Voxtral 3 TTS مقابل Voxtral 4B TTS: النموذج الأحدث الذي لا يمكنك تنزيله

الحقيقة المحرجة بشأن Voxtral 3 T​TS هي أنها أفضل من Voxtral 4B T​TS في كل طريقة قابلة للقياس تقريبًا، وأسوأ في الناحية الوحيدة التي تحسم بعض عمليات النشر: فلا يمكنك الحصول عليها. أطلقت Mistral نموذج Voxtral 4B T​TS في 23 مارس 2026 بأوزان مفتوحة — mistralai/Voxtral-4B-T​TS-2603 على Hugging Face، بترخيص CC BY-NC 4.0، قابل للتنزيل والتشغيل على مسرّعاتك الخاصة. أما Voxtral 3 T​TS فقد ظهر في 20 أكتوبر 2026 كمنتج API فقط. تصف صفحة الإطلاق نقاط نهاية الاتحاد الأوروبي والولايات المتحدة والعالم، وساحات تجربة Studio، والنشر الذاتي على البنية التحتية الخاصة، ولا تقول ولو مرة واحدة إن الأوزان متاحة. لذا فإن الخلف الذي جاء بعد سبعة أشهر أفضل بـ127 نقطة Elo على لوحة الاستماع العمياء (1,217 مقابل 1,090)، وأرخص بنسبة 19% بسعر 13 دولارًا مقابل 16 دولارًا لكل مليون حرف، وأسرع بنحو 42% عند 112 مقابل 79 حرفًا في الثانية — ومع ذلك فهو ليس بديلاً مباشرًا للنموذج الذي يخلفه، لأن النموذج الأقدم هو العضو الوحيد في هذه العائلة الذي يمكن لشركة أن تمتلكه فعلاً. إن حالات فشل الذكاء الاصطناعي الموثقة وحوادث الوكلاء الكامنة وراء إصدارات كهذه مُجمَّعة في أرشيف حوادث الذكاء الاصطناعي في OrcaRouter حيث يحمل كل مدخل مصادره الخاصة ودرجة خطورته ودرجة ثقته وعلمه المتنازع عليه.

نموذجان، سبعة أشهر، وحدّ ترخيص واحد

يستحق ذلك الحدّ أن يُذكر بدقة قبل أي اختبار قياسي، لأنه يعيد ترتيب المقارنة بأكملها.

• Voxtral 4B T​TS — أوزان مفتوحة بموجب CC BY-NC 4.0. غير تجاري. يمكنك تنزيله وفحصه وتشغيله وضبطه الدقيق؛ ولا يجوز لك شحنه داخل منتج مدفوع. هذا القيد موروث من مجموعات بيانات الأصوات المرجعية الكامنة خلفه، وليس من أي قيد تقني في نقطة التحقق. استضافته ذاتيًا لأغراض التقييم الداخلي أمر مقبول؛ أما استضافته ذاتيًا ضمن خدمة تجارية موجهة للعملاء فليست كذلك.

• Voxtral 3 TTS — مغلق. لم تُنشر أي أوزان حتى 21 أكتوبر 2026. إن عبارة "النشر الذاتي على بنية تحتية خاصة أو سحابة خاصة" على صفحة Mistral هي عرض نشر للمؤسسات يتم التفاوض عليه مع البائع، وليس رابط تنزيل، والخلط بين الاثنين هو أسهل خطأ يمكن ارتكابه عند قراءة تلك الصفحة بسرعة.

النتيجة العملية: إذا كان سبب رغبتك في Voxtral 4B T​TS هو أن الصوت لا يغادر شبكتك أبدًا، فإن Voxtral 3 T​TS لا يحل محله إلا إذا وقّعت شيئًا مع Mistral. وإذا كان سببك هو أنه كان أرخص من واجهة برمجة تطبيقات مستضافة، فإن Voxtral 3 T​TS يحل محله من حيث السعر ويتفوق عليه في الجودة، وتختفي مسألة الترخيص لأنك تشتري خدمة لا ملفًا. والفجوة نفسها البالغة سبعة أشهر تُحلّ بشكل مختلف تبعًا لأي من هاتين الجملتين يصف وضعك.

لوحة النتائج

• إيلو الصوت لمزوّد الخدمة — Voxtral 3 TTS: 1,217 (#13 من 98)، فاصل الثقة 95%: 1,202–1,232. Voxtral 4B TTS: 1,090 (#46)، الفاصل: 1,078–1,102. كلاهما وفق Artificial Analysis، بقراءة بتاريخ 21 أكتوبر 2026.

• السعر لكل مليون حرف — 13.00 دولارًا مقابل 16.00 دولارًا. وبمعدل نحو 900 حرف لكل دقيقة من الكلام المنطوق، 0.70 دولار مقابل 0.86 دولار في الساعة.

• الإنتاجية — وسيط 112 حرفًا في الثانية مقابل 79، وفق قياس أجرته Artificial Analysis على المضيف الأصلي لكل نموذج.

• اللغات — Voxtral 3 TTS: أكثر من 35 لغة وأكثر من 50 لهجة، مع إعدادات مسبقة في 18. Voxtral 4B TTS: 9 لغات — الإنجليزية، والفرنسية، والألمانية، والإسبانية، والهولندية، والبرتغالية، والإيطالية، والهندية، والعربية، مع دعم اللهجات.

• تكييف الصوت — Voxtral 3 T​TS: "Pro Voice"، 30 دقيقة من الصوت. Voxtral 4B T​TS: موجّه مرجعي مدته 5–25 ثانية، يُوصف في بطاقة النموذج بأنه قد يصل إلى 3 ثوانٍ فقط.

• الأوزان — مغلقة مقابل مفتوحة (CC BY-NC 4.0).

سطر اللغات هو أكبر تغيير لم يكتب عنه أحد. يغطي Voxtral 4B TTS تسع لغات؛ ويعلن النموذج الجديد عن أكثر من 35 لغة وأكثر من 50 لهجة. وهذا توسّع بمقدار أربعة أضعاف في المنتج، وهو حجة أقوى للترقية من Elo — فـ127 نقطة تنقلك من منتصف لوحة الصدارة إلى منتصفها، لكن الانتقال من تسع لغات إلى خمس وثلاثين يغيّر الأسواق التي يمكنك البيع فيها.

أما خط تكييف الصوت فيسير في الاتجاه المعاكس، وهو التراجع الحقيقي الوحيد. يستنسخ Voxtral 4B TTS من مقطع مرجعي قصير — ثلاثة ثوانٍ فقط وفق بطاقة النموذج، مع وصف البنية لنافذة موجه من 5 إلى 25 ثانية. ويحتاج Pro Voice في Voxtral 3 TTS إلى ثلاثين دقيقة من الصوت لإعادة إنتاج شخصية المتحدث ونطاقه العاطفي وأسلوبه عبر اللغات. ثلاثون دقيقة جلسة استوديو. وثلاث ثوانٍ ميزة. إذا كان منتجك يتيح للمستخدم سماع صوته، فإن النموذج الأحدث أسوأ في هذه المهمة.

ما هو 4B في الواقع، من الداخل

يشير عدد المعلمات في اسم الطراز القديم إلى بنية حقيقية، وهو يفسّر نقاط قوته وسبب أن الخلف ليس مجرد نسخة أكبر منه.

يضم Voxtral 4B TTS قرابة أربعة مليارات معامل موزعة على ثلاثة أجزاء: عمود فقري من وحدة فك ترميز محوّل بحجم 3.4 مليار معامل مبني على Ministral 3B، ومحوّل صوتي لمطابقة التدفق بحجم 390 مليون معامل، ومُرمِّز صوتي عصبي بحجم 300 مليون معامل. وهو يعمل بالانحدار الذاتي عبر مُرمِّز VQ دلالي بمفردات من 8,192 رمزًا، ويغذّي رأس مطابقة تدفق يتنبأ بسمات FSQ الصوتية عبر 36 بُعدًا عند 21 مستوى، بمعدل 12.5 هرتز. بعبارات بسيطة: يقرأ نموذج لغوي صغير النص ويضع خطة، ثم تحوّل شبكة مطابقة التدفق تلك الخطة إلى سمات صوتية، ويحوّل المُرمِّز السمات إلى عينات. وهو يولّد ما يصل إلى دقيقتين أصلاً، وتُعالَج المخرجات الأطول عبر التشابك في API.

كان الرقم الذي نشرته Mistral لطراز مارس هو 70 مللي ثانية من زمن تأخير الطراز لعينة صوتية مدتها 10 ثوانٍ و500 حرف، بمعامل زمن حقيقي يبلغ نحو 9.7×. وقد قِيست تلك الأرقام على حزمة الخدمة الخاصة بـ Mistral، لا بشكل مستقل، وهي تصف طرازًا كان سريعًا فعلًا بالنسبة لجيله. ويشير معدل إنتاجية طراز أكتوبر على Artificial Analysis، وهو 112 حرفًا في الثانية مقابل 79، إلى أن الطراز اللاحق أسرع بعد — لكن Mistral لا تنشر أي زمن حتى أول صوت لـ Voxtral 3 TTS على الإطلاق، وهو إغفال غريب لشركة كان طرازها السابق للتحويل من النص إلى الكلام يتصدّر برقم زمن تأخير.

يظهر جيلان من البنية المعمارية أيضًا في عدد اللغات. تسع لغات في مارس، وأكثر من خمس وثلاثين في أكتوبر، مع زعم نماذج النسخ في هذه العائلة تغطيتها جميع اللغات الرسمية الـ24 في الاتحاد الأوروبي. ومهما تغيّر بين نقطتي التحقق، فقد غيّر بيانات التدريب وتغطية المُرمِّز أكثر بكثير مما غيّر المكدس الصوتي.

من يجب أن يحتفظ بـ 4B، ومن يجب أن ينتقل؟

احتفظ بـ Voxtral 4B T​TS إذا كان أي مما يلي صحيحًا. تحتاج إلى معالجة الصوت على عتاد تتحكم فيه، ولا يمكنك التفاوض على نشر خاص. أنت تجري بحثًا أو تقييمًا، حيث يسمح CC BY-NC 4.0 بالاستخدام ولا يكلف الترخيص شيئًا. تحتاج إلى استنساخ صوتي بمرجع قصير — ثلاث ثوانٍ مقابل ثلاثين دقيقة ليس قرارًا متقاربًا. أنت تعمل بإحدى اللغات التسع التي يغطيها والجودة كافية، وفي هذه الحالة فإن نقطة حفظ مجانية تشغّلها بالفعل أثمن من نقطة حفظ أفضل عليك استدعاؤها.

انتقل إلى Voxtral 3 T​TS إذا كان أي مما يلي صحيحًا. أنت تبيع المخرجات، ولذلك لم يُسمح لك أصلًا باستضافة 4B ذاتيًا لأغراض تجارية على أي حال — وفي هذه الحالة كنت بالفعل تستخدم واجهة API بسعر $0.016 لكل ألف حرف، والسعر الجديد $13 لكل مليون أرخص بنسبة 19% مقابل نموذج أفضل بـ127 نقطة Elo، وهو أسهل ترقية في هذا المقال. تحتاج إلى لغة خارج اللغات التسع الأصلية. تحتاج إلى مكدس الوكيل: يأتي Voxtral 3 T​TS مع SDK لوكيل صوتي قائم على LiveKit، ودعم SIP وWebRTC، وتبادل أدوار الوكيل في أقل من ثانية، وسعر حزمة لكل دقيقة قدره $0.04 مع استدلال Mistral Small 4، ولم يكن أي من ذلك موجودًا حول نموذج مارس.

ثمة فئة ثالثة ينبغي لها تشغيل كليهما، وهي أكبر مما تبدو عليه: فرق تضع نماذج أولية على نقطة التحقق المفتوحة وتقدّم الخدمة عبر API. يمنحك Voxtral 4B TTS نموذجًا محليًا لاختبار المطالبات والأصوات وأنماط الفشل عليه دون تكلفة لكل استدعاء ودون مغادرة أي بيانات للمبنى؛ ويمنحك Voxtral 3 TTS نقطة النهاية الإنتاجية مع تغطية اللغات وترخيص البيع. يشترك الاثنان في سلالة عائلية واحدة لكن ليس في سطح API، لذا خطط لأن المطالبات ستحتاج إلى إعادة ضبط — ففجوة جودة قدرها 127 نقطة تعني نموذجًا مختلفًا، وليست ترقية إصدار، كما أن عناصر التحكم في الاتجاه التي تصرفت على نحو معين على 4B لن تنتقل بالضرورة.

إذا كان مسار الإنتاج يحتاج إلى الصمود أمام انقطاع أحد المورّدين، فهذا هو مبرّر وضع استدعاء التوليف خلف موجّه بدلاً من استدعاء Mistral مباشرة. توفّر OrcaRouter نقطة نهاية واحدة متوافقة مع OpenAI عبر أكثر من 200 نموذج مع تمرير سعر القائمة الخاص بالمورّد كما هو دون أي هامش ربح (0%)، لذا فإن انقطاع أحد الخوادم الخلفية للتوليف يؤدي إلى التحويل تلقائياً إلى بديل بدلاً من الصمت — وخط أنابيب صوتي يُنتج دفعات ليلية هو بالضبط نوع عبء العمل الذي تكلّف فيه نقطة نهاية معطّلة ليلة كاملة بدلاً من طلب واحد. يمكن الوصول إلى نماذج Mistral عبر واجهة API الخاصة بـ Mistral وعدة منصات طرف ثالث؛ راجع الكتالوج لمعرفة التوافر الحالي قبل أن تبني تصميمك على معرّف نموذج بعينه.

السؤال الذي لم تُجب عنه Mistral

هل ستحصل Voxtral 3 TTS على أوزان مفتوحة؟ فعل نموذج مارس ذلك بموجب ترخيص غير تجاري، وأصبح النقطة المرجعية لما تبدو عليه نقطة تحقق TTS مفتوحة من مختبر أوروبي. لا شيء في إطلاق أكتوبر يكرر ذلك. الصفحة صريحة بشأن الوصول عبر API والنشر الخاص، وصامتة بشأن التنزيلات، وهو النمط نفسه الذي اتبعته Mistral مع عدة من نماذجها النصية قبل إطلاق الأوزان بعد أشهر.

إذا ما أُتيحت الأوزان فعلاً، تتغير المقارنة تماماً: ستحدد شروط الترخيص ما إذا كان النموذج المفتوح قابلاً للاستخدام التجاري، والسابقة — CC BY-NC 4.0 — تشير إلى أنه لن يكون كذلك. سيُبقي ذلك الوضع على ما هو عليه تقريباً الآن، حيث يكون النموذج القابل للتنزيل نتاجاً بحثياً والنموذج القابل للاستخدام خدمة.

السؤال الآخر الذي لم يُجَب عنه هو ما إذا كان طراز 4B سيحتفظ بإدراجه في واجهة API. يسرد جدول تسعير الكلام لدى Mistral العائلة الجديدة ولا يذكر طراز مارس، في حين لا يزال Artificial Analysis يتتبعه بسعر 16 دولارًا مع مضيف نشط. تاريخيًا، أبقت Mistral طرازات الكلام الأقدم قابلة للاستدعاء لفترة طويلة الذيل؛ وإذا استمر ذلك، فلدى الفرق خيار احتياطي مفيد حقًا — طراز أسوأ قليلًا وأغلى قليلًا، لكنه مع ذلك نشر مختلف. وإذا لم يحدث ذلك، فعلى كل من بنى على voxtral-mini-tts-latest في مارس أن يتحقق من الطراز الذي يُحل إليه هذا الاسم المستعار الآن قبل فاتورته التالية.

النسخة المختصرة: Voxtral 3 TTS هو النموذج الأفضل والأصل الأسوأ. اشترِه من أجل اللغات والجودة وحزمة الوكلاء؛ واحتفظ بـ Voxtral 4B TTS للعمل المحلي واستنساخ المراجع القصيرة واللغات التسع التي يجيدها بالفعل. أما الترقية الوحيدة الصحيحة بلا لبس فهي الانتقال من واجهة API المستضافة لنموذج 4B إلى الواجهة الجديدة — البائع نفسه، والموقف نفسه تجاه الترخيص، وأرخص وأفضل — وهي الخطوة الوحيدة في هذه المقارنة التي لا تكلّف شيئًا.