ElevenLabs או Cartesia: 97 מילישניות מפרידות בין הקול הראשון

לפי מדידת Coval המוצגת ב־Openbenchmarks, על קלטים זהים ElevenLabs Flash v2.5 הגיע לאודיו ראשון בחציון של 187 מילישניות לעומת 284 מילישניות ב־Cartesia Sonic 3.5, פער של 97 מילישניות, וב־p95 נמדדו 227 לעומת 434 מילישניות; בשיעור שגיאות המילים נמדדו 1.8% ל־Eleven v4 Turbo לעומת 1.7% ל־Sonic 3.6. יתרון המהירות ויתרון הדיוק שייכים לזוגות דגמים שונים, ולכן הנתונים אינם מצביעים על ספק שמוביל בכל המדדים.

למוקד בישראל, השאלה הראשונה היא איזה דגם וקול מפיקים עברית מתאימה לשיחות שלכם. מבין הדגמים שנמדדו במהירות, היתרון של Flash v2.5 אינו עובר אוטומטית לדגם של ElevenLabs שתומך בעברית; Cartesia מציעה עברית ברמת השירות, אך גם אצלה יש לבדוק את הצירוף המסוים של דגם וקול. רק אחרי הסינון הזה כדאי להשוות זמן תגובה, נאמנות למילים, טבעיות ועלות.

מה מלמד זמן עד לאודיו הראשון

TTFA הוא הזמן מתחילת בקשת הסינתזה ועד להופעת אודיו ראשון. בשיחת שירות הוא משפיע על משך השתיקה לאחר שהלקוח סיים לדבר, אך אינו כולל לבדו את זיהוי דברי הלקוח, יצירת התשובה או את שאר זמן ההשמעה. סוכן עם מנוע דיבור מהיר עדיין עלול להגיב לאט אם אחד הרכיבים האחרים בשרשרת מתעכב.

החציון מתאר את הבקשה שבאמצע ההתפלגות. אחוזון p95 מתאר גבול שמרבית הבקשות נמצאות מתחתיו, ולכן הוא מועיל כשחשוב לדעת מה יקרה בשיחות איטיות יותר ולא רק בשיחה טיפוסית. פער בין ספקים במדד הזה עשוי להיות מורגש בהפסקות השיחה, אך משמעותו התפעולית תלויה גם ברשת, באזור השירות, בהזרמת האודיו ובעומס שבו המוקד פועל.

ההשוואה החיצונית מודדת דגמים מוגדרים על אותם קלטים בחלון מדידה נע. החלפת הדגם כדי לקבל שפה אחרת, קול אחר או תכונת שכפול קול משנה את הדבר שנבדק. לכן המספר השימושי להחלטת רכש הוא זמן תחילת הדיבור של התצורה שתפעל במוקד, לצד זמן התגובה של השיחה כולה.

אילו דגמים רלוונטיים לעברית

תיעוד הדגמים של ElevenLabs מציג ל־Flash v2.5 זמן הסקה של כ־75 מילישניות ותמיכה ב־32 שפות שאינן כוללות עברית, בעוד שעברית מופיעה ברשימת השפות של משפחת Eleven v4, לרבות v4 Turbo. זמן ההסקה שהחברה מציינת אינו כולל השהיית יישום ורשת, ולכן אינו שקול למדידת הזמן עד לאודיו הראשון דרך השירות. עבור סוכן עברי, ההשוואה החשובה היא בין הדגמים התומכים בעברית בפועל.

רשימת השפות של Cartesia כוללת עברית. הרשימה מתארת זמינות ברמת השירות, ולא ציון איכות לכל שילוב של דגם וקול. במוקד שמטפל בפניות בעברית כדאי לוודא שהקול שנבחר זמין דרך ה־API ובתצורת ההזרמה המתוכננת, ולבחון גם מעבר באמצע משפט לאנגלית, למשל בשם מוצר או בכתובת דוא״ל.

שמות משפחה, שמות יישובים, ראשי תיבות, סכומים בשקלים ומספרי טלפון חושפים הבדלים שקשה לשמוע במשפט הדגמה כללי. אותה מילה יכולה להיות מובנת ועדיין להישמע זרה בגלל הטעמה או הפסקה במקום לא טבעי. בשיחה שמבקשת מהלקוח לאשר פרט אישי, הגייה ברורה וקצב מתאים חשובים לא פחות מהזמן שבו מתחיל הצליל הראשון.

מה שיעור שגיאות המילים מחמיץ

WER מודד את הפער בין המילים שהתבקשו לבין תמלול האודיו שהופק. הוא מועיל במיוחד כשסוכן מקריא כתובת, מספר הזמנה או תנאי תשלום, משום שהשמטה והחלפה של מילה עשויות לשנות את המידע שהלקוח מקבל. היתרון הקטן שנראה בהשוואה שייך לדגמי הדיוק שנמדדו שם, ואינו ציון לדיוק של כל קולות Cartesia או לכל שיחה בעברית.

המדד גם אינו מתאר הטעמה, קצב, הפסקות או עקביות של הדובר לאורך תשובה ארוכה. תמלול אוטומטי עלול לסמן שגיאה שהמאזין מבין בלי מאמץ, או לפספס הגייה שנשמעת לא טבעית לדובר עברית. משום כך כדאי להפריד בין בדיקת נאמנות לטקסט לבין האזנה עיוורת של דוברי עברית, ולתעד מקרים שבהם שתי ההערכות מובילות למסקנות שונות.

יש הבדל נוסף בין אישור קצר אחרי פנייה של לקוח לבין הסבר רב־משפטי על חיוב או שינוי הזמנה. קול שנשמע רציף באישור קצר עשוי לאבד קצב או זהות בדיבור ממושך. לצורך בחירה במנוע למוקד, שתי צורות התשובה צריכות להופיע במדגם, לצד שמות ומספרים שמייצגים את סוגי הפניות שהמוקד מטפל בהן.

מחיר ושכפול קול באותה יחידת השוואה

מחירון Cartesia מציג תוכנית Pro ב־5 דולר לחודש עם 100 אלף קרדיטים, המוערכים בכ־133 דקות TTS בחודש ב־Sonic 3.6; חריגה בתוכנית זו מחויבת ב־65 דולר למיליון קרדיטים אם החיוב על חריגות מופעל, ושכפול קול מיידי נכלל בה בעוד ששכפול מקצועי מתחיל בתוכנית Startup. אומדן הדקות נועד להמחיש שימוש בתוכנית, ואינו מבטיח שכל תסריט באותו משך יצרוך אותה כמות קרדיטים.

מחירון ה־API של ElevenLabs מציג חיוב ליצירת דיבור לפי תווים, עם תעריפים שונים למשפחות דגמים והצעות מחיר זמניות. לכן מחיר מנוי חודשי אצל ספק אחד ותעריף לתווים אצל האחר אינם שתי תשובות לאותה שאלה. השוואה למוקד צריכה להתחיל מכמות הטקסט שנשלחת בפועל, משך האודיו שמתקבל, הדגם שתומך בעברית ומספר השיחות במקביל; אחר כך אפשר לחשב עלות לאותה יחידת עבודה.

שכפול קול מוסיף החלטת איכות מעבר לעצם הזמינות בתוכנית. אם נדרש קול מותג, יש להקשיב לאותו תסריט בקול ספרייה ובקול משוכפל, ולבדוק שהזהות הקולית נשמרת גם בשמות ישראליים, במעבר בין שפות ובתשובות ארוכות. יש להכניס להשוואת המחיר את המסלול שמאפשר את סוג השכפול הדרוש, ולא להניח שכל אפשרויות השכפול כלולות בחבילת הכניסה.

בדיקה קצרה על תסריטים ישראליים

אפשר להכריע בין המועמדים באמצעות קבוצת משפטים אחת שמועברת לכל דגם רלוונטי. רצוי לכלול ניסוחים של פניות מוקד לאחר הסרת פרטים מזהים, יחד עם משפטי בדיקה לשמות, כתובות, קיצורים, תאריכים וסכומים. משפט מומצא מתאים גם הוא, כל עוד מסמנים אותו כדוגמה ומשאירים את הנוסח זהה בין המנועים.

1. קבעו לכל מועמד דגם, קול, פורמט אודיו ודרך הזרמה. השתמשו באותו טקסט, לרבות סימני פיסוק ואיות שמות, ושמרו את ההקלטות לצד פרטי התצורה.
2. מדדו מן הרגע שבו בקשת הסינתזה נשלחת עד להגעת מקטע האודיו הראשון. רשמו חציון ואחוזון גבוה בנפרד, והריצו מדגם נוסף כאשר כמה שיחות מתבצעות במקביל.
3. השוו את המילים שנאמרו לטקסט שנשלח, ואז האזינו לחריגות. סמנו בנפרד מילה שהושמטה, מספר שנקרא באופן מטעה והטעמה שנשמעת זרה.
4. תנו לדוברי עברית להאזין לדוגמאות בלי לזהות את הספק. בקשו הערכה נפרדת של מובנות, טבעיות ועקביות הקול בתשובות קצרות וארוכות.
5. סכמו תווים, קרדיטים אם הם יחידת החיוב, דקות אודיו ובקשות עבור אותו תסריט. חשבו את העלות לפי הדגם והתוכנית שייבחרו להפעלה, כולל סוג שכפול הקול הנדרש.

אם השהיית התגובה היא אילוץ קשיח, תנו עדיפות לזמן תחילת האודיו שנמדד בדגם העברי ובמערכת המוקד שלכם. אם שיבוש שמות או פרטי לקוח הוא הסיכון המרכזי, תנו משקל רב יותר לנאמנות לטקסט ולהאזנה אנושית. אלה עשויות להוביל לבחירות שונות, גם כאשר אחת החברות מובילה במדד מהירות חיצוני.

קראו גם:

• Dots של OpenAI עובדים בין השיחות — ההשקה עדיין מוגבלת
• חשבון Instagram נפרץ: המייל הראשון עשוי להיות דרך החזרה הקצרה