Sesame Preview مقابل NVIDIA NemotronLabs VoiceChat 11B: الصوت الذي لا يمكنك ترخيصه، والصوت الذي لا يمكنك إطلاقه

اثنان من نماذج الصوت الأكثر تداولًا في عام 2026 يشتركان في أمر لا تخبرك به أي تغطية إطلاق: لا يمكنك وضع أي منهما في منتج. Sesame Preview هو المساعد الاستهلاكي المجاني الذي دفع صوته الحواري موقع TestingCatalog إلى وصفه بأنه "واحد من أفضل أوضاع الصوت المتاحة في السوق"، والنموذج الإنتاجي الذي يقف خلفه لا يحتوي على واجهة برمجة تطبيقات، ولا معرّف نموذج، ولا ترخيص يمكنك شراؤه — فالشركة ببساطة لم تصدره. NVIDIA NemotronLabs VoiceChat 11B هو الصورة المعاكسة: الأوزان علنية، وتصميم الازدواج الكامل (Full-Duplex) يُعد سابقة حقيقية، والترخيص ينص على أغراض البحث فقط، لذا لا يمكن لأحد طرحه قانونيًا أيضًا. أحدهما صوت يمكنك سماعه لكن لا يمكنك استئجاره. والآخر صوت يمكنك امتلاكه لكن لا يمكنك بيعه. هذه مقارنة بين بابين مقفلين، والسؤال المفيد هو: أمام أي قفل تقف؟

بابان مقفلان، بأقفال مختلفة.

ابدأ بشكل كلٍّ منهما، لأن الأسماء تُخفي مدى الاختلاف بين المنتجين. Sesame Preview هو تطبيق وليس واجهة برمجة تطبيقات (API). يأتي مع أربعة وكلاء بشخصيات مميزة — مايا (دافئة ومبدعة)، ومايلز (هادئ وحاد الذكاء)، وسيمون (فضولي ومفكر)، وتشارلي (ظريف ودافئ) — لكلٍّ منها صوته الخاص وذاكرته الخاصة التي تتزامن عبر الويب والجوال عند تسجيل دخولك. يبحث في الويب، ويقوم بغوص عميق، ويدون الملاحظات والتذكيرات، ويرسل ملخصًا بعد كل مكالمة. النسخة التجريبية مجانية دون أي مستوى مدفوع، بالإنجليزية فقط، ومحددة بـ 30 دقيقة لكل مكالمة عند تسجيل الدخول (وإلا فخمس دقائق)، وهي عمدًا لا تنفّذ المهام: فهي تطرح الأفكار وتبحث، لكنها لن تحجز رحلتك. لا يوجد مفتاح API في أي مكان في المنتج — الصوت في النسخة الكاملة هو ميزة تطبيق وليس نقطة نهاية.

نيفيديا نميترون لابس فويس شات 11B هو الشكل المعاكس: نقطة تفتيش، وليس منتجًا. ظهر على Hugging Face في 3 أغسطس 2026 دون أي إعلان — لا منشور إطلاق، ولا تقرير تقني، ولا تغريدة؛ بطاقة النموذج هي الإعلان. إنه نموذج كلام مزدوج الاتجاه الكامل بـ 11B معلمة (حللنا رأس ملف safetensors وأحصينا 11.095 مليار معلمة عبر 1,626 موترًا) مبني كحزمة واحدة: جهاز تشفير Fast Conformer يعالج صوتًا بتردد 16 كيلوهرتز في إطارات 80 مللي ثانية بدون أي سياق يمين، وهيكل Nemotron Nano 9B v2 يقوم بالتفكير، وجهاز فك ترميز NVIDIA T​TS يكتب صوتًا بتردد 22.05 كيلوهرتز، وجهاز فك ترميز RNN-T ينسخ كلام المستخدم، وقناة إخراج منفصلة تُصدر نصوص استدعاء الأدوات دون تلويث الرد المنطوق. إنه يستمع ويتحدث في الوقت نفسه، ويمكن مقاطعته في منتصف الكلمة، وتصفه نيفيديا بأنه أول نموذج مفتوح مزدوج الاتجاه مع استدعاء أدوات. وما إذا كان هذا الوصف يصمد أمام الواقع هو موضوع قسم خاص به أدناه.

المعيار الذي يتباينان عنده — مرشحان للقب «أفضل محادثة»، معياران معطوبان للإثبات

يراهن كلا النموذجين بسمعتهما بالكامل على الشيء نفسه: جودة المحادثة — تبادل الأدوار، المقاطعة، التوقيت الطبيعي، والإحساس بتبادل حقيقي. ولهذا السبب يجتمعان في عنوان واحد أصلًا. وهنا أيضًا يتحول المقارنة إلى أمر غريب، إذ لا يمكن تقييم أيٍّ من المرشحين بشكل صحيح.

لا يحتوي Sesame Preview على أي رقم في أي مكان. النموذج الإنتاجي غير مُصدر وغير مُدرج — لا يوجد معرّف نموذج، ولا إدراج في لوحة تصدّر الكلام-إلى-الكلام لدى Artificial Analysis، ولا هدف لزمن الاستجابة، ولا أي معيار تقييمي من أي نوع. عبارة TestingCatalog "واحد من أفضل أوضاع الصوت المتاحة في السوق" هي إجماع مراجعين، وليست قياسًا، ولا توجد طريقة لإجراء اختبار A/B أعمى لمقارنته بأي شيء آخر. نموذج Sesame الوحيد الذي يمكن لأي شخص تشغيله بشكل مستقل هو نموذج CSM-1B الأساسي مفتوح الأوزان، وهو نقطة تحقق لتحويل النص إلى كلام، وليس صوت التطبيق.

يواجه نموذج NVIDIA NemotronLabs VoiceChat 11B المشكلة المعاكسة تمامًا: فهو يحتوي على أرقام، لكن الأرقام موزعة على معيارين للأدلة لا يتفقان. تذكر NVIDIA أنها تحتاج 448 مللي ثانية لأخذ دور سلس، و480 مللي ثانية للتراجع عند المقاطعة، ومعدل استحواذ مثالي 1.0 على مقاطعات المستخدم — وكلها قياسات من البائع على معيار Full-Duplex-Bench 1.0 الخاص بها، ولم يُستنسخ أي منها بشكل مستقل. القياسات المستقلة لهذه العائلة موثقة تحت اسم مختلف وعدد معاملات مختلف — "Nemotron 3 VoiceChat (V1)" بحجم 12B، وهو تصنيف لم توفّق NVIDIA بينه وبين نقطة التحقق 11B على Hugging Face — وهي غير مُرضية على صعيد الفهم: 29.2% في Big Bench Audio وفقًا لـ Artificial Analysis، مقابل 37.0% على بطاقة NVIDIA الخاصة. على VoiceBench، تحقق العائلة 58.10، وهي أفضل نتيجة مفتوحة للازدواج الكامل في لوحة التصنيف. إذن النموذج نفسه هو في الوقت نفسه رائد بين نماذج الازدواج الكامل مفتوحة المصدر، ومتأخر خلف رواد الوقت الفعلي المستضافين بفارق يقارب ثلاثة إلى واحد في فهم ما يسمعه.

إذن، التباين ليس في أيهما أفضل. بل في أن المرشحين لأفضل محادثة لعام 2026 يُقيَّمان استنادًا إلى أدلة متعارضة وغير مكتملة بالقدر نفسه. مراجعو الصوت الذين يقولون إنه يبدو الأكثر إنسانية ليس لديهم أي مقياس على الإطلاق، والصوت الذي يملك إدخالات فعلية في لوحة الصدارة هو الذي تظهر نقاط ضعفه للعلن. لا يمكنك مقارنة سمعة برقم، وهنا لا يوجد سوى رقم واحد فقط — وهو ليس الرقم المُرضي.

الوصول — تنزيل من متجر التطبيقات، أو بناء بحجم 80 جيجابايت

إذا كنت تريد تجربة أيٍّ منهما، فإن خط البداية يختلف بطريقةٍ تهم أكثر من أي مواصفة.

Sesame Preview is a download. The official page reads "Preview available now on iOS and Android," and the Android build has been rolling out since mid-July (the Android beta added image upload and voice memos). There is no API key anywhere. A developer who wants Sesame's actual voice has nothing to call — the only Sesame model reachable through an API is the open-weight CSM-1B base, listed at $7 per million characters, and that is the architecture behind the app, not the app's voice: a text-to-speech checkpoint with a 4K context window and no conversational abilities of its own.

نموذج NVIDIA NemotronLabs VoiceChat 11B ليس ملفًا للتحميل يمكنك تشغيله ببساطة — بل هو بناء يتعين عليك إعداده. توضح Hugging Face أن النموذج "لا يتم نشره بواسطة أي موفر استدلال"، ولم تستضفه NVIDIA؛ وملف config.json في المستودع هو إعداد تدريب NeMo، لذلك لا يوجد checkpoint خاص بـ Transformers يمكنك توجيه AutoModel إليه. المسار المدعوم هو بيئة conda مثبتة على Python 3.12 وPyTorch 2.10 وTransformers 4.56، مع تجميع causal-conv1d وmamba-ssm من المصدر، على وحدة معالجة رسومية بسعة 80 جيجابايت (A100 أو H100 أو H200 أو B200 أو RTX 6000) تعمل بنظام vLLM — أو حاوية NGC NIM من NVIDIA، والتي تعرض WebSocket متوافقًا مع O​penAI Realtime على /v1/realtime بمجرد وصولك إلى هذا الجهاز. يروي عداد التنزيلات قصة الوصول: حوالي 80 تنزيلًا في الشهر الأول للنموذج مقابل 107 إعجابات. الناس وضعوا إشارة مرجعية عليه؛ ولا أحد تقريبًا شغّله. ملاحظة صادقة للباحث الذي يفعل ذلك: العمود الفقري للاستدلال الذي يبني عليه هذا checkpoint، وهو Nemotron Nano 9B v2، هو نفسه نموذج مستضاف يمكنك استدعاؤه اليوم — أما نموذج الاتصال الكامل المزدوج حوله فليس كذلك، وهذه الفجوة هي النقطة الأساسية.

السعر — تطبيق مجاني، وأوزان مجانية، وفاتورة 80 غيغابايت

كلا النموذجين "مجانيان"، والكلمة تقوم بنفس القدر من التضليل في كلتا الحالتين.

Sesame Preview is genuinely free — no paid tier, no ads, no data selling — because it is a preview you are being invited to test, and Sesame's monetization is a later problem. NVIDIA NemotronLabs VoiceChat 11B's weights cost nothing to download, but the hardware does: a continuously-running H100-class instance at roughly $2–3 an hour lands near $1,500–2,200 a month before you have written any application code, hired anyone to keep it up, or served a second concurrent conversation — and because the license forbids commercial use, that is money you can only spend on research. Between them sits CSM-1B at $7 per million characters, a hosted price for a model whose default is self-hosting.

المعيار الصادق لليوم الذي يصبح فيه أيٌّ من هذه النماذج قابلاً للشراء: أي نموذج صوتي مستضاف تختاره، فالسعر المعلن من المزوّد هو ما يجب أن تدفعه، دون أي زيادة رسوم توجيه فوق ذلك — التسعير المباشر الذي يجعل تخفيض سعر البائع يظهر في فاتورتك في نفس اليوم بدلاً من بعد دورة تعاقد. لا يمكن الاتصال بأيٍّ من النموذجين المذكورين هنا عبر OrcaRouter: صوت Sesame الإنتاجي لا يملك أي واجهة برمجة تطبيقات على الإطلاق، وNVIDIA NemotronLabs VoiceChat 11B غير قابل للاتصال عبر أي شيء. المعيار مخصص للصوت الذي يمكنك شراؤه فعليًا، وهو بالضبط المستوى الذي يجعل تسعير أساس T​TS بسعر 7 دولارات لكل مليون حرف أو واجهة برمجة تطبيقات مستقبلية بجودة Sesame أمرًا سهلاً ونزيهًا.

Memory — التطبيق الذي يتذكّر مقابل النموذج الذي ينسى

هنا الفجوة هي وادٍ سحيق، وهي السبب الأكثر واقعية لعدم كونهما بديلين. تطبيق Sesame Preview يتذكر: كل وكيل يحمل ذاكرة خاصة به تتم مزامنتها عبر الويب والجوال عندما تكون مسجّلًا الدخول، ويمكن أن تستمر المكالمات حتى 30 دقيقة، ووضع التصفح المتخفي يقرأ الذكريات السابقة دون إنشاء ذكريات جديدة. بالمقابل، نموذج CSM-1B المفتوح لديه نافذة سياقية بحجم 4K — أي ما يعادل تقريبًا ثلاث إلى أربع دقائق من النص — وليس لديه أذنان ليسمعك على أي حال.

NVIDIA NemotronLabs VoiceChat 11B يحتفظ بسياق صوتي يبلغ حوالي دقيقتين على الأكثر — حيث يحدّ مُحمّل بيانات التدريب المقاطع الصوتية عند 142.39 ثانية، وتُحذّر البطاقة التعريفية بأن المحادثة التي تتجاوز نافذة الدقيقتين قد لا يتم الاحتفاظ بها. بالنسبة لمكالمة دعم تحتاج إلى تذكّر ما تم الاتفاق عليه قبل أربع دقائق، فإن هذا السقف يُعدّ عائقًا مُقصيًا بحد ذاته. أضف إلى ذلك صوتًا ثابتًا واحدًا (Aria) دون أي استنساخ للصوت في نقطة التحقق المُصدَرة، فيصبح النموذج الذي ينفتح بشأن بنيته هو نفسه النموذج الذي لا يستطيع تذكّر العميل أو تغيير صوته.

ما الذي يكون كل واحد منه سيئًا فيه حقًا

مُجمَّع، لأن المقارنة التي تتوقف عند نقاط القوة هي تسويق:

• Sesame Preview: لا توجد واجهة برمجة تطبيقات (API) — لا يمكنك وضع هذا الصوت في منتج، والنموذج الإنتاجي غير مُصدر وغير مُقيَّم. إنجليزي فقط، لا ينفذ المهام، حد أقصى للمكالمات 30 دقيقة، ولا يوجد أي معيار مستقل من أي نوع. النموذج المفتوح الوحيد، CSM-1B، يحتوي على نافذة سياق 4K، ولا يدعم استدعاء الأدوات، ولا جانب استماع، وليس صوت التطبيق.

• NVIDIA NemotronLabs VoiceChat 11B:ترخيص للبحث فقط (OpenMDW v1.1) — يمكنك تنزيله ودراسته وضبطه، لكن لا يمكنك طرحه، ولا يمكن لمن يبني عليه طرحه أيضًا. لا توجد نقطة نهاية مستضافة، لذا فإن "تجربته" تعني الحاجة إلى GPU بسعة 80 جيجابايت وبناء من المصدر. الإنجليزية فقط، وسقف ذاكرة يبلغ حوالي دقيقتين، وصوت واحد ثابت. تشير NVIDIA إلى أنه قد يكون أداؤه أقل من أداء نموذجه الأساسي في المعرفة واتباع التعليمات، مع وصف التفكير متعدد الخطوات والحساب بأنهما ضعيفان. قد يقطعك في منتصف جملتك، ويتدهور إلى كلام غير مفهوم لا يمكن استرداده أو حديث ذاتي بعد عدة جولات، ويُسقط كلمات أثناء النسخ، وهو غير مناسب صراحةً للغرف المزعجة أو ذات الصدى. يعمل استدعاء الأدوات فقط مع المطالبات والاستجابات التي تقتصر على أحرف ASCII، ويبلغ الحد الأقصى خمسة أدوات في الجلسة الواحدة، ودقة وسائطه (44.2%) ومعدل نجاح المحاولة الأولى (33%) يعنيان أنه يختار الأداة الصحيحة بشكل أكثر موثوقية من قدرته على تعبئة معاملاتها.

من الذي يجب أن يختار ماذا

لأنه لا يمكن استدعاء أيٍّ منهما، فإن الإجابة الصادقة تبدأ مما تحاول أن تفعله.

• جرّب الصوت الأعلى تقييماً لعام 2026: Sesame Preview، مجاناً، اليوم — كتطبيق. الوكلاء الأربعة، والتعامل مع المقاطعات، وسهولة استخدام وضع القيادة التي يستشهد بها المراجعون: هذا منتج استهلاكي، وقيمته هي بالضبط الشيء الذي لا يمكنك قياسه.

• دراسة نمذجة الكلام بالازدواج الكامل: NVIDIA NemotronLabs VoiceChat 11B هو التحميل الأكثر إثارة للاهتمام في فئته — نقطة تحقق مفتوحة بحجم 11B مع قناة استدعاء أدوات تعمل، وحوالي 550,000 ساعة من الصوت التدريبي المدمج، وأفضل نتيجة مفتوحة حتى الآن في اختبار VoiceBench للازدواج الكامل، وكل ذلك بتكلفة صفر دولار للأوزان. الترخيص المخصص للبحث فقط ليس قيدًا على هذا العمل.

• Build on Sesame's architecture: CSM-1B is the only Sesame model a developer can actually call — $7 per million characters, Apache-2.0, zero-shot voice cloning — with the honest caveat that it is a base text-to-speech model, not the production voice the app uses.

• أطلق منتجًا صوتيًا هذا الربع:لا شيء من هذه. تحتاج إلى نموذج مستضاف للكلام إلى الكلام في الوقت الفعلي مع ترخيص تجاري، والطريقة الآمنة لاعتماد نموذج لم تجعله مسارًا إنتاجيًا معتمدًا هي توجيه حركة المرور إليه بجانب نموذج مُثبت مع تجاوز تلقائي للفشل، بحيث لا يتسبب صوت غير مُثبت في إسقاط مكالمة حية. واجهة برمجة تطبيقات واحدة عبر أكثر من 200 نموذج مستضاف بسعر القائمة لدى المزود دون أي زيادة، هي ما يجعل تجربة صوت متاح حديثًا مجرد تغيير إعدادات بدلاً من إعادة كتابة.

هذا النمط يستحق أن يُسمى لأنه سيتكرر. كل من هذين النموذجين يفصله حدث واحد عن أن يصبح قابلاً للاستدعاء — Sesame في اليوم الذي تُطلق فيه معرّف نموذج أو واجهة برمجة تطبيقات، و NVIDIA NemotronLabs VoiceChat 11B في اليوم الذي تنشر فيه NVIDIA ترخيصًا تجاريًا أو يستضيفه أي شخص. عندما يحدث ذلك، ليس التصرف الصحيح هو اقتلاع حزمة الصوت الحالية، بل إضافة الصوت الجديد بجانب القديم وتوجيه الحركة مع آلية تجاوز الأعطال، تمامًا كما تفعل مع أي نموذج جديد غير مُثبت. هذان هما أفضل صوتين غير مُطلقَين بعد في 2026؛ البنية التحتية لإطلاق الثالث موجودة بالفعل.

ما الذي قد يغيّر هذه المقارنة؟

أربعة أحداث من شأنها إعادة كتابة هذا المقال. معرّف واجهة برمجة تطبيقات أو معرّف نموذج لصوت الإنتاج الخاص بشركة Sesame — بمجرد حدوث ذلك، تتوقف Sesame عن كونها تطبيقًا وتصبح المنافس الذي كان سوق واجهات الصوت المستضافة بانتظاره. ترخيص تجاري أو نقطة نهاية مستضافة لنموذج NVIDIA NemotronLabs VoiceChat 11B، وهو ما من شأنه تحويل قطعة بحثية إلى خيار منتج حقيقي بين ليلة وضحاها. تقييم مستقل لصوت Sesame — إدراج على لوحة الكلام إلى الكلام في Artificial Analysis من شأنه أن يعطي ادعاء "أفضل صوت" ما يمكن الاختبار ضده. وتقرير تقني من NVIDIA يوفّق بين نقطة التحقق 11B وإدخالات "Nemotron 3 VoiceChat (V1)" بحجم 12B التي تقيسها لوحات الصدارة، وهو الشرط المسبق للثقة في أي أرقام من هذه العائلة. وحتى يتحقق أي من ذلك، يبقى الملخص الدقيق بسيطًا: الصوتان المحادثيان الأكثر إثارة للاهتمام في 2026 كلاهما مقفل — أحدهما من قبل شركة لن تبيع، والآخر بترخيص لن يُطرَح.

الأسئلة الشائعة

هل يمكنني استخدام صوت أي من النموذجين داخل تطبيقي الخاص؟

No, and the two reasons are the shape of this comparison. Sesame Preview's production voice has no API, no model ID, and no endpoint — it exists only as the app. NVIDIA NemotronLabs VoiceChat 11B is open-weight but research-only (OpenMDW v1.1), self-hosted on an 80 GB GPU, with no hosted inference provider. The only Sesame model a developer can call is CSM-1B at $7 per million characters, and it is a text-to-speech base, not the app's voice.

أيٌّ من الاثنين يبدو في الواقع أكثر شبهاً بالإنسان؟

غير معروف، ولأسباب مختلفة في كل حالة. لا تمتلك Sesame Preview أي نتيجة مستقلة على الإطلاق — إن وصف TestingCatalog لها بأنها «واحدة من أفضل أوضاع الصوت المتاحة في السوق» هو إجماع من المراجعين، وليس قياسًا. توقيت المحادثة في NVIDIA NemotronLabs VoiceChat 11B (448 مللي ثانية للتناوب في الكلام، و480 مللي ثانية لزمن التنازل عند الاقتحام الصوتي) هو رقم أبلغت عنه NVIDIA ولم يتم تكراره بشكل مستقل، ورقمه المستقل في Big Bench Audio (29.2%، وفقًا لـ Artificial Analysis، مُدرج تحت اسم «Nemotron 3 VoiceChat (V1)») يقيس الفهم، وليس مدى متعة الصوت. أحدهما يتمتع بسمعة يمكنك سماعها؛ والآخر لديه أرقام تجيب عن سؤال مختلف.

هل NVIDIA NemotronLabs VoiceChat 11B مجاني حقًا؟

الأوزان مجانية؛ لكن النموذج ليس رخيصًا. تشغيله يتطلب وحدة معالجة رسومية بسعة 80 جيجابايت (بتكلفة تقريبية تتراوح بين 2–3 دولارات في الساعة عند الطلب، و1,500–2,200 دولار شهريًا إذا بقيت قيد التشغيل باستمرار) وبناءً من الكود المصدري، كما أن رخصة OpenMDW v1.1 تقيّده لأغراض البحث فقط — لذا حتى بعد هذا الإنفاق، لا يمكنك قانونيًا تقديمه للعملاء.