Rime Prism مقابل Qwen-Audio-3.0-TTS: محرك محادثة في مقابل طبقة صوتية

تفرض Rime Prism رسومًا قدرها 0.080 دولارًا للدقيقة. وتكلف مكالمة دعم مدتها خمس دقائق عليها 0.40 دولارًا، وهذا المبلغ يشتري الاستماع والاستدلال وتناوب الحديث والكلام ضمن نموذج واحد. وتفرض Qwen-Audio-3.0-TTS رسومًا قدرها 19.30 دولارًا لكل مليون حرف، وهو ما يعادل لمثل هذه المكالمة نحو 0.10 دولار — مقابل الكلام فقط. ضع هذين الرقمين جنبًا إلى جنب، وستبدو المقارنة محسومة لصالح Qwen. لكنها ليست محسومة، لأن النموذجين لا يتنافسان على الموضع نفسه في مكدس تقني، والفرق البالغ 0.30 دولار هو في الأساس ثمن حذف مرحلتي تسليم من المسار بين جملة المتصل والإجابة.

أطلقت Rime نموذج Prism في 28 أكتوبر 2026، أي في اليوم السابق لكتابة هذه الصفحة. وهو نموذج تحويل الكلام إلى كلام، لا تحويل النص إلى كلام: يستمع إلى الصوت، ويستخلص ردًا، ويكتب ذلك الرد نصًا يمكن للتطبيق فحصه، ثم يتحدث — بينما لا يزال يستمع. أعلنت Alibaba عن Qwen-Audio-3.0-TTS في WAIC في 20 يوليو 2026، ضمن فئة Plus للجودة وفئة Flash للوقت الفعلي. ويأخذ ذلك النموذج النص ويعيد الصوت، لا أكثر. واستبدلته Alibaba بـ Qwen-Audio-3.1-TTS في 23 سبتمبر 2026، لذا فإن 3.0 في هذا العنوان هو بالفعل الجيل السابق من عائلته نفسها — وهفوة تعود لاحقًا وتغيّر ما ينبغي أن تشتريه فعلاً.

السؤال المفيد ليس أيّهما يبدو أفضل، بل أيّهما تضعه أمام المتصل، وكيف يجب أن يبدو باقي المخطط إذا فعلت ذلك.

منتجان، خانة واحدة في المخطط

الوكيل الصوتي التقليدي سلسلة متتابعة: يحوّل التعرف على الكلام صوت المتصل إلى نص، ثم يقرر نموذج لغوي ما ينبغي قوله، ثم يحوّل تحويل النص إلى كلام تلك الإجابة إلى صوت مرة أخرى. كل قفزة هي موضع يمكن أن تُفقد فيه لهجة المتصل، أو تُحذف فيه كلمة حشو، أو تُضاف فيه 200 مللي ثانية.

حجة Rime هي أن التسلسل المتتالي يتخلص من شيء لا يستطيع استعادته. في التسلسل المتتالي لا يسمع نموذج اللغة أبدًا كيف قال المتصل الشيء — التنهد، وارتفاع النبرة في نهاية السؤال، والتوقف قبل رقم بطاقة الائتمان — لأن كل ما يتلقاه هو نص مكتوب. يحافظ Prism على الإشارة الصوتية سليمة على طول طريق اتخاذ القرار، ثم يُصدر النص كنقطة تحقق بدلًا من صيغة وسيطة.

هذا فرق معماري حقيقي، وهو أساس المنتج بأكمله. ويعني ذلك أيضًا أن Prism ليس بديلًا مباشرًا لمحرك TTS. ضعه في الموضع الأخير من سلسلة متتالية، فتكون قد اشتريت مُركِّب كلام باهظ الثمن يحتاج إلى سماع المتصل أولًا. وضع Qwen-Audio-3.0-TTS في موضع Prism يمنحك نموذجًا لا يستطيع سماع أي شيء على الإطلاق.

ما الذي تبيعه Rime Prism فعليًا

Prism هو أول نموذج أطلقته Rime يزيل مرحلتي STT وLLM بدلًا من تحسين إحداهما. طبقة النص هي الميزة التي يهتم بها مشترو المؤسسات: يمكن لفحص السياسات أو مرشح PII أو مشرف بشري أن يقرأ الكلمات الدقيقة التي على وشك أن تُنطق، ولأن النموذج لا يزال يستمع أثناء تشغيل الفحص، لا يلزم أن يكون التوقف مسموعًا. تعمل استدعاءات الأدوات بالتوازي مع الكلام بدلًا من أن تسبقه، وهي طريقة مختلفة لإخفاء زمن الوصول إلى البحث في قاعدة البيانات مقارنةً بالتوقف المعتاد «دعني أتحقق من ذلك لك».

الأرقام المنشورة، وجميعها من Rime: 0.57 ثانية حتى أول صوت على معيار τ-Voice، ونسبة إتمام المهام 56.6% على ذلك المعيار، و82.5% على مجموعته الفرعية الخاصة بالاتصالات. ويُستشهد بتجربة Revmo على نحو عشر ساعات من مكالمات الطلبات الحقيقية بنسبة 100% من تأكيدات الطلبات مقابل 68% لنموذج OpenAI لم يُسمَّ، مع خلوّ 85% من المكالمات من الهلوسة مقابل 35%. وأرقام تلك التجربة مستمدة من دراسة حالة لعميل كلّفت Rime بإعدادها؛ والمنهجية غير منشورة ولم يكرّرها أحد.

التسعير لكل دقيقة من صوت المكالمة، وهو النموذج نفسه في كل الفئات: $0.080/دقيقة على Flex دون رسوم شهرية، و$0.064/دقيقة على Scale مقابل $100 شهريًا بما يشمل $100 من الائتمان الذي يُرحَّل حتى $200، وأسعار حسب الحجم على Enterprise. تحصل الحسابات المجانية على $50 من الائتمان الشهري. تُبث Prism عبر WebSockets وتأتي مع تكاملات لـ LiveKit وPipecat. واجهات برمجة التطبيقات للضبط الدقيق SFT وRL بالخدمة الذاتية في مرحلة بيتا، وليست متاحة للجميع؛ ومستوى Enterprise هو الذي يضم النشر على الخوادم المحلية وVPC، والأصوات المخصصة، واتفاقية HIPAA BAA وSOC 2 Type II.

ما الذي يبيعه Qwen-Audio-3.0-TTS فعليًا؟

Qwen-Audio-3.0-TTS مُركِّب صوتي يتمتّع بتحكّم غير مألوف. فهو يقبل وسوم الأداء المضمّنة — [gasp]، [laughs]، [angry] — داخل النص نفسه، لتُربط العاطفة بشخصية محدّدة بدلًا من فقرة كاملة. ويغطّي 16 لغة و20 لهجة صينية، ويُنتج ما يصل إلى ثلاث دقائق في الطلب الواحد بتردّد 48 كيلوهرتز، ويأتي مع مكتبة تضم أكثر من 1,000 صوت. وفئة Plus هي فئة الجودة؛ أما Flash فيستهدف التفاعل في الزمن الحقيقي، وتذكر وثائق علي بابا أن زمن تأخير أول حزمة لديه أقل من 200 مللي ثانية، بينما نقلت تغطيات الإطلاق السابقة رقمًا يقارب 300.

سعر القائمة هو 0.19253 دولار لكل 10,000 حرف في منطقة بكين و0.20 دولار في سنغافورة، أي ما يعادل 19.30 إلى 20 دولارًا لكل مليون حرف — وهو الرقم الذي تنشره Artificial Analysis على لوحة الصدارة الخاصة بها. وتحُدّ الإنتاجية بسقف 180 طلبًا في الدقيقة في كلتا المنطقتين. لا توجد أوزان، ولا خيار للاستضافة الذاتية، ولا طرح للتشغيل داخل المنشأة: إذا كانت مناطق Alibaba تمثل مشكلة في مراجعة إقامة البيانات لديك، فهذا النموذج ببساطة غير متاح لك.

لوحة النتائج

• الفئة — يستمع Rime Prism إلى الصوت ويردّ متحدّثًا؛ بينما يأخذ Qwen-Audio-3.0-TTS النصّ ويُعيد الصوت.

• الإطلاق — Prism في 28 أكتوبر 2026؛ Qwen-Audio-3.0-TTS في 20 يوليو 2026، واستُبدل بـ Qwen-Audio-3.1-TTS في 23 سبتمبر 2026.

• وحدة الفوترة — Prism بسعر 0.080 دولار لكل دقيقة من صوت المكالمة على Flex، و0.064 دولار على Scale؛ Qwen بسعر 19.30 دولارًا لكل مليون حرف على Plus، وحوالي 13.75 إلى 15 دولارًا لكل مليون على Flash.

• زمن التأخير — 0.57 ثانية للوصول إلى أول صوت لدى Prism، وفق قياس البائع؛ أما Qwen Flash فأقل من 200 مللي ثانية لأول حزمة وفق وثائق Alibaba.

• درجة مستقلة — لا يملك Prism أي درجة على مؤشر Speech-to-Speech الخاص بـ Artificial Analysis؛ ويحتل Qwen-Audio-3.0-TTS-Plus المركز Elo 1,269، وهو السادس من 99 في Text-to-Speech Arena حسب ترتيب اللوحة في 29 أكتوبر 2026.

• اللغات — Prism: الإنجليزية فقط عند الإطلاق؛ Qwen: 16 لغة بالإضافة إلى 20 لهجة صينية.

• النشر — سحابة Prism، أو VPC، أو داخل المنشأة مع HIPAA BAA وSOC 2 Type II على Enterprise؛ Qwen فقط عبر Alibaba Cloud Model Studio.

المكالمة التي تستغرق خمس دقائق، بسعر محدد

افترض مكالمة دعم واردة مدتها خمس دقائق يتحدث فيها الوكيل بنحو 1,000 حرف في الدقيقة — تستخدم الأسئلة الشائعة الخاصة بأسعار Rime هذه النسبة للتحويل بين خدمة TTS التي تُحاسب بالأحرف وPrism التي تُحاسب بالدقائق، لذا فهي قاسم مشترك عادل. أي 5,000 حرف من الكلام.

على Prism، تبلغ الفاتورة لخمس دقائق بسعر $0.080، أي $0.40. وبسعر Scale تبلغ $0.32. وتكلّف عشرة آلاف مكالمة من هذا النوع $4,000 و$3,200 على التوالي.

في سلسلة متتالية مبنية حول Qwen-Audio-3.0-TTS-Plus، تكلّف 5,000 حرف 0.0965 دولار. أضف التعرف على الكلام الخاص بـ Rime بتكلفة 0.002 دولار للدقيقة — أي خمسة سنتات للمكالمة — ونموذجًا نصيًا للاستدلال. وبسعر مختلط قدره 0.50 دولار لكل مليون توكن، وبواقع بضعة آلاف من التوكنات في كل دور، يضيف ذلك أقل بكثير من سنت واحد. تصل السلسلة المتتالية إلى نحو 0.11 دولار لكل مكالمة، أو حوالي 1,100 دولار على مدى عشرة آلاف مكالمة. وخيار Flash بدلًا من Plus يخفض خط التخليق إلى نحو 0.069 دولار في بكين، ويخفض الإجمالي إلى حوالي 0.08 دولار.

سعر Cascade يمثل نحو ربع سعر Prism، والفارق يتراوح بين 2,900 و3,200 دولار لكل عشرة آلاف استدعاء. هذه أسعار قائمة، والافتراضات افتراضاتنا لا افتراضات Rime؛ العبرة بشكل الفجوة، لا بالرقم العشري الثالث.

العنصر الأوسط في تلك السلسلة هو أيضًا المكوّن الوحيد الذي يمكنك نقله دون المساس بالمكوّنين الآخرين. يوجّه OrcaRouter نماذج النص خلف واجهة برمجة تطبيقات واحدة — أكثر من 200 نموذج، سعر القائمة لدى المزوّد يُمرَّر بهامش ربح 0%، والتحويل التلقائي عند تدهور أحد المزوّدين في منتصف المحادثة — بحيث يمكن إعادة توجيه خطوة الاستدلال إلى نموذج أرخص أو أقوى بين الاستدعاءات. نقطة التحقق النصية الخاصة بـ Prism هي نص عادي للسبب نفسه: أي شيء يستهلكها، من استدعاء الأدوات إلى التلخيص بعد الاستدعاء إلى تقييم ضمان الجودة، يمكنه أن يستقر على نقطة نهاية مُوجّهة ويظل مستقلاً عن طبقة الصوت تحتها.

حيث لا يزال التسلسل يتفوق

مراكز الاتصال متعددة اللغات، على سبيل المثال. إن Prism يدعم اللغة الإنجليزية فقط عند الإطلاق، مع مجموعة أصوات محدودة. أما Qwen-Audio-3.0-TTS فيوفر 16 لغة و20 لهجة صينية — ويضيف خليفته نقل البصمة الصوتية عبر اللغات بين الماندرين والكانتونية والإنجليزية واليابانية. إذا كانت نسبة معتبرة من المتصلين لديك لا تتحدث الإنجليزية، فإن هذه المقارنة تنتهي عند ورقة المواصفات.

التوليد لمرة واحدة هو الحالة الثانية. مطالبات IVR، والإشعارات الصادرة، وفصول الكتب الصوتية، وحوارات الألعاب: لا يتضمن أيٌّ منها متصلًا يتحدث مرة أخرى، لذا لا يوجد شيء ليسمعه نموذج تحويل الكلام إلى كلام. إن دفع 0.080 دولار في الدقيقة مقابل نموذج يستطيع الاستماع حين لا يتحدث أحد هو دفع مقابل نصف غير مستخدَم.

الحجم هو الثالث. وبتكلفة تعادل ربع تكلفة الاستدعاء الواحد، تُوفّر السلسلة المتتالية ميزانيةً للأجزاء التي تميّز الوكيل فعلاً — استرجاع أفضل، ونموذج استدلال أقوى، وتوجيه التصعيد البشري.

أين لا يزال Prism يتفوق

الاتصالات الهاتفية الواردة الخاضعة للتنظيم هي الحالة التي بُني من أجلها Prism. فالمصرف الذي يجب أن يكون قادرًا على إظهار ما كان موظفه على وشك قوله، ومنعه قبل أن يسمعه العميل، لا يستطيع فعل ذلك بنموذج زمن حقيقي مدمج، ولا يمكنه إلا أن يقارب ذلك بسلسلة متتالية تكون فيها مرحلة النص خدمةً منفصلة لها زمن استجابة خاص بها ونمط فشل خاص بها. أما Prism فيضع نقطة الفحص داخل النموذج ويواصل الاستماع عبرها.

ويتفوق أيضًا في المقياس الذي يحدد ما إذا كانت المكالمة تبدو بشرية: الصمت التام. فالتسلسل السريع على الورق يظل يراكم زمن تحديد نهاية الكلام، وزمن النموذج حتى أول رمز، وزمن التوليف حتى أول حزمة، والتسلسل الذي ينتهي في أقل من ثانية من طرف إلى طرف يُعد أداءً جيدًا. ويقيس Prism 0.57 ثانية من نهاية دور المتصل إلى أول صوت في الرد، في قفزة واحدة.

ويتفوّق في جانب النشر على المشترين الذين لا يستطيعون استخدام منطقة سحابية صينية على الإطلاق — VPC، أو النشر المحلي، أو اتفاقية BAA الخاصة بـ HIPAA، أو شهادة SOC 2 Type II، أو الضبط الدقيق على تسجيلات مكالماتك الخاصة بدلاً من قاعدة مشتركة.

الرقم الذي لا يستطيع أيٌّ من الطرفين أن يقدّمه لك

لا يملك أي من النموذجين الرقم الذي تفضّل فرق المشتريات الحصول عليه أكثر من غيره: مقارنة مستقلة وجهاً لوجه على المعيار نفسه.

لم يُدرج Prism في مؤشر التحويل من الكلام إلى الكلام لدى Artificial Analysis. ورقم 56.6% في τ-Voice هو نتيجة أجرتها الشركة نفسها، والجدول الذي تنشره Rime إلى جانبه جدير بالقراءة بتمعّن: إذ يظهر GPT-Live-1 (Sol، منخفض) عند 59.3%، وهو أعلى من Prism، بينما تقول النصوص المحيطة إن Prism "متقدّم على كل نموذج فوري من OpenAI وGoogle". وتذكر منشورات الإطلاق أيضًا "أقل من 300 مللي ثانية" و"أسرع 4× من GPT-Live"، وهي أرقام لا تظهر في جدول المعايير، الذي يذكر 0.57 ثانية. قد تفسّر قياسات مختلفة هذا التباين؛ لكن الصفحة لا تفسّره.

نتيجة Qwen هي الأقوى، لأن 1,269 نقطة Elo تأتي من أصوات مستمعين عمياء وليس من Alibaba. وهي أيضًا لم تعد أفضل نتيجة في عائلتها: فـ Qwen-Audio-3.1-TTS-Plus يحتل المرتبة الثالثة بـ1,305 اعتبارًا من 29 أكتوبر 2026، وقد حرّكت مراجعات Artificial Analysis هذا الجدول أكثر من مرة هذا العام، لذا لا ينبغي أبدًا طرح النتائج المأخوذة من لقطات مختلفة من بعضها البعض.

التحذير الخاص بـ Rime يأتي في الاتجاه المعاكس. الأصوات الوحيدة من Rime التي صُنِّفت بشكل مستقل هي نماذج TTS الخاصة بها، وعلى لوحة الصدارة نفسها يحتل Coda المرتبة 65 عند Elo 1,054 ويحتل Mist V2 المرتبة 92 عند 903 — أي النصف الأدنى بين 99. قد يكون Prism أفضل صوتًا من نظيراته؛ لكن لا يوجد أي شيء منشور يتيح للمشتري تأكيد ذلك قبل التوقيع.

ماذا تشاهد

ثلاثة أمور ستغيّر التوصية. ظهور Prism في Speech-to-Speech Index سيمنحه أول رقم مستقل يحصل عليه على الإطلاق. والتشغيل ثنائي الاتجاه الكامل — إذ إن Prism نصف ثنائي الاتجاه مع إمكانية المقاطعة عند الإطلاق — سيوسّع الفجوة أمام أي نظام تسلسلي مضطر إلى الانتظار حتى ينتهي المتصل. وخروج واجهات برمجة التطبيقات للضبط الدقيق بالخدمة الذاتية من المرحلة التجريبية هو الفرق بين «يمكن للمؤسسات الضبط الدقيق» و«يمكنك الضبط الدقيق يوم الثلاثاء».

من الجهة الأخرى، راقب ما تفعله علي بابا بشأن تسعير Qwen-Audio-3.1-TTS بعد الخفض بنحو 70% الذي طبّقته في 22 سبتمبر 2026. إنّ سلسلةً تتراجع فيها تكلفة المرحلتين الوسطى والأخيرة معًا هي هدف متحرك، وسعر Prism لكل دقيقة مثبّتٌ في مواجهتها.

بالنسبة لمعظم الفرق، الإجابة الصادقة هي الاثنان معًا، لا أحدهما دون الآخر. ضع Prism أمام المتصلين الواردين الذين تحتاج محادثاتهم إلى نقطة تحقق وميزانية زمن استجابة لخطوة واحدة. وضع Qwen-Audio-3.0-TTS — أو، على نحو أكثر واقعية الآن، Qwen-Audio-3.1-TTS — في المسارات الصادرة حيث لا يردّ عليك أحد وتُحسب الفاتورة لكل حرف. الخطأ هو اختيار أحدهما لأن جدول مقارنة أداء قال ذلك، بينما الجدول يحمل حاشية، والحاشية هي التي تؤدي معظم العمل.