Voxtral 3 TTS مقابل Cartesia Sonic 3.6: 72 Elo مقابل 3.8 أضعاف السعر

Cartesia Sonic 3.6 يفوز بمعركة الجودة وVoxtral 3 TTS يفوز بمعركة الفاتورة، وحجم الفارقين معًا هو جوهر المقارنة كلها. وعلى لوحة Provider Voice من Artificial Analysis بتاريخ 21 أكتوبر 2026، Sonic 3.6 يحلّ عند 1,289 نقطة Elo (المرتبة الرابعة من 98 نظامًا مُقيَّمًا) مقابل 1,217 لـ Voxtral 3 TTS (المرتبة 13). الفارق 72 نقطة، وهو خارج فترتي الثقة للنموذجين بهامش مريح. أما فارق السعر فيسير في الاتجاه المعاكس وهو أوسع: 49 دولارًا لكل مليون حرف لـ Sonic 3.6 مقابل 13 دولارًا لـ Voxtral 3 TTS — أي 3.8 أضعاف لنموذج شحنته Mistral قبل يوم واحد من هذه القراءة للوحة. لا نزاع في أي من الرقمين. وما هو محل النزاع هو قيمة فارق 72 نقطة في الاستماع الأعمى داخل الإنتاج، وهذا يعتمد كليًا على ما يؤديه الصوت. إن إخفاقات الذكاء الاصطناعي وحوادث الوكلاء الموثقة وراء إصدارات كهذا الإصدار مجموعة في OrcaRouter AI Incident Archive حيث يحمل كل مدخل مصادره الخاصة ودرجة خطورته ودرجة ثقته وعلامة كونه محل نزاع.

أولًا، ما الذي قاسته اللوحات فعليًا

كلا الرقمين يأتيان من المصدر نفسه، وهو أمر يكتسب أهمية أكبر من المعتاد في فئة ينشر فيها كل مورّد دراسة تفضيلات خاصة به. تدير Artificial Analysis لوحتين، ويظهر النموذجان في كلتيهما.

• Provider Voice — يُقيَّم كل نموذج باستخدام أصواته الأصلية الخاصة به. Sonic 3.6: 1,289 إيلو، #4، الفاصل 95%: 1,275–1,303، 2,732 مقارنة. Voxtral 3 T​TS: 1,217 إيلو، #13، الفاصل 95%: 1,202–1,232، 1,619 مقارنة.

• صوت مُتحكَّم فيه — يُستنسَخ كل نموذج على الأصوات المرجعية الثمانية نفسها، بحيث يقارن المستمعون المحرك بدلاً من اختيار الأصوات. Sonic 3.6: 1,151 إيلو، المرتبة 5، الفاصل 1,138–1,164. Voxtral 3 TTS: 1,066 إيلو، المرتبة 14، الفاصل 1,049–1,083.

• تم الإصدار — Sonic 3.6 في أغسطس 2026؛ Voxtral 3 TTS في 20 أكتوبر 2026.

• سعر القائمة — 49.00 دولارًا لكل مليون حرف مقابل 13.00 دولارًا لكل مليون حرف، وكلاهما وفقًا لما تتبعه Artificial Analysis ويتطابق مع التسعير العام لكل بائع.

• الإنتاجية — 145 حرفًا في الثانية كوسيط لـ Sonic 3.6 مقابل 112 لـ Voxtral 3 T​TS، وفقًا لقياس Artificial Analysis.

• الأوزان — مغلقة لكليهما. لا يمكن استضافة أيٍّ منهما ذاتيًا بموجب ترخيص متسامح.

هناك تفصيلان عن ذلك الجدول يسهل تجاوزهما ولا ينبغي ذلك. نتيجة Controlled Voice هي الأكثر صدقًا من بين الاثنتين، لأنها تزيل ميزة امتلاك مكتبة أصوات جيدة، وهناك يتسع الفارق من 72 نقطة إلى 85. Sonic 3.6 لا يفوز في اختيار الأصوات؛ بل يفوز في التوليف. التفصيل الثاني هو عدد العينات. لدى Voxtral 3 TTS 1,619 مقارنة على لوحة المزوّد، أي أقل بنحو 40% من Sonic 3.6، وبالتالي فإن فاصل الثقة الخاص بها أوسع بالمقابل. نتيجة اليوم الثاني نتيجة حقيقية، لكنها ستتغير.

من أين تأتي 72 نقطة Elo، ميزةً بميزة

إن Elo هو حاصل جمع تفضيلات، وليس تشخيصًا، لذا يجدر بنا أن نسأل: أي قرارات المنتج أنتجته؟ لقد صُمّم النموذجان لمهمّتين مختلفتين، والمواصفات تُظهر ذلك.

بنَت Cartesia محرك بث. والادعاء الرئيسي في Sonic 3.6 هو أن أول صوت يصدر في أقل من 90 مللي ثانية، وذلك وفق صفحة مورّد تتصدّرها السرعة. أما أدوات التحكم فيه فهي تلك التي يحتاجها وكيل مباشر: إشارات ضمنية مثل الضحك، وتعديل مستوى الصوت والسرعة، وقواميس نطق مخصصة، وعاطفة مستنتجة من السياق. وهو نموذج مصمم ليُستدعى في منتصف المحادثة وليبدأ التحدث فورًا تقريبًا.

بنَت Mistral صوتًا استوديويًا بغلاف مؤسسي. يوفّر Voxtral 3 TTS أكثر من 35 لغة وأكثر من 50 لهجة، وإعدادات صوتية مسبقة الضبط في 18 لغة، وتحكمًا على مستوى الموجّه في العاطفة والإيقاع والتشديد، ونطقًا على مستوى الفونيم، ومكتبة مفردات. أما قصة الاستنساخ لديه فهي "Pro Voice": 30 دقيقة من الصوت لإعادة إنتاج شخصية المتحدث ونطاقه العاطفي وأسلوبه عبر اللغات. هذا خط أنابيب تكييف، وليس استنساخًا فوريًا.

النتيجة العملية هي أن النموذجين لا يتنافسان على الموضع نفسه. فعملية تكييف الصوت التي تستغرق 30 دقيقة هي عملية صوت علامة تجارية؛ أما الاستنساخ الفوري في 10 ثوانٍ فهو ميزة موجهة للمستخدم. إذا كان منتجك يتيح للعميل رفع مقطع صوتي وسماع نفسه بصوت مُولَّد، فإن Sonic 3.6 يفعل ذلك، بينما Voxtral 3 TTS، كما هو موثق، لا يفعل.

عدم التماثل في زمن الاستجابة يزيد الأمر سوءًا. تنشر Cartesia رقمًا لزمن الاستجابة، بينما لا تفعل Mistral. ولا يتضمن Voxtral 3 TTS أي رقم منشور لزمن الوصول إلى أول صوت في أي موضع من مواد الإطلاق؛ وأقرب رقم هو الادعاء بأقل من 500 مللي ثانية الخاص بنموذج النسخ الفوري المنفصل. الرقم الغائب ليس رقمًا سيئًا، لكنه في قرار الشراء مخاطرة تتحملها، والمورّد الذي ينشر رقمه هو الخيار الافتراضي الأكثر أمانًا لأي استخدام تفاعلي.

حساب التكلفة، على النطاق الذي يصبح فيه الأمر مؤثرًا فعليًا

يبدو التسعير لكل حرف تجريديًا حتى يُضرب في الحجم. عند نحو 900 حرف لكل دقيقة منطوقة، فإن ساعة واحدة من الكلام المتواصل تعادل نحو 54,000 حرف.

• ساعة واحدة من الصوت — Sonic 3.6: حوالي 2.65 دولارًا. Voxtral 3 TTS: حوالي 0.70 دولارًا.

• ألف ساعة شهريًا — Sonic 3.6: نحو 2,650 دولارًا. Voxtral 3 T​TS: نحو 700 دولار. بفارق نحو 23,400 دولار سنويًا.

• عشرة آلاف ساعة شهريًا — Sonic 3.6: حوالي 26,500 دولار. Voxtral 3 TTS: حوالي 7,000 دولار. بفارق نحو 234,000 دولار سنويًا.

في الطرف الأدنى من ذلك النطاق، تكون الفجوة بندًا يتجادل بشأنه أحدهم. وفي الطرف الأعلى تكون عددًا من الموظفين. هذه هي الحجة كاملة لصالح Voxtral 3 TTS، وهي حجة قوية لأي عبء عمل يكون فيه الصوت طويلاً ومُولَّدًا مسبقًا: الكتب الصوتية، ووحدات التعلم الإلكتروني، وسرد الكتالوجات، وخطوط الدبلجة. في تلك المهام، يظهر 72 Elo كقراءة أقل طبيعية قليلاً في نسبة صغيرة من الجمل، ولا يقارنه المستمع بأي شيء.

يتغير شكل الحساب عندما يؤدّي النموذجان وظيفتين مختلفتين في منتج واحد. يحتاج خط الدعم إلى زمن استجابة Sonic 3.6 وإلى بدء في أقل من ثانية؛ ولا يحتاج السرد التسويقي للشركة نفسها إلى ذلك. إن دفع $49 للوظيفة الثانية هو $49 تُنفق على قدرة لا تستطيع الوظيفة استخدامها — وأوضح طريقة للاحتفاظ بكليهما دون عمليتي شراء منفصلتين هي طبقة توجيه تتعامل مع النموذج كمعامل. وهذه هي الحجة لصالح إعداد OrcaRouter بدلًا من أي من المورّدين: واجهة برمجة تطبيقات واحدة متوافقة مع OpenAI عبر أكثر من 200 نموذج، مع تمرير سعر قائمة المورّد كما هو دون هامش ربح 0%، ولغة توجيه (DSL) تسمح بإرسال مهمة سرد على دفعات ومكالمة في الوقت الفعلي إلى خلفيات مختلفة باستخدام المفتاح نفسه. لا يتوفر Sonic 3.6 ولا Voxtral 3 TTS في كتالوج OrcaRouter حتى كتابة هذه السطور، لذا يتم الوصول إليهما اليوم عبر واجهات برمجة التطبيقات الخاصة بمورّديهما وعدة منصات تابعة لجهات خارجية — والنقطة هي شكل التكامل عندما يتوفران.

ثلاثة اعتراضات تحسم الأمر عمليًا

أولاً: اللغة. تعلن Cartesia عن دعم 44 لغة من نموذج واحد. وتعلن Mistral عن دعم 35+ لغة و50+ لهجة، مع إعدادات مسبقة في 18 لغة. على الورق، تغطي Mistral نطاقاً أوسع؛ لكن عملياً، يمثّل عدد اللهجات وعداً بشأن اتساع التغطية، وليس وعداً بأن كل لهجة قد جرى تقييمها. إذا كانت خارطة طريقك تشمل سوقاً لا يملك أي من المورّدين عرضاً تجريبياً له، فاطلب عينة بدلاً من الاكتفاء بقراءة العدد. الموضع الوحيد الذي تكون فيه Mistral أقوى بلا لبس هو التغطية الأوروبية: فهي تزعم تغطية جميع لغات الاتحاد الأوروبي الرسمية الـ24 في نماذج النسخ، و35+ لغة في التركيب الصوتي، كما أن Mistral شركة فرنسية تبيع في مجال المشتريات في الاتحاد الأوروبي، مع خيارات لإقامة البيانات عبر نقاط نهاية في الاتحاد الأوروبي والولايات المتحدة وعالمية. ولا تملك Sonic 3.6 طرحاً مكافئاً للنشر السيادي.

الثاني هو التحكم في النطق في بيئة الإنتاج. هنا يكون تضليل فجوة Elo في أقصاه. فالنموذج الذي يقرأ «د. نغوين» قراءة صحيحة دون قاموس قد يأتي في مرتبة أدنى من نموذج يبدو أكثر طبيعية في النثر العام. تطرح Voxtral 3 TTS مكتبة مفردات وتحكمًا في الفونيمات؛ بينما تطرح Sonic 3.6 قواميس نطق مخصصة وإشارات إلقاء مضمّنة. كلاهما يمتلك هذه الميزة. ميزة Mistral موجّهة إلى الأسماء ومصطلحات العلامات التجارية في محتوى المؤسسات؛ أما ميزة Cartesia فموجّهة إلى المشكلة نفسها داخل مكالمة بث. اختبر معجمك الخاص — قائمة بأسماء منتجات وأسماء عائلية واختصارات تُقرأ بصوت عالٍ — قبل أن يُؤخذ أي من التقييمين في الحسبان.

الثالث هو ما يحدث عندما يمرّ أحد المورّدين بيوم سيئ. خط أنابيب صوتي بنقطة نهاية واحدة يفشل مغلقًا: تتدهور نقطة النهاية ويصمت المنتج. يقع Sonic 3.6 وVoxtral 3 T​TS على بنيتين تحتيتين مختلفتين وبنمطي فشل مختلفين، ومسار الاحتياط بينهما يستحق التصميم قبل الحاجة إليه. التبديل التلقائي عند الفشل عبر المزوّدين هو الشيء المحدد الذي يمنحك إياه الموجّه هنا، وهو أكثر قيمة في الكلام منه في النص لأن الرمز المفقود غير مرئي والمقطع المفقود ليس كذلك.

إذن أي واحد؟

اختر Cartesia Sonic 3.6عندما يكون الصوت طرفًا في محادثة: وكلاء الهاتف، والمساعدون داخل التطبيقات، وشخصيات غير اللاعبين في الألعاب، وأي سياق يصل فيه المقطع الأول قبل أن ينتهي المستخدم من قراءة مؤشر التحميل. أنت تدفع 49 دولارًا لكل مليون حرف مقابل نموذج يبدأ في أقل من 90 مللي ثانية ويسجّل 1,289 على لوحة التصنيف، والسعر مبرَّر أمام كل نموذج آخر في فئة زمن الاستجابة تلك.

اختر Voxtral 3 TTS عندما يكون الصوت مطمئنًا: السرد، والدبلجة، وصوت العلامة التجارية عبر كتالوج كامل، وأي شيء يُنتَج مسبقًا ثم يُشغَّل للاستماع. أنت تدفع 13 دولارًا مقابل نموذج متأخر بـ72 نقطة Elo عن المتصدر وأرخص بـ3.8 أضعاف، مع إقامة البيانات في الاتحاد الأوروبي وخط تكييف للصوت مدته 30 دقيقة يناسب صوتًا مؤسسيًا واحدًا أكثر مما يناسب نسخة مستنسخة لكل مستخدم.

لا تختر أيًا منهما حصريًا إذا كنت تقدّم كلا نوعي الصوت. الخطأ الذي يجب تجنّبه هو الاختيار مرة واحدة ثم دفع سعر النموذج المتميّز مقابل عمل يستطيع النموذج الرخيص إنجازه، أو تحمّل زمن استجابة النموذج الرخيص في موضع يكون فيه قاتلًا. نقطتا نهاية خلف مفتاح واحد هما الإعداد الذي يمنع القرار من أن يصبح دائمًا.

السؤال المفتوح هو ما ستكون عليه قيمة زمن الاستجابة المفقودة لدى Mistral. إذا بثّ Voxtral 3 TTS مع رقم أول صوت قريب بأي شكل من رقم Cartesia، فسيصبح سعر 13 دولارًا حقيقة أصعب في الجدال معها، وسيصبح 72 Elo الشيء الوحيد الذي لا يزال لدى Sonic 3.6. لم تنشر Mistral ذلك، ولم يقِسه أي طرف ثالث، وإلى أن يتغير أحد هذين الأمرين، تبقى خانة البث من نصيب Cartesia افتراضيًا.