ElevenLabs أم Cartesia: اختيار واجهة تحويل النص إلى كلام لحظي ومعالجة المقاطعات وميزانية الأحرف
على الفرق التي لديها أصوات في ElevenLabs التحقق من تكامل TTD المطلوب لـ v4 Turbo. ويمكن لمن يبني تطبيق صوت لحظي من الصفر البدء بتقييم إدارة السياقات في Cartesia. اختبر المقاطعة والتشغيل بالنصوص نفسها، ثم احسب الميزانية وفق الأحرف والطلبات المتزامنة وقت الذروة.
عندما يقرأ مساعد خدمة العملاء إجابته أثناء توليدها، تكون اللحظة الأصعب غالبًا حين يقاطعه المستخدم: يجب أن تتوقف الإجابة القديمة وأن تبدأ الجديدة بصورة طبيعية. يستطيع كل من ElevenLabs وCartesia توفير طبقة تحويل النص إلى كلام (TTS). ينبغي للفرق التي لديها أصوات في ElevenLabs وتريد استخدام v4 Turbo أن تقيّم أولًا تكلفة دمج بروتوكول Text to Dialogue. أما الفرق التي تبني من الصفر تطبيقًا لحظيًا بصوت واحد وتريد إدارة التوليد والإلغاء بحسب السياق، فيمكنها تقييم Cartesia أولًا. يجب أن يستند القرار إلى الصوت الفعلي والواجهة والفاتورة، لا إلى أصغر رقم لزمن الاستجابة على الموقع.
هل اكتمل النص بالفعل؟
لنفترض مساعدًا صوتيًا يجيب عن أسئلة الطلبات: يعيد النموذج اللغوي النص على أجزاء، وينتج TTS الصوت، ويتولى المشغّل تشغيله. نقارن هنا واجهات التوليد داخل مسار الصوت اللحظي نفسه، دون الهاتف أو التعرف على الكلام أو النموذج اللغوي أو منصات Agents الكاملة. إذا كانت الإجابة قد اكتملت، فمن المفيد تقييم بث الصوت عبر HTTP أولًا. وإذا كان المطلوب إضافة النص باستمرار، فركّز على التخزين المؤقت للمدخلات وإشارات الانتهاء في WebSocket. بث الصوت الناتج لا يعني بالضرورة إمكان إضافة النص المدخل باستمرار.
بحسب التحقق في 10 نوفمبر 2026، تميّز مقارنة بروتوكولات ElevenLabs بين مسارين: /v1/text-to-speech/{voice_id}/stream-input لنماذج TTS المدعومة مثل Flash، و/v1/text-to-dialogue/stream-input لـ v4 وv4 Turbo. يسجّل المسار الثاني الأصوات أولًا، ثم يتلقى inputs التي تحتوي على text وvoice_id. لذلك لا يكفي تغيير اسم النموذج في تكامل Flash قديم إلى eleven_v4_turbo. ويسمح v4 Turbo بتسجيل صوت واحد فقط؛ فلا ينبغي تصميم حوار متعدد الشخصيات لمجرد أن اسم الواجهة يتضمن Dialogue.
تعرض وثائق نماذج Cartesia الحالية نموذج Sonic 3.6. وتستخدم واجهة WebSocket حقولًا مثل transcript وcontext_id وتنسيق المخرجات، وتعيد مقاطع صوتية مرتبطة بالسياق. ويمكن للفرق التي تحتاج إلى اختبار الترقية قبل اعتمادها استخدام نسخة مؤرخة مثل sonic-3.6-2026-08-27، بينما يتبع sonic-3.6 أحدث نسخة مستقرة. يساعد تثبيت الإصدار على معرفة ما إذا كان تغير الصوت ناتجًا عن نص جديد أم عن تحديث النموذج.
متى يبدأ الكلام قبل اكتمال الجملة؟
يوفر مسار TTS في ElevenLabs جدولة بحسب طول المقاطع؛ أما مسار TTD فيخزن النص مؤقتًا على الخادم، ويمكن تحفيز الإخراج باستخدام flush. ويضع التفريغ اليدوي في Cartesia حدودًا تربط النص بالصوت داخل السياق نفسه، وتحمل المقاطع المقابلة flush_id. ويجمع الطلب الموضح في الوثائق بين transcript فارغ والسياق نفسه وcontinue=True وflush=True. تختلف دلالات هذه العلامات، لذلك لا ينبغي اختزال الانتقال بين الخدمتين في استبدال اسم SDK.
مثلًا، قد يؤدي فرض الإخراج قبل اكتمال رقم الطلب إلى فصل أرقامه على نحو يصعب فهمه، بينما قد يجعل انتظار الإجابة كاملة الصمت يبدو طويلًا. استخدم المجموعات الثلاث نفسها من النصوص: جمل قصيرة مكتملة، ومعرّفات طويلة، وتصحيحات في منتصف الإجابة. سجّل وقت توفر النص أول مرة، ووصول أول مقطع صوتي، وبدء التشغيل الفعلي، وقارن الوسيط والطلبات الأبطأ. لم تُجرَ في هذه المقالة اختبارات بظروف شبكة وأصوات متطابقة، لذلك لا نحدد فائزًا في سرعة الاستجابة الفعلية. كما أن زمن استجابة النموذج الذي يعلنه المورّد ليس إجمالي الانتظار حتى يسمع المستخدم الكلام.
عندما يقاطع المستخدم، توفر Cartesia طلب cancel يتضمن context_id، بينما يوضح دليل TTS متعدد السياقات في ElevenLabs إغلاق السياق القديم وإنشاء سياق جديد. عند اعتماد v4 Turbo، تحقّق من صيغة TTD المقابلة بدلًا من نسخ مثال Flash. وفي الحالتين، يظل على التطبيق إيقاف إرسال النص القديم ومسح الصوت المنتظر محليًا وتجاهل البيانات المتأخرة من السياق السابق. إلغاء التوليد على الخادم لا يسحب تلقائيًا الصوت الذي دخل قائمة انتظار المشغّل.
احسب الميزانية بالأحرف، ثم تحقق من التزامن وقت الذروة
لنفترض 1,000 إجابة شهريًا، يُرسل في كل منها 500 حرف قابل للفوترة: الإجمالي 500,000 حرف، دون احتساب إعادة المحاولة وإعادة التوليد بعد المقاطعة في البداية. تعرض قائمة أسعار API في ElevenLabs سعر 0.04 دولار أمريكي لكل ألف حرف لـ v4 Turbo و0.08 دولار أمريكي لـ v4. وبذلك يكون تقدير الاستخدام 20 و40 دولارًا أمريكيًا على التوالي. هذه حسابات بالأسعار المعلنة للوحدة، وليست فاتورة نهائية تشمل جميع شروط الحساب.
تحدد صفحة أسعار Cartesia رصيدًا واحدًا لكل حرف في Sonic. تبلغ تكلفة Pro خمسة دولارات أمريكية شهريًا وتشمل 100,000 رصيد؛ وعند تفعيل الاستخدام الزائد، تبلغ تكلفة كل مليون رصيد إضافي 65 دولارًا أمريكيًا. وبالافتراضات نفسها: 5 + 0.4 × 65 = 31 دولارًا أمريكيًا. تبلغ تكلفة Startup 49 دولارًا أمريكيًا شهريًا وتشمل 1.25 مليون رصيد، لكن زيادة الحصة وحدها لا تبرر الترقية: يسمح Pro بثلاثة طلبات TTS متزامنة، وStartup بخمسة، وقد يحدد الطلب وقت الذروة الخطة أولًا. لا يرتب هذا المثال القيمة الإجمالية للخدمتين، ولا يحتسب أرصدة Agents ضمن أرصدة TTS.
ينبغي أن تشمل الميزانية الفعلية النص المعاد إرساله بسبب إعادة المحاولة وتعديل المحتوى وإعادة التوليد بعد المقاطعة، مع التحقق من الفاتورة لمعرفة كيفية احتساب الطلبات الملغاة. وإذا استُخدم التعرف على الكلام أو الهاتف، فأضف تكلفتهما بصورة منفصلة. تختلف كثافة النص في الدقيقة باختلاف اللغة وسرعة الكلام والتوقفات؛ لذلك لا تمثل تقديرات الدقائق لدى المورّدين حجم العمل نفسه بالضرورة. كما أن كفاية الأرصدة لا تضمن عدم انتظار طلبات التوليد أو فشلها وقت الذروة.
تأكد من إمكان استخدام الصوت المختار في هذا النشاط
تربط وثائق الاستخدام التجاري في ElevenLabs الحقوق التجارية بالخطط المدفوعة وامتلاك الحقوق في المحتوى المدخل. وتشترط وثائق إدارة الأصوات الإذن بالاستنساخ، بينما يخص Professional Voice Cloning صوت المستخدم نفسه. وتدرج Cartesia ترخيص الاستخدام التجاري ضمن Pro؛ وتشترط سياسة الاستخدام المقبول تقديم تسجيلاتك الخاصة أو تسجيلات أشخاص آخرين بموافقتهم الصريحة. شراء الخطة لا يعوض إذن المتحدث. ولا ينبغي لشركة تملك تسجيلًا لموظف أن تفترض جواز استخدام صوته في خدمة العملاء إلى أجل غير محدد.
في النهاية، اجعل الخدمتين تقرآن المجموعة نفسها من نصوص العمل المصرّح بها، ثم قارن نطق المعرّفات باللغة المستهدفة، والانتقال بين الجمل، وتوقف التشغيل بعد المقاطعة. إذا كان لديك صوت مناسب في ElevenLabs وكنت مستعدًا لتكييف التكامل مع TTD، فجرّب v4 Turbo أولًا. وإذا كانت أولويتك إلغاء السياق ونسخ النموذج المؤرخة وميزانية أحرف صغيرة، فجرّب Cartesia أولًا. وإذا لم يكن في الفريق مسؤول عن قوائم انتظار التشغيل ومعالجة المقاطعات ومراقبة الفوترة، فلن يحل تغيير مورّد TTS هذه الأعمال.
ملاحظة حول المحتوى:يستند هذا المقال إلى معلومات متاحة للعموم ويُعد مرجعًا للمساعدة في اختيار الأدوات. قد تتغير الميزات والأسعار والسياسات ذات الصلة في أي وقت، لذا يُرجى الرجوع إلى أحدث المعلومات الرسمية.
المصدر الأصلي:elevenlabs.io