Voxtral 3 TTS مقابل Qwen-Audio-3.0-TTS-Plus: صوتان رخيصان، وخريطتان مختلفتان

كلا هذين الطرازين أرخص من الطراز الرائد، وكلاهما خارج نطاقه، ما يجعل الاختيار بين Voxtral 3 TTS وQwen-Audio-3.0-TTS-Plus مسألة تغطية لا مسألة جودة. في لوحة Provider Voice التابعة لـ Artificial Analysis يفصل بينهما 47 نقطة Elo — Qwen عند 1,264 (#7)، وطراز Mistral الجديد عند 1,217 (#13) — وسعراهما 19.31 دولارًا و13.00 دولارًا لكل مليون حرف. ولا تحسم أي من الفجوتين الاختيار. الحاسم هو أن طراز Alibaba بُني حول اللغة الصينية، بما يشمل عشرين منطقة لهجية وستة وثمانين وسم إلقاء مضمّنًا، في حين بُني طراز Mistral حول اللغات الرسمية الأربع والعشرين للاتحاد الأوروبي. إذا كان منتجك يتحدث الماندرين أو الكانتونية أو الهوكيين، ينتهي الجدل عند قائمة اللغات. وإذا كان يتحدث البرتغالية أو البولندية أو الهولندية، فإنه ينتهي هناك أيضًا، في الاتجاه المعاكس. تُجمع حالات فشل الذكاء الاصطناعي وحوادث الوكلاء الموثّقة التي تقف وراء إصدارات كهذا الإصدار في the OrcaRouter AI Incident Archive حيث يحمل كل إدخال مصادره الخاصة ودرجة خطورته ودرجة ثقته وعلامة كونه موضع نزاع.

الأرقام، ومقدار الثقل الذي تحمله

• إيلو الصوتي لمزوّد الخدمة — Q​wen-Audio-3.0-T​TS-Plus: 1,264. Voxtral 3 T​TS: 1,217. كلاهما وفقًا لـ Artificial Analysis، 21 أكتوبر 2026.

• إيلو الصوت المتحكَّم به — Q​wen-Audio-3.0-T​TS-Plus: 1,125 (#7). Voxtral 3 T​TS: 1,066 (#14). تتسع الفجوة من 47 إلى 59 نقطة بمجرد استنساخ كليهما على الأصوات المرجعية الثمانية نفسها، ما يعني أن تفوّق A​libaba يكمن في محرك التركيب، لا في مكتبة الأصوات لديها.

• السعر لكل مليون حرف — 19.31 دولارًا لـ {{1}}Q​wen-Audio-3.0-T​TS-Plus{{/1}}، و13.00 دولارًا لـ {{2}}Voxtral 3 T​TS{{/2}}. وبمعدل نحو 900 حرف لكل دقيقة منطوقة، يعني ذلك 1.04 دولار مقابل 0.70 دولار في الساعة.

• اللغات — A​libaba: 16 لغة بالإضافة إلى 20 منطقة لهجات صينية. Mistral: أكثر من 35 لغة و50+ لهجة، مع إعدادات مسبقة في 18 لغة.

• استنساخ الصوت — Alibaba: استنساخ من صوت مرجعي، بما في ذلك نقل الجرس عبر اللغات. Mistral: تكييف "Pro Voice" من 30 دقيقة من الصوت. لا يوفّر أيٌّ منهما الاستنساخ الفوري خلال عشر ثوانٍ الذي تبيعه Cartesia.

• الأوزان — مغلقة من كلا الجانبين. كلاهما منتجان يعملان عبر API فقط.

• زمن الاستجابة — تنشر Alibaba بشكل منفصل رقمًا لبث أول حرف خاص بنماذج التعرّف لديها ولنموذج صوتي آني؛ ولا تنشر Mistral أي زمن للوصول إلى أول صوت لـ Voxtral 3 TTS. ولا يمكن مقارنة أيٍّ من الرقمين عبر المورّدين، وبالنسبة للتوليف لا يُعد أيٌّ منهما قياسًا مستقلًا.

ملاحظة تحفظية واحدة بشأن أرقام Elo: كان Voxtral 3 T​TS على اللوحة ليوم واحد عندما قُرئت هذه الأرقام، مع 1,619 مقارنة مقابل 2,399 لـ Q​wen. إن فجوة قدرها 47 نقطة داخل فترات ثقة متداخلة عند حجم العينة هذا هي اتجاه، وليست حكماً نهائياً. اقرأها على أنها «من المحتمل أن Q​wen متقدم إلى حد ما» وليس على أنها 47 مقيسة.

حيث يتفوق نموذج A​libaba، وليس تفوقًا هامشيًا

التغطية بالصينية هي الفرق الأول والأكبر، ومن المفيد أن نكون دقيقين بشأن ما تعنيه عبارة «20 منطقة لهجية». خط الكلام لدى A​libaba مبني لسوق محلي تُقابل فيه لغة مكتوبة واحدة كلامًا منطوقًا يشوّهه نموذج لا يدعم سوى الماندرين: الكانتونية، والسيشوانية، والوو، والمنانية، وغيرها. يغطي Q​wen-Audio-3.0-T​TS-Plus تلك المناطق أصلاً، وأضاف الجيل 3.1 من A​libaba نقل الجرس الصوتي عبر اللغات — صوت واحد يُنقل عبر الماندرين والكانتونية والإنجليزية واليابانية — وهي الميزة التي تهم إذا كنت تُوطّن متحدثًا واحدًا بدلًا من تعيين صوت لكل سوق.

الثاني هو التحكم في الأداء على مستوى الرموز. ورث Qwen-Audio-3.0-TTS-Plus مجموعة موثّقة من 86 وسمًا مضمنًا للأداء من جيله، ما يتيح للنص أن يحمل علامات الانفعال والإيقاع والتشديد مباشرةً في النص المكتوب. ويكشف Voxtral 3 TTS من Mistral عن تحكم على مستوى الموجّه في الانفعال والإيقاع والتشديد، إضافةً إلى نطق على مستوى الفونيم ومكتبة مفردات — متماثلان في المقصد، لكن مفردات الوسوم لدى Alibaba هي الأكثر تفصيلًا بين الاثنين على الورق.

الثالث هو أن Alibaba أطلقت منتجًا شقيقًا أرخص. وقد جعل تحديث 3.1 من TTS وحدة SKU من فئة Flash، لذا فإن الفريق الذي يجد فئة 3.0-Plus باهظة جدًا لديه مسار تخفيض موثّق داخل المورّد نفسه، عند نقطة سعرية مماثلة تقريبًا لنقطة Voxtral 3 TTS. وجواب Mistral على «أرخص من فضلك» هو النموذج نفسه أو مورّد مختلف.

والموضع الذي يضعف فيه نموذج A​libaba واضح بالقدر نفسه: 16 لغة تشكّل خريطة صغيرة. إذا كان كتالوجك يعمل بالبولندية أو التركية أو الفيتنامية أو البرتغالية، فإن Q​wen-Audio-3.0-T​TS-Plus لا يغطيك، ولا يمكن لأي مقدار من Elo أن يسد هذه الفجوة.

أين يتفوّق Voxtral 3 T​TS

اتساع اللغات خارج آسيا، بصراحة. يُزعم دعم أكثر من 35 لغة وأكثر من 50 لهجة، مع مجموعة موجهة إلى المشتريات الأوروبية: تذكر Mistral جميع اللغات الرسمية الـ24 في الاتحاد الأوروبي عبر نماذج النسخ ونقاط نهاية API في الاتحاد الأوروبي والولايات المتحدة والعالم، مع النشر الذاتي على بنية تحتية خاصة للمشترين الذين يحتاجون إلى التحكم في مكان معالجة الصوت وما إذا كان يُحتفظ به. بالنسبة لمشترٍ أوروبي في القطاع العام أو الرعاية الصحية، فهذا ليس عامل ترجيح، بل شرط.

العنصر الثاني هو المنظومة المحيطة. لا يُباع Voxtral 3 TTS كنقطة نهاية منفردة: بل يأتي مع SDK للوكيل مبني على LiveKit يدعم SIP وWebRTC وIVR، وادعاء بزمن استجابة لدورة الوكيل أقل من ثانية واحدة، وسعر لكل دقيقة للحلقة الكاملة — $0.04 مع استدلال Mistral Small 4، و$0.08 مع نموذج استدلال مختلف. لدى Alibaba أيضًا نموذج صوتي في الزمن الحقيقي، لكن نموذج Mistral موثّق كعرض حزمة مع رقم منشور لكل دقيقة، وهو أسهل في بناء حالة أعمال عليه من بطاقة أسعار لكل توكن.

الثالث هو السعر، بفارق ضئيل. 13 دولارًا مقابل 19.31 دولارًا تعني خصمًا بنسبة 33%، وعلى نطاق واسع يمثّل ذلك رقمًا حقيقيًا: عشرة آلاف ساعة شهريًا تعني نحو 7,000 دولار مقابل 10,400 دولار. ليس حدثًا لإعادة التسعير، لكنه ليس شيئًا يُستهان به أيضًا.

حجة التوجيه أقوى هنا مما هي في معظم المواجهات

تنتهي معظم المقالات التي تقارن بين نموذجين بعبارة "اختر واحدًا". لكن هذين النموذجين يمثلان مشكلة محفظة حقيقية، لأن خريطتي التغطية لديهما بالكاد تتقاطعان عند الحواف، وكلاهما رخيص بما يكفي لتشغيلهما جنبًا إلى جنب. تحتاج منصة تجارة إلكترونية أوروبية تسرد صفحات المنتجات بثماني لغات من لغات الاتحاد الأوروبي وتخدم أيضًا قاعدة عملاء ناطقة بالكانتونية إلى كليهما. وينطبق الأمر نفسه على دار دبلجة تعمل على مسلسل بحوار بالماندرين وترجمة فرنسية.

الجزء المزعج في تشغيل كليهما ليس اختيار النموذج، بل التوصيلات: مورّدان، وطريقتا مصادقة، وعلاقتا فوترة، ومجموعتان من أنماط الأعطال. OrcaRouter موجود تحديدًا لهذا النمط — مفتاح واحد متوافق مع OpenAI عبر أكثر من 200 نموذج، وسعر القائمة لدى المزوّد يُمرَّر دون أي هامش ربح (0%) بحيث يسري أي تغيير في سعر المزوّد في اليوم نفسه، وDSL للتوجيه يمكنها إرسال طلب موسوم بلغة إلى النموذج الذي يغطي تلك اللغة. لا يوجد أي من Voxtral 3 TTS أو Qwen-Audio-3.0-TTS-Plus في كتالوج OrcaRouter حتى وقت كتابة هذا النص، وكون واجهة API واحدة تخدم أكثر من 200 نموذج هو ادعاء يخص الكتالوج الذي نشغّله فعلًا، وليس هذين النموذجين — فاليوم يُوصَل إلى كليهما عبر واجهات API الخاصة بمورّديهما ومن خلال عدة منصات تابعة لجهات خارجية. وتبقى الفكرة التصميمية قائمة على أي حال: إذا كانت مصفوفة اللغات لديك تتطلب مورّدين، فأنت تريد أن يكون هذا الانقسام في قاعدة توجيه بدلًا من مساري كود.

ما لم ينشره أيٌّ من المورّدين

ثلاث فجوات، وهي نفس الفجوات الثلاث في كلتا الحالتين، مما يعكس إلى أي حد لا يزال هذا المستوى من السوق حديثًا.

لا توجد درجات لكل لغة. كلا رقمَي Elo إجماليان. قد يكون النموذج عند 1,264 إجمالًا ممتازًا في الماندرين ومتوسطًا في الفرنسية؛ ولا تستطيع لوحة التصنيف أن تخبرك بذلك، ولا ينشر أي من المورّدين تفصيلًا حسب اللغة. لأي قرار يتوقف على الجودة في لغة معينة، فإن الاختبار الموثوق الوحيد هو مجموعة النصوص الخاصة بك، يقرأها متحدث أصلي لا يُخبَر بأي نموذج أنتج أي عينة.

لا يوجد رقم لتحمّل النصوص الطويلة. مقاطع Arena لا تتجاوز ثوانٍ. ولا يوثّق أي من النموذجين حدًا أقصى لطول التوليد في نقطة نهاية TTS الخاصة به، ولا يملك أي منهما اختبارًا منشورًا لاتساق عبر عشر دقائق — وهو الطول الذي ينجح عنده الكتاب الصوتي أو يفشل. وقد نقل جيل Qwen 3.1 توليد المشاهد الطويلة إلى -Next نموذج منفصل بدلًا من توسيع نقطة نهاية TTS، وهو اعتراف ضمني بأن النموذج الأساسي ليس أداة النصوص الطويلة.

لا يوجد قياس مستقل لزمن الاستجابة. لا تنشر Mistral أي أرقام عن تركيب الكلام في Voxtral 3 T​TS؛ بينما تنشر A​libaba أرقام المورّد. تذكر Artificial Analysis إنتاجية وسيطة تبلغ 112 حرفًا في الثانية لـ Voxtral 3 T​TS، لكن ليس لـ Q​wen-Audio-3.0-T​TS-Plus على الصفحة نفسها. في وكيل صوتي مباشر، يحدد الزمن حتى أول صوت تجربة المنتج أكثر مما يحدده Elo، وهو الرقم الأقل توثيقًا في الفئة.

الانقسام الصادق

اختر Q​wen-Audio-3.0-T​TS-Plus إذا كان المنتج يتحدث الصينية — الماندرين بلكنات إقليمية، أو الكانتونية، أو التبديل اللغوي بين الصينية والإنجليزية — أو إذا كنت بحاجة إلى علامات تسليم تفصيلية داخل النص المنسوخ وترغب في مورد لديه طبقة أرخص موثقة تحت الطراز الرائد. يكلف 48% أكثر من Voxtral وهو متقدم بشكل قابل للقياس على كل من اللوحتين؛ للعمل الذي تكون الصينية أولاً فيه، هذا إنفاق جيد.

اختر Voxtral 3 T​TS إذا كان المنتج يتحدث اللغات الأوروبية، أو إذا كانت إقامة البيانات داخل الاتحاد الأوروبي متطلبًا شرائيًا، أو إذا كنت تبني وكيلًا صوتيًا وتريد التوليف مضمّنًا مع SDK للوكيل وسعرًا منشورًا لكل دقيقة. أنت تتخلى عن 47 نقطة Elo وتكسب خريطة لغات تغطي الأسواق التي تبيع فيها.

اختر كليهما — ووجّه بينهما — إذا كان جمهورك يمتد فعلاً عبر الخريطتين. وفق قراءة الإيلو لكل دولار، فإن الاثنين متقاربان بما يكفي بحيث ينبغي أن يُحسم التعادل على أساس التغطية، لا على أساس النتيجة، والمنتج الذي لديه عملاء في غوانغتشو وغدانسك ليس له إجابة صحيحة واحدة.

الشيء الجدير بالمراقبة هو ما إذا كان أي من المورّدين ينشر تفصيلاً حسب اللغة. في اللحظة التي يفعل فيها أحدهم ذلك، تتوقف هذه المقارنة عن كونها جدالاً حول الخرائط وتصبح جدالاً حول القياسات، وهو جدال أفضل خوضه.