مقارنة بين ElevenLabs و Azure Neural Voice للغة العربية: التكلفة، زمن الاستجابة، والتحكم في النطق

السؤال الأول حول أي من هذين المحركين "يبدو بشرياً" باللغة العربية هو سؤال خاطئ. المتصلون بك هم من يقررون ذلك، وفقط بناءً على النص الخاص بك، وبلهجتك، عبر خط الهاتف. لا أحد يستطيع الإجابة على هذا السؤال نيابة عنك من خلال ورقة المواصفات، ونحن من ضمنهم.

ما يمكنك تحديده على الورق هو كل شيء يحيط بالصوت. هذا يعني تكلفة كل محرك بناءً على حجم الاستخدام لديك، ومدى سرعة بدء التحدث، ومقدار التحكم الذي تملكه عندما يخطئ في نطق اسم علامتك التجارية. هذه العوامل الثلاثة تحدد ما إذا كان الـ وكيل الصوتي سيصمد عند التعامل مع متصلين حقيقيين.

موقفنا: ElevenLabs هو الخيار الافتراضي الأقوى عندما تحمل المكالمة وزناً عاطفياً أو تجارياً، مثل المبيعات، أو التجديدات، أو متابعة المرضى. بينما Azure Neural Voice هو الخيار الافتراضي الأقوى عندما تحتاج إلى لهجات إقليمية محددة بوضوح، وتحكم قياسي في العلامات (markup)، وتكلفة منخفضة للوحدة عند الاستخدام بحجم كبير. كلا المحركين سيواجهان صعوبة إذا أرسلت لهما مخرجات الـ النموذج الخام.

لماذا التحدث باللغة العربية أصعب من الإنجليزية

تُكتب اللغة العربية عادةً بدون الحركات القصيرة، أو ما يُسمى بـ التشكيل. يجب على المحرك أن يقوم بـ استنتاج هذه الحركات قبل أن يتمكن من إصدار الصوت.

كلمة "كتب" يمكن أن تُقرأ kataba (كَتَبَ)، أو kutiba (كُتِبَ)، أو kutub (كُتُب). المحرك الإنجليزي يربط الحروف بالأصوات بدرجة معقولة من اليقين. أما المحرك العربي فيجب عليه فهم الجملة أولاً. كل تخمين خاطئ لاسم، أو دواء، أو حي سيكلفك مصداقيتك أمام المتصل.

المشكلة الثانية هي اللهجة. تميل النماذج اللغوية إلى كتابة اللغة العربية الفصحى الحديثة (MSA) بشكل افتراضي. المتصلون في الخليج يتحدثون اللهجة الخليجية. قراءة الفصحى بصوت عالٍ في مكالمة هاتفية تبدو وكأنها نشرة أخبار. إذا كتبت باللهجة بدلاً من ذلك، يجب على محرك الصوت التعامل مع كلمات لا تغطيها قواعد نطق الفصحى. تمت تغطية جانب اللهجات في التقطيع اللفظي العربي، اللهجات والبحث في بيئة الإنتاج. للتعرف على النمط في مكالمة مباشرة، راجع آلة حالة تولد نصاً باللهجة قبل أن يراه الصوت.

كيف يختلف المحركان

كلا المحركين يعتمدان على الشبكات العصبية (neural). لا يقوم أي منهما بتجميع مقاطع مسجلة. الاختلاف يكمن في مقدار ما يقومون بـ استنتاج من السياق مقابل مقدار ما يسمحون لك بتحديده.

يتعامل ElevenLabs مع النص كأداء. تقوم نماذجه متعددة اللغات بقراءة النص المحيط وتشكيل طبقة الصوت، والتوقفات، والتشديد ليتناسب مع السياق. الأسئلة تميل للارتفاع. الاعتذارات تميل للهدوء. أنت تختار صوتاً، وليس منطقة جغرافية، وتتبع اللهجة الصوت والنص الذي ترسله.

هذا ينتج كلاماً معبراً. ولكنه يعني أيضاً أن المحرك يقوم بالتخمين. الأسماء الخاصة النادرة قد تخرج بحركات خاطئة. الخلط بين الفصحى واللهجة في جملة واحدة يمكن أن يؤدي إلى انحراف اللهجة. يوفر ElevenLabs قواميس نطق لتصحيح كلمات معينة. مدى فعاليتها يعتمد على الـ النموذج، لذا اختبرها على اللغة العربية قبل الاعتماد عليها.

ينظم Azure AI Speech الأصوات حسب المنطقة الجغرافية. تختار صوتاً إقليمياً محدداً، مثل ar-SA-HamedNeural للعربية السعودية أو ar-AE-FatimaNeural للعربية الإماراتية. تسرد صفحة دعم اللغات في Azure 16 منطقة عربية، لكل منها صوت ذكر وأنثى. يدعم لغة ترميز تركيب الكلام (SSML)، وهي لغة ترميز قياسية للتحكم في التوقفات، ومعدل التحدث، وطبقة الصوت، واستبدال الكلمات. كما يدعم القواميس المخصصة. راجع وثائق Azure AI Speech للحصول على قائمة الميزات الحالية لكل صوت.

هذا التحكم حقيقي، ولكنه ليس كاملاً. يقوم SSML بإصلاح الكلمات التي تقوم بترميزها. النص غير المرمز يظل معتمداً على التشكيل الخاص بـ الـ النموذج نفسه. التحكم على مستوى الفونيم (phoneme) يختلف أيضاً حسب المنطقة، لذا تأكد من أنه يعمل مع الصوت العربي الذي اخترته. توقع أداءً أكثر ثباتاً واستواءً من ElevenLabs. ما إذا كان المتصلون بك سيسمعون ذلك على أنه "واضح" أو "آلي" هو أمر يجب عليك اختباره، وليس افتراضه.

جدول اتخاذ القرار

لقد تركنا زمن الاستجابة كـ "قم بقياسه" عن قصد. يعتمد الوقت حتى أول صوت على فئة الـ النموذج، والمنطقة، ومسار الشبكة، وحجم الطلب. الرقم المذكور في أي مدونة، بما في ذلك مدونتنا، لا ينطبق بالضرورة على خط الهاتف الخاص بك. لميزانيات خط المعالجة الكامل، راجع دليلنا حول الذكاء الاصطناعي الصوتي بزمن استجابة أقل من 500 مللي ثانية من البداية للنهاية.

قم بإجراء اختبار الاستماع الخاص بك في يومين

هذا هو الدليل الوحيد الذي يجب أن يحسم الاختيار. يكلفك يوماً واحداً من الإعداد وعصر يوم من الاستماع. إذا كان محرك النسخ الصوتي (transcription) لا يزال مفتوحاً للاختيار أيضاً، فإن نفس الاختبار لجانب تحويل الكلام إلى نص يستغرق حوالي أسبوع.

1. ▸اكتب نصاً واحداً باللهجة الخليجية. استخدم 20 إلى 30 دوراً حقيقياً من تدفق مكالماتك. قم بتضمين اسم علامتك التجارية، وثلاثة أسماء أماكن محلية، وسعرين، وتاريخ، ووقت، ورقم هاتف.
2. ▸قم بتطبيع النص (Normalise) مرة واحدة. قم بتطبيق نفس التشكيل وتوسيع الأرقام لكلا المحركين (انظر أدناه). وإلا فإنك تختبر المعالجة المسبقة الخاصة بك، وليس المحركات.
3. ▸قم بتوليد كلا الإصدارين عبر البث (streaming). سجل الوقت حتى أول صوت لكل دور. هذه هي الفجوة بين إرسال النص واستلام أول مقطع صوتي. قم بالإبلاغ عن الوسيط (median) وأبطأ 5% من الأدوار، وليس المتوسط.
4. ▸قم بتشغيلها عبر خط هاتف حقيقي. صوت الهاتف مضغوط. الصوت الذي يتألق على سماعات الاستوديو قد يبدو مسطحاً في مكالمة هاتف محمول.
5. ▸تقييم أعمى مع متحدثين أصليين. اطلب من خمسة إلى عشرة مستمعين خليجيين تقييم كل مقطع دون معرفة المحرك. اسأل ثلاثة أشياء: هل تم نطق كل كلمة بشكل صحيح، هل بدا الصوت محلياً، وهل ستبقى على المكالمة؟
6. ▸احسب الأخطاء. قم بإحصاء الكلمات التي تم نطقها بشكل خاطئ لكل محرك. اسم علامة تجارية خاطئ واحد يهم أكثر من جملة مسطحة قليلاً.

إذا فاز أحد المحركين في جميع أسئلة المستمعين الثلاثة، فقد تم اتخاذ القرار. إذا انقسمت الآراء، فإن معادلة التكلفة أدناه تحسم التعادل.

التكلفة: معادلة، وليست تسعيرة

يقوم كلا الموردين بتغيير الأسعار والفئات بشكل متكرر، لذا استخدم عروض الأسعار الحالية الخاصة بك في هذا الحساب:

التكلفة الشهرية لتحويل النص إلى كلام (TTS) = المكالمات شهرياً × الحروف المنطوقة لكل مكالمة ÷ 1,000 × السعر لكل 1,000 حرف

كرقم للتخطيط، 500 كلمة عربية منطوقة تصل إلى حوالي 2,500 إلى 3,000 حرف. قم بقياس نصوصك الخاصة بدلاً من الوثوق بهذا الرقم. الحركات تعتبر حروفاً منفصلة، لذا فإن إضافة التشكيل يرفع عدد الحروف المفوترة. هذه التكلفة تستحق الدفع، ولكن ضعها في الميزانية. تسرد صفحة تسعير واجهة برمجة تطبيقات ElevenLabs نماذج Flash و Turbo الخاصة بها بسعر 0.04 دولار لكل 1,000 حرف ونماذج Multilingual بسعر 0.08 دولار. تنص Microsoft على أن تحويل النص إلى كلام في Azure يُفوتر لكل حرف، مع تحديد السعر لكل مليون حرف.

ثم قرر ما إذا كانت فجوة السعر تغطي تكلفتها:

التحويلات الإضافية المطلوبة شهرياً = (التكلفة الشهرية لـ ElevenLabs − التكلفة الشهرية لـ Azure) ÷ قيمة التحويل الواحد

إذا كانت المشاهدة المحجوزة أو المريض المحتفظ به ذا قيمة كبيرة، فإن الفجوة تُغلق بفضل عدد قليل من النجاحات الإضافية. إذا كانت المكالمة للتحقق من حالة التوصيل، فلا يوجد تحويل للفوز به. المحرك الأرخص هو الإجابة الصحيحة.

الطبقات الثلاث التي تهم أكثر من المحرك

المشاريع التجريبية الصوتية التي تتعثر غالباً ما تفعل ذلك في الكود الموجود بين الـ النموذج اللغوي ومحرك الصوت. اختيار المحرك يحظى بالنقاش. هذه الطبقات الثلاث هي التي تحقق النتائج.

1. تطبيع النص (Text normalisation). تجنب إرسال مخرجات الـ النموذج الخام إلى أي من المحركين. يجب أن تقوم طبقة سريعة وحتمية بثلاث مهام قبل تركيب الصوت:

• ▸إضافة الحركات للمصطلحات المعروفة. احتفظ بقائمة بأسماء علامتك التجارية، ومنتجاتك، وموظفيك، والأماكن مع تشكيل كامل. قم بتطبيقه على كل استجابة.
• ▸توسيع الأرقام إلى كلمات. الأرقام العربية يتغير شكلها مع الجنس ومع الاسم الذي تعده. "3 غرف" و "3 شقق" لا تُقرأ بنفس الطريقة. إذا تُرك المحرك لنفسه، فقد يقرأ الرقم باللغة الإنجليزية أو بصيغة خاطئة. قم بتوسيع الأسعار، والأوقات، والتواريخ، وأرقام الهواتف إلى الكلمات العربية الصحيحة. تعامل مع كل من الأرقام الغربية (123) والعربية الشرقية (١٢٣).
• ▸توسيع الاختصارات والعملات. يجب أن يصل كل من "AED 1,250" و "د.إ" إلى المحرك ككلمات منطوقة، باللهجة التي اخترتها.

هذه الطبقة رخيصة البناء. كما أنها تصلح معظم شكاوى النطق التي يلاحظها المتصلون.

2. تقسيم البث (Chunking the stream). يكتب الـ النموذج اللغوي النص بضع كلمات في كل مرة. إذا انتظرت جملة كاملة، فسيسمع المتصل صمتاً. إذا أرسلت كل ثلاث كلمات، سيفقد المحرك السياق الذي يحتاجه للحركات والنبرة. قم بالتقسيم عند علامات الترقيم وفواصل الجمل العربية الطبيعية، مثل حروف العطف "و" و "ف"، بمجرد أن يحتوي الـ مقطع على سياق كافٍ. تمت تغطية كيف يقوم الـ websocket بتخزين النص الخاص بك مؤقتاً وما يفعله الحد الأقصى للتزامن في أوقات الذروة في منشور مستقل.

3. التبديل الاحتياطي (Fallback) بين المحركات. كل واجهة برمجة تطبيقات (API) تمر بدقائق بطيئة وانقطاعات. ضع حداً زمنياً للمحرك الأساسي، وأرسل الـ مقطع إلى المحرك الثانوي عند تجاوز الحد. قد يسمع المتصل صوتاً مختلفاً لجملة واحدة، وهو أفضل من الصمت التام. تشغيل ElevenLabs كأساسي و Azure كاحتياطي هو نمط منطقي. يعمل هذا فقط إذا كانت طبقة التطبيع تخدم كلا المحركين، وهو سبب آخر لبناء تلك الطبقة أولاً.

الأسئلة الشائعة

هل يدعم ElevenLabs اللهجات الخليجية مثل السعودية أو الإماراتية؟ لا يوجد مفتاح لتبديل اللهجة. تتبع اللهجة الصوت الذي تختاره والنص الذي ترسله. إذا كتب الـ النموذج اللغوي لهجة خليجية متسقة، فإن المخرجات تتبع ذلك عادةً. الخلط بين الفصحى واللهجة في استجابة واحدة هو السبب الأكثر شيوعاً للانحراف. قم بإصلاح ذلك في الـ موجّه وطبقة التطبيع، ثم تأكد من ذلك في اختبار الاستماع الخاص بك.

كيف نحافظ على زمن الاستجابة لتحويل النص إلى كلام منخفضاً في المكالمات المباشرة؟ استخدم فئة الـ النموذج ذات زمن الاستجابة المنخفض لكل مورد وقم ببث الصوت بدلاً من انتظار ملفات كاملة. ابدأ تركيب الصوت على أول مقطع منطقي بينما لا يزال الـ النموذج اللغوي يكتب. ثم قم بقياس الوقت حتى أول صوت على مسار شبكتك الحقيقي. تتبع أبطأ 5% من الأدوار، لأن هذه هي التي يتذكرها المتصلون.

هل يجب أن نتخطى تحويل النص إلى كلام ونستخدم نموذج تحويل كلام إلى كلام (speech-to-speech) أصلي بدلاً من ذلك؟ تأخذ نماذج تحويل الكلام إلى كلام الأصلية الصوت كمدخل وتنتج صوتاً كمخرج دون خطوة نصية بينهما. يمكنها الاستجابة بشكل أسرع وتبدو أكثر طبيعية. خط المعالجة المتسلسل (تحويل الكلام إلى نص، ثم الـ النموذج اللغوي، ثم تحويل النص إلى كلام) لا يزال يمنحك سجلاً نصياً لكل دور. هذا السجل هو المكان الذي تتحقق فيه من المخرجات، وتسجل القرارات، وتصلح النطق قبل أن يسمع المتصل أي شيء. إذا كانت مكالماتك تحمل متطلبات امتثال أو تدقيق، فاحتفظ بالتسلسل وأعد النظر في السؤال مرة واحدة في السنة.

الخطوة التالية هي اختبار الاستماع، وليس عقد المورد. اكتب النص الخليجي المكون من 30 دوراً هذا الأسبوع، وقم بتشغيله عبر كلا المحركين، ودع آذان المتصلين تتخذ القرار.