Rime Prism مقابل Inworld Realtime TTS 2: 200 لغة محلية مقابل نقطة تحقق واحدة
- OrcaجديدOrcaCyber: MiniMax M3.1 Flash Abliterated2026-10-29131 tok/s
- OrcaجديدOrcaCyber: GLM 5.3 Flash Abliterated2026-10-2792 tok/s
- OrcaجديدOrcaCyber: Qwen3.8 Flash Next Abliterated2026-10-26$0.80 / $1.60 لكل مليون رمز · 260 tok/s
- OrcaجديدOrcaCyber: MiMo V2.6 Flash Abliterated2026-10-26$0.80 / $1.60 لكل مليون رمز · 92 tok/s
- MoonshotجديدMoonshotAI: Kimi K3.1 Pro2026-10-2446الذكاء
- OrcaجديدOrcaCyber: DeepSeek V4.1 Flash Abliterated2026-10-23$0.80 / $1.60 لكل مليون رمز · 104 tok/s
- minimaxجديدMiniMax: M3.1 Flash2026-10-1929الذكاء
- OrcaجديدOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 لكل مليون رمز · 65 tok/s
- deepseekجديدDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733الذكاء
- DeepSeekجديدDeepSeek: DeepSeek V4.1 Flash2026-10-1740الذكاء
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 لكل مليون رمز · 101 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955الذكاء
- anthropicAnthropic: Claude Sonnet 5.52026-09-2854الذكاء
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 لكل مليون رمز · 180 tok/s
- OpenAIOpenAI: GPT-6 Luna2026-09-2228الذكاء
- OpenAIOpenAI: GPT-6 Sol2026-09-2248الذكاء
- AnthropicAnthropic: Claude Opus 5.52026-09-2258الذكاء
- xiaomiXiaomi: MiMo-V2.6-Flash2026-09-2127الذكاء
- xiaomiXiaomi: MiMo-V2.6-Pro2026-09-2130الذكاء
- xAIGrok 4.72026-09-2134الذكاء
إليك حقيقة ينبغي أن تُنهي معظم نسخ هذه المقارنة قبل أن يفتح أي شخص اختبارًا معياريًا: ينشر Inworld Realtime TTS 2 تغطية في أكثر من 200 لغة ومنطقة محلية، ويوفّر 282 صوتًا مدمجًا، بينما لا ينشر Rime Prism أي عدد للغات ولا أي عدد للأصوات على الإطلاق. إذا كنت تنشر وكيلًا صوتيًا في اثني عشر سوقًا، فهذا ليس مقايضة تحتاج إلى موازنتها — بل هو مرشّح يستبعد أحد الخيارين. لا تبقى المقارنة مثيرة للاهتمام إلا للمشتري الذي يعمل في سوق واحدة وخاضع للتنظيم، لأنّ Rime Prism هو النموذج الوحيد في هذا الثنائي الذي يتيح لتطبيق أن يقرأ جملة ويحظرها قبل أن يسمعها المتصل. Inworld Realtime TTS 2 هو نموذج تحويل نص إلى كلام تصحبه سمعة قوية جدًا في الأداء اللحظي، ولا يملك نقطة تحقق مكافئة، لأنه بحلول الوقت الذي يرى فيه النص يكون القرار قد اتُّخذ بالفعل.
الأسماء مضللة أيضًا على نحو أنتج بالفعل نصائح سيئة. «Inworld Realtime TTS 2» ليس نموذج كلام إلى كلام. أما «Rime Prism» فهو كذلك. يكمن هذا التمييز وراء كل رقم أدناه، ويجدر ذكرُه قبل أن تبدأ الأرقام.
أحد هؤلاء ليس وكيلًا
إنworld Realtime TTS 2 هو نصٌّ يدخل وصوتٌ يخرج. أما سلوك الاتصال ثنائي الاتجاه — سماع المتصل أثناء التحدث والتعامل مع المقاطعات — فيأتي من واجهة Realtime API المنفصلة لدى Inworld، التي تتحدث بروتوكول OpenAI Realtime وتعلن زمن استجابة للمقاطعة يبلغ نحو 100 مللي ثانية. فهذا منتج ثانٍ بتكامل ثانٍ، وليس خاصية في نموذج TTS نفسه. وكل من يقرأ كلمة "Realtime" في اسم النموذج ويفترض أنه يحقق تحويل الكلام إلى كلام من طرف إلى طرف فقد أساء قراءة الكتالوج.
Prism هو الشكل الآخر تمامًا. صوت يدخل، صوت يخرج، في نظام واحد، مع نقطة تحوّل نصية في المنتصف واستدعاءات أدوات تعمل بالتوازي مع الكلام بدلًا من أن تسبقه. وهو مسعّر بالدقيقة من صوت المكالمة لهذا السبب بالضبط — أنت تشتري المكالمة، لا النص.
إذاً، التأطير الصادق لهذه المقارنة هو: Inworld Realtime TTS 2 هو أفضل مرحلة توليف في فئتها لسلسلة متعاقبة تبنيها، وPrism بديل عن السلسلة المتعاقبة. يمكنك تفضيل Inworld وتبني مع ذلك وكيلاً على شكل Prism، لكن بمزيد من الأجزاء. لا يمكنك تفضيل Prism والحصول على تغطية Inworld اللغوية، لأنها غير منشورة.
أرقام التغطية، وما قيمتها
قائمة Inworld محددة بشكل غير معتاد، وهذا بحد ذاته مفيد معلوماتيًا:
• المواقع المحلية — أكثر من 200، مقسمة إلى 15 بجودة المستوى الأول و79 في المستوى الثاني.
الأصوات — 282 مدمجًا، مع 20 إعدادًا مسبقًا مُنسّقًا.
• الاستنساخ — بدون أمثلة من 5 إلى 15 ثانية من الصوت؛ Professional Voice Cloning قيد المعاينة ومقتصر على الطراز الرائد فقط.
• الاستمرارية — هوية صوتية واحدة متسقة تنتقل عبر اللغات، وهي السمة التي تجعل إطلاق علامة تجارية في أسواق متعددة يبدو مدروسًا لا مترجمًا.
• الصوت — إخراج MP3 وWAV وOGG وFLAC وPCM، من 8 kHz إلى 48 kHz، والافتراضي 24 kHz.
• الإنتاجية — 2,000 حرف لكل طلب، وبث WebSocket مع 20 اتصالًا متزامنًا و5 سياقات.
• زمن الاستجابة — زمن الوصول إلى أول بايت من جانب الخادم عند P99 أقل من 100 مللي ثانية لـ TTS-2؛ ويصرّح متغيّر Flash الذي أُطلق في 31 أغسطس 2026 بأنه أقل من 25 مللي ثانية، مع قياس من طرف ثالث يقترب من 25 مللي ثانية.
إن تقسيم الفئة الأولى والفئة الثانية هو الجزء الجدير بالانتباه، لا العنوان الذي يذكر أكثر من 200. إن وجود خمسة عشر موضعًا لغويًا بجودة رائدة من أصل 200 موضع مدعوم هو إفصاح صادق بحق، وهو يخبرك بالمكان الذي اكتمل فيه المنتج فعليًا. إذا كانت أسواقك هي الإنجليزية والإسبانية والبرتغالية والألمانية والفرنسية واليابانية، فمن المرجح أنك في الفئة الأولى وأن العنوان صحيح. أما إذا كانت هي الـ185 الأخرى، فأنت في الجزء من الكتالوج الموجود لكنه لم يُعتنَ به بعناية.
قارن ذلك بـ Prism، حيث إن غياب قائمة منشورة ليس دليلًا على تغطية ضعيفة — فـ Rime تنشر أعداد اللغات والأصوات لمنتجاتها المنفصلة الخاصة بتحويل النص إلى كلام، لكن ليس لمنتج Prism — ومع ذلك فهو دليل على أنك لا تستطيع التخطيط بناءً عليه. بالنسبة لنشر في سوق واحدة باللغة التي تبنيها Rime، فإن هذا الغياب لا يكلفك شيئًا. وبالنسبة لأي نطاق أوسع، فهو الجواب الكامل.
سؤال الدوبلكس الذي لا يطرحه أحد
"TTS الفوري" و"الكلام إلى الكلام" يبدوان كوعد واحد، لكن سلوكهما مختلف تمامًا عند الانقطاع.
في تسلسل مبني على Inworld Realtime TTS 2، تُعد معالجة المقاطعة مشكلة تنسيق بين ثلاث خدمات. يجب أن يلاحظ متعرّف الكلام أن المتصل بدأ بالتحدث، ويجب أن يلغي المنسّق دور نموذج اللغة، ويجب أن يتوقف المُركّب في منتصف التدفق ويمسح مخزنه المؤقت. تؤدي واجهة Realtime API من Inworld نصف المُركّب على نحو جيد — نحو 100 مللي ثانية للمقاطعة — لكن النصفين الآخرين يقعان على عاتقك، والفشل مسموع: يستمر الوكيل في التحدث لبرهة بعد أن يبدأ المتصل، ثم يعيد بدء جملة من موضع خاطئ.
يتولى Prism معالجة هذا داخل نموذج واحد، وتسمّي Rime معالجة المقاطعات نقطة نقاش مع شركاء التصميم. هذا ليس معيارًا يمكنك قراءته؛ بل صنف من الأخطاء تكفّ عن الوقوع فيها. وبالنسبة لخط دعم يقاطع فيه المتصلون الوكيل باستمرار، فإنه يستحق أكثر من بضع نقاط في تصنيف Elo.
الحجة المضادة هي أن نظامًا متتاليًا مبنيًا جيدًا وله مسار إلغاء صارم جيد حقًا في هذا، وشيفرة التنسيق أمر معروف كتبته فرق كثيرة بالفعل. التعامل مع الانقطاعات صعب وليس مستحيلًا، والفجوة بين البنيويين تضيق مع الجهد الهندسي. وما لا يضيق هو عدد الخدمات التي يُجرى استدعاؤك بشأنها في الثالثة صباحًا.
السعر: أربعة سنتات مقابل أربعة سنتات، نوعًا ما
أسعار Inworld لكل حرف، وأسعار Prism لكل دقيقة من صوت المكالمة، والتحويل بينهما هو النقطة التي تخطئ فيها المقارنات الصادقة.
• Inworld Realtime TTS 2 — 25 دولارًا لكل مليون حرف عند الطلب، و12.50 دولارًا على Growth، وصولًا إلى نحو 5 دولارات عند حجم المؤسسات. أما TTS-2 Flash فهو 15 دولارًا، و7 دولارات، وأقل من 5 دولارات على المستويات نفسها. عند نحو 1,000 حرف لكل دقيقة من الكلام، تبلغ التكلفة عند الطلب نحو 0.025 دولار لكل دقيقة من الصوت المُولَّد.
• Rime Prism — 0.080 دولار لكل دقيقة من صوت المكالمات على Flex، و0.064 دولار على Scale، و50 دولارًا من الرصيد المجاني في الطبقة المجانية، وتسعير مخصص على Enterprise.
إذن، تكلفة دقيقة واحدة من كلام الوكيل نحو 2.5 سنت لدى Inworld و8 سنتات لدى Prism. هذا هو الرقم الذي تطبعه جداول المقارنة، وهو مضلّل لسببين.
أولًا، إنّ سنتات Inworld تشتري خطوة واحدة فقط. وتضيف السلسلة المتتالية التعرّف — عادةً من نصف سنت إلى سنت واحد في الدقيقة — ودورة نموذج لغوي، التي تقع عند أحجام المحادثات في نطاق الأرقام المنخفضة من خانة الآحاد. اجمع هذه الثلاثة وستقترب من ستة إلى تسعة سنتات لكل دقيقة يتحدث فيها الوكيل، وهو ما يضع ثمانية Prism ضمن هذا النطاق. الفجوة في الجدول ناتجة عن مقارنة مكوّن واحد بنظام كامل.
الثاني هو أن دقيقة Prism ليست دقيقة من كلام الوكيل. فهي تحتسب صوت المكالمة، لذا فإن متصلًا يتحدث لأربع دقائق ويستمع إلى الوكيل لدقيقة واحدة يكلف Prism ما يعادل خمس دقائق. يتدرج تسعير Cascade وفقًا لمقدار ما يقوله الوكيل؛ في حين يتدرج تسعير Prism وفقًا لمدة استمرار المكالمة. وفي قائمة دعم ذات مداخلات طويلة من العملاء، يمثل ذلك تكلفة إضافية حقيقية. أما في مسار حجز يتولى فيه الوكيل معظم الكلام، فيكون الفرق قريبًا من التعادل.
تضيف بنية خطط Inworld قيدًا عمليًا يجدر التحقق منه: خطة Creator بسعر 25 دولارًا شهريًا، و25 دولارًا لكل مليون حرف عند الطلب، و12.50 دولارًا على Growth، وتسعير مخصص للمؤسسات. الحد الأقصى للتزامن هو 20 اتصال WebSocket على مسار البث، وهو كافٍ لطابور متوسط الحجم، لكنه يمثل القيد الحاسم لطابور كبير.
التحكم: أحدهما لديه مكان يقف فيه، والآخر لا.
هنا يستحق Prism قيمته المتميزة، وهو فرق بنيوي لا فجوة في الميزات.
تُعدّ Inworld Realtime TTS 2 متطورة حقًا في التعامل مع السياق. فهي تقرأ الأدوار السابقة كمدخلات صوتية، وتستقبل توجيهات صوتية حرة باللغة الإنجليزية البسيطة، وتدعم وسومًا مضمّنة ووضع تهجئة حرفًا بحرف لأرقام الطلبات والأكواد والعناوين. ووضع التهجئة هذا هو أقرب شيء في هذه المقارنة إلى تحكّم قبل النطق، وهو جيد — فمُركّب صوتي يستطيع أن يقول «أربعة-سبعة-اثنان» بدلًا من «أربعمئة واثنان وسبعون» يحل فئة حقيقية من إخفاقات مكالمات الدعم.
لكنه يعمل على نصٍ التزمتَ به بالفعل. لا توجد في الدور لحظةٌ يخبر فيها Inworld تطبيقك "هذا ما سأقوله" ثم ينتظر. وضع التهجئة يضبط النطق، لا المحتوى.
يقول لك Prism ذلك في كل دور. وادعاء Rime هو أن النص نقطة تحقق لا وسيط: يمكن لحاجز أمان أن يفحص كل كلمة قبل نطقها، ويمكن لطبقة سياسات أن تعيد كتابة جملة مرفوضة ثم ينطق النموذج بالبديل، ويمكن منع ادعاء محظور منعًا باتًا بينما تستمر المكالمة. أما إن كان استدلال النموذج صوتيًا أصيلًا حقًا فهو ادعاء جدير بالاختبار؛ وأما إن كان النص يصل قبل الصوت فهذه حقيقة تصميمية.
بالنسبة إلى نشر منظّم في سوق واحدة، فإن تلك الحقيقة هي سبب دفع ثمانية سنتات بدلًا من تجميع سلسلة أرخص. أما بالنسبة إلى كل ما عدا ذلك، فهي ميزة تشتريها وقد لا تحتاج إليها.
ما تقوله ادعاءات لوحة الصدارة في الواقع
تسوّق Inworld لـ Realtime TTS 2 على أنه رقم واحد في Artificial Analysis Speech Arena. وتضع قوائم الساحة المستقلة تصنيف Elo الخاص به عند نحو 1,245، في المرتبة الثالثة على اللوحة الحالية، بينما يأتي TTS-2 Flash عند نحو 1,210 وفي المرتبة السادسة. إن تحقيق مركز ضمن الثلاثة الأولى في ساحة عامة نتيجة ممتازة وادعاء أكثر فائدة من الادعاء الوارد في التسويق؛ فالتناقض هو عبارة عن تموضع تتصادم مع جدول حي يتحرك مع توافد المصوّتين.
لا يوجد مكافئ لـ Prism. فدرجته 56.6 على τ-Voice هي درجة إنجاز مهام وكيلية شغّلتها Rime بنفسها، على إطار اختبار تستخدمه Artificial Analysis أيضًا، دون إدخال منشور لها في لوحة الصدارة عند الإطلاق. يقيس الرقمان أمرين مختلفين — كيف يبدو الصوت للمقيّمين من البشر مقابل مدى تكرار إنجاز وكيل لمهمة خدمية محاكاة — ولا توجد أي عملية حسابية تحوّل أحدهما إلى الآخر.
هذا التفاوت هو، مرة أخرى، المقارنة في صورة مصغّرة. لدى Inworld درجة لجودة الصوت مع حكّم. ولدى Prism درجة لقدرة الوكيل دون حكّم. لم تنشر أي من الشركتين مقارنة مباشرة وجهًا لوجه، ولم يقم المختبر نفسه قط بتشغيل أي من النموذجين على المهمة نفسها.
إذا بنيتَ التسلسل، فنحن نوجّه الوسط.
يُباع Inworld Realtime TTS 2 مباشرةً من Inworld وعبر عدة منصات تابعة لجهات خارجية. ويُباع Rime Prism مباشرةً من Rime. ولا يتوفر أيٌّ منهما في كتالوج OrcaRouter اليوم، ولا يزعم هذا المقال غير ذلك.
لا تزال بنية التتالي التي ينتمي إليها نموذج Inworld بحاجة إلى نموذج لغوي في المنتصف، وفي هذا المنتصف تُحدَّد الجودة والتكلفة فعليًا. يضع OrcaRouter أكثر من 200 نموذج خلف مفتاح واحد بهامش ربح 0% فوق سعر القائمة لدى المزوّد، مع تحوّل تلقائي عند تدهور أداء أحد المزوّدين، ولغة توجيه خاصة (DSL) لإرسال نوبات محادثة مختلفة إلى نماذج مختلفة — رخيصة للإقرار، وقوية للاستعلام، وكل ذلك عبر نقطة نهاية واحدة. بالنسبة لوكيل صوتي، هذه هي الوحدة المفيدة: مكان واحد لتغيير النموذج دون لمس مسار المكالمة.
نحن نوجّه التركيب الصوتي أيضًا، إن أردته على المفتاح نفسه بدلًا من عقد ثانٍ: openai/tts-1-hd وgoogle/gemini-3.1-flash-tts-preview متاحان كلاهما بسعر القائمة. لا أحدهما هو Inworld Realtime TTS 2. كلاهما آخر حلقة في سلسلة متتالية يمكنك تجميعها اليوم.
سؤالان، والسؤال الذي يحسم الأمر
السؤال الأول: كم عدد اللغات؟ إذا كان الجواب أكثر من عدد قليل، فإن الخيار هو Inworld Realtime TTS 2، وتنتهي المقارنة. إن مئتي موضع محلي مع قائمة منشورة من المستوى الأول تضم خمسة عشر موضعًا تتغلب على قائمة غير منشورة لا تُرفق بها أي أرقام، ولا يمكنك تنفيذ عملية شراء على أساس حقل فارغ.
السؤال الثاني: هل يحتاج أي شخص إلى الموافقة على الجملة قبل النطق بها؟ إذا كان الجواب نعم، فـ Prism. ليس لأنه أفضل في الكلام — لا يوجد دليل في أي من الاتجاهين — بل لأنه النموذج الوحيد هنا الذي ينتج الجملة ككائن يمكن لتطبيقك أن يحتويه. هذا هو المنتج بأكمله، ويكلف نحو ثمانية سنتات لكل دقيقة اتصال.
إذا لم يكن أيٌّ منهما مُلزِمًا، فالإجابة الصادقة هي أن تبني السلسلة الأقل تكلفة حول مُركِّب Inworld، وتُنفق ما توفّره على معالجة المقاطعات، لأن ذلك هو الجزء من التجربة الذي يلاحظه المتصل فعليًا. إنّ معدّل سنتين ونصف لكل دقيقة مقابل خطوة التركيب عرضٌ قوي من نموذج يحتل المرتبة الثانية في ساحة عامة، ونقطة التحقق التي ترفضها هي نقطة أخبرتنا للتو أنك لا تحتاج إليها.
ملاحظة بشأن الأرقام قبل أن يقتبسها أحد: أرقام التغطية وزمن الاستجابة والسعر الخاصة بـ Inworld هي أرقام Inworld نفسها، أما Elo في الساحة فهو رقم Artificial Analysis، وهو يتناقض مع وضع Inworld لنفسها في المرتبة الأولى. ورقم Prism البالغ 56.6 هو رقم Rime، ولم يُعِد أحد إنتاجه. ولم يقس أي طرف مستقل أداء أي من النموذجين وهو يؤدي وظيفة الآخر، وهي الفجوة الوحيدة التي لم تغلقها أي من الشركتين.
