Fish Audio أم ElevenLabs للصوت العربي؟ الجودة والسعر لا يفوزان معًا

|الكاتب: فريق تحرير QUASA|6 دقيقة للقراءة
Fish Audio أم ElevenLabs للصوت العربي؟ الجودة والسعر لا يفوزان معًا

إذا كانت طبيعية الأداء أهم من كلفة التعليق العربي، فابدأ بتقييم أصوات ElevenLabs؛ وإذا كنت تنتج مقاطع كثيرة وتدفع بحسب النص، فأدخل Fish Audio في المقارنة. لا يوجد فائز واحد لكل مشروع: تتغير نتائج التقييم بين اللهجات، كما تختلف جودة الصوت الجاهز عن شبه الصوت المستنسخ.

لصانع البودكاست أو الفيديو، يبدأ القرار باللهجة المطلوبة، ثم بسلامة الأسماء والأرقام، وبعدهما بتكلفة النص وحق نشر الصوت. هذه معايير منفصلة: قد يكون التسجيل أكثر إقناعًا للمستمع، بينما تكون فاتورة توليده أعلى؛ وقد يشبه الاستنساخ صاحبه من دون أن يكون أفضل أداءً للتعليق.

أي خدمة تتقدم في الفصحى واللهجات؟

نتائج SIRAJ تُظهر تقدم ElevenLabs في المصرية وتقارب الخدمتين مع تقدم Fishspeech الطفيف في السعودية.

يعطي تقييم SIRAJ البشري للهجات أفضلية لـElevenLabs في المصرية بدرجة 4.19 مقابل 3.88 لـFishspeech، بينما سجل Fishspeech في السعودية 3.70 مقابل 3.57 لـElevenLabs. وفي الإماراتية سجل ElevenLabs 3.55 مقابل 3.45 لـFishspeech، على مقياس من خمس درجات. استُخدم Fishspeech بعد ضبطه على بيانات الدراسة، واستُخدم ElevenLabs بإعداداته الجاهزة؛ لذلك لا تمثل هذه الأرقام اختبارًا مباشرًا لنموذج Fish Audio التجاري المتاح الآن.

  • الفصحى: لا يقدم هذا الجدول درجة مستقلة لها. يتحدد الاختيار هنا بوضوح صوت الراوي في نص المشروع، ولا يصح نقل فوز نموذج في لهجة محكية إلى تعليق بالفصحى.
  • المصرية: تمنح النتيجة المنشورة ElevenLabs أفضلية أولية إذا كان المطلوب صوتًا قريبًا من الحديث المصري. تبقى نبرة الصوت المختار وسرعة إلقائه جزءًا من القرار.
  • السعودية: يتقدم Fishspeech في الدراسة تقدمًا محدودًا. هذه إشارة مفيدة عند ترتيب الخيارات، لا ضمانة بأن كل صوت سعودي في Fish Audio سيتفوق على كل صوت في ElevenLabs.
  • الإماراتية: الفارق المنشور ضيق. يحتاج التعليق الذي يعتمد على هوية محلية واضحة إلى سماع المفردات والإيقاع المقصودين، لأن الفصحى المنطوقة بلكنة خليجية لا تؤدي بالضرورة الغرض نفسه.

تختلف كذلك طبيعة المادة التي يسمعها الجمهور. فالنشرة القصيرة تتحمل إيقاعًا منتظمًا أكثر من حوار طويل، والإعلان يحتاج إلى نبرة تختلف عن سرد وثائقي. لذا تصلح نتائج اللهجات لتحديد نقطة البداية، بينما يحسم ملف التعليق الناتج ملاءمة الصوت للمشروع نفسه.

ماذا تكشف الطبيعية وقراءة الأرقام؟

في مقارنة استماع بأصوات إنجليزية بين Eleven v4 وFish Audio Drama 3، فضّل صاحب التجربة صوت ElevenLabs الجاهز في طبيعية الوقفات وانتقال الانفعال بين الجمل. وقرأ ElevenLabs مبلغًا بعملة الراند قراءة صحيحة في مقطع المواعيد، بينما أخطأ Fish في قيمة المبلغ وعملته. في المقابل، وجد المختبِر أن استنساخ Fish من عينته القصيرة أشبه بصوته، مع أن تسجيل ElevenLabs الناتج بدا أنقى. هذه أحكام على أصوات ومقاطع محددة باللغة الإنجليزية، وليست درجات لجودة التعليق العربي.

تكشف حالة المبلغ سبب أهمية الأرقام في الاختيار: الخطأ في سعر منتج أو موعد أو رقم هاتف يغير معنى الجملة حتى لو كان الأداء مقنعًا. في نص عربي يتضمن هذه المعلومات، يفيد سماع المواضع الحساسة في الملف النهائي؛ ويمكن تحرير المبلغ بالحروف أو تقسيم رقم الهاتف إلى مجموعات إذا لم تنتج الكتابة الرقمية النطق المطلوب. هذا عمل على النص والتسجيل، ولا يفترض أن نموذجًا بعينه يقرأ جميع الأرقام العربية قراءة صحيحة.

وتشمل الطبيعية أكثر من مخارج الحروف. الوقفة قبل المعلومة المهمة، واستمرار النبرة عبر جملتين، وعدم تحول الراوي إلى أداء مختلف عند الانتقال من خبر إلى تعليق، كلها فروق مسموعة في بودكاست طويل. لذلك قد يبرر صوت أكثر ملاءمة كلفة أعلى في مشروع قصير يعتمد على الأداء، بينما تقل قيمة هذا الفارق في مقاطع كثيرة ذات صياغة ثابتة.

متى يصبح الاستنساخ وحق الاستخدام حاسمين؟

عندما يكون صوت مقدم البرنامج جزءًا من هويته، يصبح شبه النسخة الاصطناعية بصاحبها معيارًا مستقلًا عن صفاء الصوت. ولا تكفي نتيجة استنساخ متحدث واحد للحكم على متحدث مصري أو سعودي أو إماراتي: تختلف العينة المرجعية وطريقة الكلام واللهجة. كما أن اختيار صوت جاهز يطرح سؤالًا مختلفًا عن استنساخ صوت شخص معروف للجمهور؛ ففي الحالة الثانية يلزم حسم حق استعمال الصوت والتسجيل المرجعي قبل النشر.

تضع خطط ElevenLabs المنشورة الترخيص التجاري والاستنساخ الفوري ضمن Starter، بسعر اعتيادي يبلغ 6 دولارات شهريًا بعد عرض الشهر الأول، وتضع الاستنساخ الاحترافي ضمن Creator بسعر اعتيادي يبلغ 22 دولارًا شهريًا. وتستثني الأسعار المعروضة الضرائب والرسوم. هذه أسعار اشتراكات وميزات، فلا تُجمع تلقائيًا مع حساب الواجهة البرمجية أدناه بوصفها فاتورة واحدة للمشروع.

يختلف أيضًا سؤال الترخيص التجاري عن سؤال موافقة صاحب الصوت. إذا كان الراوي شخصًا آخر، فلا تمنح فاتورة التوليد وحدها حق استنساخه أو استعمال تسجيله الأصلي. وفي مشروع يستدعي صوتًا مستنسخًا على مدار حلقات متتابعة، قد تكون استمرارية الشخصية الصوتية وضبط من يستطيع استخدامها أهم من فرق محدود في تكلفة المقطع.

كم تكلف دقيقة افتراضية من التعليق العربي؟

النص العربي نفسه يدخل في حساب Fish Audio بالبايتات وفي حساب ElevenLabs بالأحرف، فتختلف كلفة التعليق.

تسعّر واجهة Fish Audio للمطورين نموذج S2.1 Pro المدفوع عند 15 دولارًا لكل مليون بايت من نص UTF-8، وتعرض البث واستنساخ الصوت. وتعرض أيضًا S2.1 Pro Free للمطورين مجانًا حتى 30 نوفمبر 2026، من دون اتفاقية لمستوى الخدمة، مع احتمال استخدام الطلبات لتحسين النموذج. الحساب الإنتاجي أدناه يخص النموذج المدفوع؛ فالخيار المجاني المؤقت لا يصلح أساسًا لتوقع فاتورة مستمرة.

وتعرض أسعار ElevenLabs للواجهة البرمجية مبلغ 0.08 دولار لكل ألف محرف في v4، و0.04 دولار لكل ألف محرف في v4 Turbo. تختلف وحدة الفوترة هنا عن Fish Audio: يُحسب النص العربي في الأولى بالمحارف وفي الثانية ببايتات UTF-8. لذلك لا تعطي مقارنة نصين متساويين في عدد المحارف نتيجة مماثلة لمقارنة نصين متساويين في عدد البايتات.

الحساب التالي من إعدادنا وفق الأسعار المنشورة عند التحقق في 14 نوفمبر 2026. نفترض، للتوضيح لا بوصفه سرعة قراءة ثابتة، أن دقيقة التعليق تضم 900 محرف: 750 حرفًا عربيًا يستهلك كل منها بايتين و150 مسافة تستهلك كل منها بايتًا واحدًا. يصبح المجموع 1650 بايت للدقيقة الافتراضية. جميع النتائج بالدولار الأمريكي، لشهر إنتاج واحد، ومن دون ضرائب أو رسوم دفع أو إعادة توليد؛ وهي تكلفة نص عبر الواجهات البرمجية وليست تقديرًا لقيمة اشتراك صانع المحتوى.

  • قناة صغيرة، 20 دقيقة شهريًا: 18 ألف محرف و33 ألف بايت وفق الافتراض. التكلفة التقريبية 0.50 دولار لدى Fish Audio S2.1 Pro، أو 1.44 دولار لدى Eleven v4، أو 0.72 دولار لدى v4 Turbo.
  • بودكاست منتظم، 100 دقيقة شهريًا: 90 ألف محرف و165 ألف بايت. التكلفة التقريبية 2.48 دولار لدى Fish Audio، أو 7.20 دولارات لدى v4، أو 3.60 دولارات لدى v4 Turbo.
  • إنتاج فيديو كثيف، 500 دقيقة شهريًا: 450 ألف محرف و825 ألف بايت. التكلفة التقريبية 12.38 دولار لدى Fish Audio، أو 36 دولارًا لدى v4، أو 18 دولارًا لدى v4 Turbo.

تتغير هذه المبالغ إذا تغير طول النص أو توزعت محارفه بين العربية واللاتينية والرموز؛ كما لا تساوي الدقيقة الافتراضية بالضرورة دقيقة صوت فعلية عند كل سرعة إلقاء. وتدخل إعادة توليد جملة خاطئة في تكلفة العمل الفعلية حتى حين تبدو تكلفة النص الأولى ضئيلة. لهذا لا يكفي سعر الألف محرف أو المليون بايت وحده لتقدير تكلفة حلقة تحتاج إلى تصحيح أسماء وأرقام متكررة.

أي خيار يناسب مشروعك؟

للتعليق المصري الذي تتقدم فيه طبيعية الأداء، تمنح نتائج اللهجات وأحكام الاستماع المنشورة سببًا لبدء التقييم من ElevenLabs، مع بقاء تجربة الاستماع الإنجليزية محدودة بسياقها. أما Fish Audio فيستحق أولوية واضحة عندما يكون حجم النص كبيرًا وتكون تكلفة التوليد حاسمة؛ وتمنح نتيجة السعودية المنشورة سببًا إضافيًا لتجربته في ذلك السياق، من دون مساواتها بأداء نموذجه التجاري الحالي.

في الفصحى والإماراتية، يكون اختيار الصوت الملائم للنص أرجح من الاعتماد على ترتيب عام للخدمتين. وإذا كان المشروع يتطلب استنساخ مقدم معروف، فشبه الصوت وحق استعماله جزء من القرار منذ البداية. النتيجة العملية هي اختيار التسجيل الذي يخدم اللهجة والمعلومة المقروءة، ثم احتساب تكلفته وفق النص الذي سيُنشر فعلًا.

اقرأ أيضًا:

مشاركة:

اشترك في نشرتنا الإخبارية

احصل على أحدث أخبار الويب 3 والذكاء الاصطناعي والعملات المشفرة مباشرة في بريدك.

0