسب على صوت المكالمة لا على كلام الوكيل، لذا فإن مكالمة مع متصل طويل الكلام تكلّف بالقدر نفسه الذي تكلّفه مكالمة لا يتوقف فيها الوكيل عن الكلام. وإذا كانت مكالماتك تميل إلى أدوار وكيل قصيرة وأدوار عملاء طويلة، فإن سعر الدقيقة لدى Prism هو الأغلى بين الاثنين بفارق لا علاقة له بالنماذج.

قبل أن تلتزم، احسب تكلفة كلا العدّادين على أساس توزيع مكالماتك الخاص. لا ينشر أي من البائعَين آلة حاسبة، والرقم الرئيسي البالغ ثمانية سنتات ليس في الحقيقة المبلغ الذي سيفرضه عليك أي منهما.

التغطية والأصوات ومسألة النشر

تتفوق ElevenLabs في التغطية بشكل قاطع لدرجة أنه يستحق الذكر صراحةً بدلًا من إخفائه: أكثر من 90 لغة وأكثر من 17,000 صوت. ولا تنشر Rime على الإطلاق عدد لغات Prism أو قائمة الأصوات الخاصة به، مع أن منتجاتها المنفصلة لتحويل النص إلى كلام تنشر أرقامها، ولا يمكن تعميم تلك الأرقام على Prism.

هذا التباين غير المتكافئ يحدد بمفرده نصيبًا كبيرًا من عمليات النشر الفعلية. تاجر تجزئة أوروبي ينطلق في تسعة أسواق ليس بحاجة إلى قراءة بقية هذه المقالة.

{{1}}النشر هو النقطة التي يعود فيها الأمر إلى الوراء.{{/1}} {{2}}توفّر Rime شبكة VPC والنشر المحلي في Enterprise، إلى جانب السحابة، بالإضافة إلى خيار نقطة نهاية مشتركة الموقع لنماذج TTS الخاصة بها.{{/2}} {{3}}خدمة Eleven Realtime عند الإطلاق هي خدمة WebSocket مستضافة.{{/3}} {{4}}حجة Rime — أن واجهات برمجة التطبيقات الفورية المتقدمة سحابية فقط بينما يتيح لك Prism التحكم في المكان الذي تعيش فيه البيانات الصوتية — هي عامل تميّز حقيقي لقطاع الصحة والخدمات المالية وأي مشترٍ لديه بند إقامة البيانات في العقد.{{/4}} {{5}}تدّعي Rime حصولها على SOC 2 وHIPAA لـ Prism؛ بينما تبيع ElevenLabs اتفاقيات مؤسسية مع DPAs وBAAs وفق شروطها الخاصة.{{/5}} {{6}}يمكن جعل كلتيهما تلبي مراجعة الامتثال، وواحدة فقط منهما يمكن جعلها تلبي شرط "أن الصوت لا يغادر مبنانا أبدًا".{{/6}}

الضبط الدقيق هو عدم التماثل الآخر، ويشير في الاتجاه نفسه. تقول Rime إن Prism قابل للضبط الدقيق على تسجيلات المكالمات الخاصة بالعميل، مع واجهات برمجة تطبيقات RL وSFT ذاتية الخدمة في نسخة تجريبية. أما سطح الضبط لدى ElevenLabs فهو على مستوى الصوت — الاستنساخ، وسير عمل الصوت الاحترافي، وإعدادات الأسلوب والاستقرار — بدلاً من نموذج صوتي واستدلالي مخصص مُدرَّس على مكالماتك. إذا كان الهدف هو "أن تبدو مثل علامتنا التجارية"، فهذه مشكلة محلولة على جانب ElevenLabs. وإذا كان الهدف هو "التحسّن في تدفق الطلبات الخاص بنا"، فإن واحدة فقط من هذه الخدمات هي التي تقدم ذلك.

أين يتلاءم OrcaRouter، وأين لا يتلاءم

لا يتوفر Prism ولا Eleven Realtime في كتالوجنا. يُبيع Rime منتج Prism مباشرةً؛ بينما تُبيع ElevenLabs نماذج Eleven Realtime مباشرةً وعبر عدة منصات تابعة لجهات خارجية. إذا اخترت أيًا منهما، فأنت تشتري من البائع مباشرةً، ولن تتظاهر هذه المقالة بغير ذلك.

السبب الذي يجعل OrcaRouter لا يزال له مكان في هذا القرار هو أن نماذج الكلام من طرف إلى طرف لا تزيل كل نموذج من مكدسك. لا يزال كلا هذين المنتجين بحاجة إلى طبقة سياسات، وخطوة استرجاع، ومصنّف، ومسار تصعيد، وهذه جميعًا استدعاءات نماذج عادية. مفتاح واحد يغطي أكثر من 200 نموذج بهامش ربح 0% فوق سعر القائمة لدى المزوّد، بحيث يعيش نموذج ضوابط رخيص ونموذج تصعيد مكلف خلف نقطة نهاية واحدة مع تحويل تلقائي عند الفشل — وهذا هو الجزء المهم في مكالمة مباشرة، حيث لا يمكن تمييز مزوّد متعطل عن خط منقطع. إن DSL التوجيه هو الطريقة التي تعبّر بها عن «إبقاء الإقرار محليًا ورخيصًا، وتصعيد الاستعلام»، وتستحق تلك القاعدة أن تُكتب مرة واحدة في البوابة بدلًا من ثلاث مرات في الوكيل.

إذا كان ما تريده فعلاً هو سلسلة متتالية مع تركيب صوتي مُستضاف، openai/tts-1-hd وgoogle/gemini-3.1-flash-tts-preview على المفتاح نفسه بالسعر المعلن. أدوات مختلفة، الفاتورة نفسها.

كيف تقرر في عشر دقائق

ثلاثة أسئلة، بالترتيب، وتوقّف عند أول سؤال تجيب عليه بـ«نعم».

هل تحتاج إلى العمل بأكثر من بضعة لغات، أو تحتاج إلى صوت محدد من مخزون ضخم جدًا؟ Eleven Realtime v1 Max أو v1 Mini. الكتالوج هو المنتج، ولا تنشر Prism كتالوجًا مماثلًا.

هل يجب أن تتم الموافقة على أي شيء يقوله وكيلك قبل أن يسمعه المتصل، أم يجب أن يبقى الصوت داخل شبكتك؟ Rime Prism. إن نقطة التحقق وفئة التشغيل المحلي هما الأمران اللذان لا تقدّمهما ElevenLabs هنا، وهما ليستا ميزتين يمكنك إضافتهما لاحقًا.

هل لا يشكّل أيٌّ من هذين قيدًا، وهل عامل الحسم هو التكلفة؟ إذن شغّل كلا العدّادين على بيانات الاستدعاء الخاصة بك، لأن سعر الثمانية سنتات المعلن متساوٍ، أما بند الرموز فليس كذلك. مساعد ذو جولات قصيرة ومنخفض الاستدلال على Mini سيتفوق على Prism من حيث السعر. أما نشر Max كثيف الأدوات فغالبًا لن يتفوق.

الشيء الذي يجب مراقبته لاحقًا هو الرقم الوحيد الذي سيحسم الأمر. لا يملك Eleven Realtime v1 Max أي درجة τ-Voice، ولا يملك Prism درجة مستقلة. إذا ظهر أي من النموذجين على لوحة صدارة عامة يقيسها شخص غير مورّده، فإن هذه المقارنة تصبح أقصر بكثير. حتى ذلك الحين، النموذجان متعادلان عند 0.57 ثانية على ساعتي إيقاف مختلفتين، والباقي معمارية.

سطر أخير بشأن الأرقام أعلاه: درجات Eleven Realtime هي أرقام من Artificial Analysis، وبطاقات الأسعار هي بطاقات المورّدين أنفسهم، و56.6 الخاصة بـ Prism هي من Rime. لا تضع أي أداة في هذا المقال النموذجين على محور واحد، ولهذا فإن المقال مُنظَّم حول البنية والتغطية بدلاً من لوحة نتائج.