Artificial Analysis تقيس زمن بدء الكلام في نماذج TTS: من 76 مللي ثانية إلى ما يقارب الثانية
أضافت Artificial Analysis إلى تصنيف تركيب الكلام (TTS) مقياس Time to First Audio، أي الزمن الذي يمر حتى يُسمع أول صوت. تخيّل روبوت صوتي: تطرح عليه سؤالاً فيصمت ثانية كاملة، فيبدو لك أن الاتصال انقطع. لدى النماذج الرائدة تتراوح هذه المهلة بين 76 مللي ثانية وما يقارب الثانية. وللحوار الحي يُفضَّل اختيار النماذج التي تدعم البث المتدفق (streaming).
معالج بواسطة الذكاء الاصطناعي من X: @ArtificialAnlys؛ بتحرير Hamidun News
تبني وكيلاً صوتياً لدعم العملاء. يطرح المستخدم سؤالاً، وقد كتب النموذج اللغوي الإجابة بالفعل، لكن السماعة صامتة: فمُركِّب الكلام لم يُصدر أي صوت بعد. في هذه اللحظة لا ينشغل الإنسان بجمال النبرة، بل يستنتج أن الاتصال انقطع. هذه المهلة تحديداً قررت Artificial Analysis قياسها بشكل منفصل: فقد أضافت إلى اختبارات تركيب الكلام لديها (Text to Speech، أو TTS، أي تحويل النص إلى صوت) مقياس Time to First Audio، أي «الزمن حتى أول صوت». لدى النماذج الرائدة يقع هذا الانتظار بين 76 مللي ثانية وما يقارب الثانية.
كانت مقارنات نماذج TTS تتضمن سابقاً جودة الصوت والنطق وسرعة التوليد. لكن أياً من هذه الأرقام لا يجيب عن سؤال بسيط: كم ينتظر الشخص قبل أن يسمع شيئاً؟ وعلى ذلك يتوقف شعور المستخدم بأن الوكيل محاور حي أم جهاز رد آلي تتخلله فترات صمت.
كيف يجري القياس
المنهجية صارمة نسبياً. يُختبر كل نموذج يومياً على 12 مدخلاً نصياً (prompt) ثابتاً، وتأتي النصوص بأربعة أطوال مختلفة. ولا يُحتسب الزمن حتى وصول أول بايت من البيانات، بل حتى اللحظة التي يظهر فيها في الاستجابة كلام مسموع. ويعرض التصنيف النهائي المتوسط المتحرك لـ 7 أيام، فلا يؤثر ارتفاع عارض في الحمل على الصورة العامة.
وفي المحادثة، الفارق بين طرفي النطاق كبير: فمئة مللي ثانية لا يكاد الإنسان يلاحظها، أما الثانية الكاملة فتُحَسّ كتعثر.
من الأسرع
بين النماذج الأكثر تقدماً، حقق Simba 3.5 أفضل توازن: يبدأ الكلام خلال 116 مللي ثانية، ويملك أعلى Arena Elo بين جميع النماذج التي يقل زمنها عن 200 مللي ثانية. وArena Elo هو تصنيف لجودة الصوت يُبنى على مقارنات النماذج بعضها ببعض. يليه Realtime TTS-2 بزمن 186 مللي ثانية.
وتبدو نسخ «Turbo» لافتة. يبدأ Eleven v4 Turbo خلال 258 مللي ثانية، بينما يحتاج Eleven v4 العادي إلى 653 مللي ثانية، مع أن قيمة Arena Elo متطابقة لديهما. أي أن التسريع بنحو مرتين ونصف تحقق دون خسارة في الجودة وفق هذا التصنيف. ويسجل Fish Audio Drama 3 الزمن نفسه، 258 مللي ثانية، فيما يسجل Sonic 3.6 زمن 287 مللي ثانية.
البث المتدفق خط فاصل
لا يمر التقسيم الرئيسي بين العلامات التجارية، بل بين البنى المعمارية. فـ 65 نموذجاً تدعم البث المتدفق: إذ ترسل الصوت على دفعات بينما يستمر تجهيز بقية النص. ووسيط زمن البدء لديها 376 مللي ثانية. أما 20 نموذجاً أخرى فلا تدعم البث: ما دامت العبارة كلها لم تُولَّد، لا يتلقى المستخدم شيئاً. ووسيط الزمن لديها 2.0 ثانية. وكلما طالت العبارة، زاد خسران هذه البنية، لأن الانتظار يشمل التوليد بأكمله.
ما العمل بهذه النتائج
الخلاصة العملية لمن يبني وكلاء صوتيين أو سيناريوهات مراكز الاتصال أو التعليق الصوتي في التطبيقات مباشرة إلى حد كبير:
- لا تختر نموذج TTS بالاعتماد على تصنيف الجودة وحده. فنموذج بصوت ممتاز لكن بمهلة ثانية كاملة قد يفسد الإحساس بحوار حي.
- في السيناريوهات الحوارية اعتمد النماذج التي تدعم البث المتدفق، وانظر إلى نسخ Turbo: فلدى Eleven v4 Turbo درجات الجودة نفسها التي لدى النسخة العادية، لكن بدايته أسرع بمقدار 2.5 مرة.
- تذكّر أن الزمن الكلي لاستجابة الوكيل يتألف من التعرف على الكلام وإجابة النموذج اللغوي والتركيب الصوتي. وTTS ليس سوى الحلقة الأخيرة، لكنه هو الذي يحدد متى يسمع المستخدم الإجابة للمرة الأولى.
القيود
هذه قياسات أجرتها جهة مستقلة واحدة على 12 مدخلاً نصياً، وفي المنتج الحقيقي ستكون الأرقام مختلفة: فالشبكة والمنطقة الجغرافية والحمل وطول عباراتك ستضيف عشرات أو مئات المللي ثانية. كما أن الإعلان لم يكشف جميع التفاصيل، ومنها مثلاً كيف اختيرت أطوال الإدخال الأربعة تحديداً. لذلك من الأفضل استخدام التصنيف كمرجع لإعداد قائمة مختصرة، وترك القرار النهائي إلى ما بعد اختبار خاص على حركة بياناتك. لكن مجرد أن أصبح للقطاع قياس علني مشترك للزمن حتى أول صوت يساعد على المقارنة بين النماذج بحسب ما يشعر به المستخدم فعلاً.
- 18 نوفمبر 2026Eleven v4 Turbo يبدأ الكلام خلال 258 مللي ثانية بدل 653 مللي ثانية وبجودة الصوت نفسها
- 24 يوليو 2026نموذج Qwen Audio 3.0 TTS Plus من Alibaba يتصدر تصنيف Speech Arena لتحويل النص إلى كلام
- 8 نوفمبر 2026GLM-5.3: نقاط النهاية الأسرع في البث تستغرق 18–26 ثانية قبل ظهور أول توكن
- 27 أكتوبر 2026كيف تتجنّب التخمين في التوسّع التلقائي لتركيب الكلام: AWS تقيس سقف 50 طلبًا لكل GPU
أسئلة وأجوبة حول الخبر
ما أبرز التفاصيل حول كيف يجري القياس؟
المنهجية صارمة نسبياً. يُختبر كل نموذج يومياً على 12 مدخلاً نصياً (prompt) ثابتاً، وتأتي النصوص بأربعة أطوال مختلفة. ولا يُحتسب الزمن حتى وصول أول بايت من البيانات، بل حتى اللحظة التي يظهر فيها في الاستجابة كلام مسموع. ويعرض التصنيف النهائي المتوسط المتحرك لـ 7 أيام، فلا يؤثر ارتفاع عارض في الحمل على الصورة العامة. وفي المحادثة، الفارق بين طرفي النطاق كبير: فمئة مللي ثانية لا يكاد الإنسان يلاحظها، أما الثانية الكاملة فتُحَسّ كتعثر.
ما أبرز التفاصيل حول من الأسرع؟
بين النماذج الأكثر تقدماً، حقق Simba 3.5 أفضل توازن: يبدأ الكلام خلال 116 مللي ثانية، ويملك أعلى Arena Elo بين جميع النماذج التي يقل زمنها عن 200 مللي ثانية. وArena Elo هو تصنيف لجودة الصوت يُبنى على مقارنات النماذج بعضها ببعض. يليه Realtime TTS-2 بزمن 186 مللي ثانية. وتبدو نسخ «Turbo» لافتة. يبدأ Eleven v4 Turbo خلال 258 مللي ثانية، بينما يحتاج Eleven v4 العادي إلى 653 مللي ثانية، مع أن قيمة Arena Elo متطابقة لديهما. أي أن التسريع بنحو مرتين ونصف تحقق دون خسارة في الجودة وفق هذا التصنيف.
ما أبرز التفاصيل حول البث المتدفق خط فاصل؟
لا يمر التقسيم الرئيسي بين العلامات التجارية، بل بين البنى المعمارية. فـ 65 نموذجاً تدعم البث المتدفق: إذ ترسل الصوت على دفعات بينما يستمر تجهيز بقية النص. ووسيط زمن البدء لديها 376 مللي ثانية. أما 20 نموذجاً أخرى فلا تدعم البث: ما دامت العبارة كلها لم تُولَّد، لا يتلقى المستخدم شيئاً. ووسيط الزمن لديها 2.0 ثانية. وكلما طالت العبارة، زاد خسران هذه البنية، لأن الانتظار يشمل التوليد بأكمله.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
أهم ما في عالم الذكاء الاصطناعي — مرة كل أسبوع
سبع قصص مهمة فعلاً هذا الأسبوع، مختارة بعناية. بلا ضجيج ولا بيانات صحفية.
تم! تحقق من بريدك للتأكيد.