ElevenLabs או Deepgram: קול טבעי יותר מתחרה ב־20 מילישניות ובמחיר

לסוכן שפועל בשפה ששני הדגמים תומכים בה, Deepgram Aura-2 היא מועמדת חזקה כשהמחיר ומהירות תחילת השמע מכריעים; ElevenLabs Flash v2.5 מתאימה יותר למי שמעדיף קול בעל הבעה טבעית. ב השוואת Voice AI Bench דווח על 115 מילישניות עד לבייט השמע הראשון ב־Aura-2 לעומת 135 מילישניות ב־Flash v2.5, פער של 20 מילישניות. האתר מייחס ל־Flash יתרון בטבעיות, אך אינו מפרסם ציון האזנה שמאפשר לכמת את היתרון הזה.

למוקד או למוצר שמדברים עברית, התוצאה הזאת אינה מספיקה לבחירה: עברית אינה מופיעה ברשימות השפות של שני הדגמים שהושוו. לפני שמתרגמים פער השהיה קטן להחלטת רכש, צריך להפריד בין מנוע המרת טקסט לדיבור (TTS), תמלול דיבור (STT) ופלטפורמה שמנהלת את השיחה. רק אז אפשר להשוות מחיר ואיכות של אותה שכבת מוצר.

מה אומר פער של 20 מילישניות בשיחה?

המדד שנבדק הוא TTFB: הזמן מבקשת ה־TTS עד שהבייט הראשון של השמע מגיע. הוא חשוב כאשר הסוכן מתחיל להשמיע תשובה לפני שכל קובץ השמע נוצר. לפי תיאור הבדיקה, הבקשות הוזרמו דרך WebSocket לנקודות קצה במזרח ארצות הברית. זו מדידה של תחילת פלט ה־API בתצורה מסוימת, ולא של הזמן מרגע שמתקשר בישראל מפסיק לדבר ועד שהוא שומע תשובה.

בשיחה מלאה נכנסים לתמונה גם קליטת הדיבור, זיהוי סוף התור, התמלול, יצירת התשובה, הזרמת השמע וניגונו. כל חוליה עשויה לשנות את התחושה של המתקשר, וכך גם המרחק בין המשתמש לשרת. לכן יתרון במדד ה־TTS אינו מבטיח יתרון זהה בחוויית השיחה. כשבוחנים מערכת קיימת, מדידה שימושית נוספת היא הזמן מסוף דברי המתקשר עד לצליל הראשון, באותו מסלול רשת ובאותה תצורת שמע שבהם המוצר יפעל.

גם את נתון ההשהיה ש־ElevenLabs מפרסמת לדגם Flash אין להעמיד מול ה־TTFB החיצוני כאילו נמדדו באותה דרך. השהיית מודל מתארת את שלב יצירת השמע ואינה כוללת בהכרח את השהיית היישום והרשת. את איכות הקול כדאי לשפוט בנפרד מן השעון: דיבור שנפתח מהר אך הוגה שם לקוח או סכום באופן משובש עלול לשרת מוקד פחות טוב מדיבור שמתחיל מעט מאוחר יותר.

כמה עולה מיליון תווים במחיר הרשמי?

מחירון ElevenAPI מציג לדגמי Flash/Turbo מחיר של 0.04 דולר לאלף תווים, כלומר 40 דולר למיליון תווים, והשהיית מודל מוצהרת של כ־75 מילישניות. אלה נתוני TTS של קטגוריית הדגמים הזאת; דגם אחר או שירות סוכן של החברה מתומחרים בנפרד. ההשהיה המוצהרת גם אינה אותו מדד TTFB שנבדק בהשוואה החיצונית.

מחירון Deepgram מציג ל־Aura-2 בתשלום לפי שימוש 0.03 דולר לאלף תווים, או 30 דולר למיליון. באותו מחירון שירותי STT, TTS ו־Voice Agent API מופיעים בנפרד; שירות הסוכן מחויב לפי זמן שיחה ומציע גם מסלולים שבהם מביאים מנוע TTS חיצוני. לכן מחיר התווים לבדו אינו מחיר של שיחה מתומללת ומנוהלת.

לשם המחשה בלבד, עשרה מיליון תווים של פלט בחודש יעלו 400 דולר בתעריף Flash/Turbo או 300 דולר בתעריף Aura-2, לפני מסים ועלויות של רכיבים אחרים. זהו הפרש של 100 דולר לחודש על אותו נפח תווים. התקציב בפועל תלוי גם בכמות הטקסט הנשלחת למנוע, במשפטים שנוצרים מחדש ובשאלה אם תשובה ארוכה הוזרמה אף שהמתקשר קטע אותה.

מחירי התווים שמופיעים בהשוואת הביצועים החיצונית נמוכים מן התעריפים הרשמיים האלה, והיא אינה מפרטת מסלול חיוב שמסביר את הפער. משום כך חישוב העלות כאן נשען על מסלולי התשלום לפי שימוש של החברות. בפרויקט גדול יש מקום לבדוק הצעה מסחרית ייעודית, אך אין להציג אותה כתעריף API שזמין לכל משתמש.

מה משתנה כשהסוכן צריך לדבר עברית?

רשימת הדגמים של ElevenLabs כוללת עברית במשפחת Eleven v4, לרבות v4 Turbo המיועד לדיבור בזמן אמת, אך אינה כוללת אותה ב־Flash v2.5. המשמעות למוצר ישראלי היא שאפשר לבחון את החברה באמצעות דגם אחר, אולם אי אפשר להעביר אליו את תוצאת ה־TTFB או את התרשמות הטבעיות שיוחסו ל־Flash במבחן. גם המחיר הרלוונטי משתנה לפי הדגם שנבחר.

קטלוג קולות Aura של Deepgram מונה אנגלית, ספרדית, גרמנית, צרפתית, הולנדית, איטלקית ויפנית; עברית אינה ברשימה. בהתאם לקטלוג הזה, Aura-2 אינה מועמדת ישירה להפקת דיבור בעברית. אפשר עדיין לשלב שירות תמלול או תזמור של Deepgram עם מנוע קול אחר, אך זו כבר תצורה אחרת מזו שעליה מבוססת השוואת שני דגמי ה־TTS.

תמיכה מוצהרת בעברית היא תנאי כניסה, לא ציון איכות. למתקשר ישראלי חשוב לשמוע איך הקול הוגה שמות פרטיים, יישובים, שקלים, תאריכים ומספרי טלפון, ואיך הוא עובר ממשפט בעברית לשם מוצר באנגלית. היגוי כזה עשוי להשתנות בין קולות של אותו דגם. לכן גם כששפה מופיעה בקטלוג, הבחירה בקול מקומי דורשת דוגמאות שמע מן המשפטים שהסוכן צפוי לומר.

איזו שכבה של המוצר משווים?

אם התמלול, מודל השפה וניהול התורות כבר פועלים במערכת, ההחלטה היא על רכיב TTS. במקרה כזה משווים בין מנועי קול על אותו טקסט, באורך תשובה דומה ובאותם תנאי הזרמה. מחיר למיליון תווים ו־TTFB עונים אז על שאלות מוגדרות: כמה עולה יצירת הפלט, ומתי הוא מתחיל להגיע. טבעיות, מובנות והגייה נשארות שאלות האזנה.

אם מחפשים תשתית לסוכן שלם, יש לכלול גם תמלול, זיהוי סוף תור, טיפול בהפרעות וטלפוניה. שירות סוכן שמחויב לפי דקת שיחה אינו שקול למנוע TTS שמחויב לפי תווים, גם כשהם נמכרים בידי אותה חברה. עלות השיחה עשויה לכלול כמה ספקים וכמה יחידות חיוב; השוואת חשבוניות או הצעות מחיר צריכה לכלול את אותו מסלול שיחה מתחילתו ועד סופו.

ההפרדה הזאת חשובה במיוחד במוקד דו־לשוני. ייתכן שרכיב התמלול יזהה את דברי המתקשר בשפה אחת, מודל השפה יחבר תשובה בעברית ומנוע הקול יידרש להקריא אותה. תמיכה בשפה בשכבה אחת אינה מעידה על תמיכה בשכבה אחרת. מערכת שמשלבת ספקים יכולה לענות על הצורך, אך יש למדוד את ההשהיה ואת העלות של החיבור המלא, ולא לייחס את התוצאה לדגם קול יחיד.

איך לבחון קול עברי בלי להטות את ההאזנה?

לבדיקת האזנה עיוורת אפשר להכין משפטי שירות קצרים מן המוצר, לאחר הסרת פרטים מזהים: הודעת סטטוס, סכום ותאריך, שם יישוב, מספר טלפון ומשפט עם שם מותג באנגלית. את אותם משפטים מפיקים בכל קול מועמד ושומרים בעוצמה ובפורמט אחידים. אחר כך משמיעים אותם בסדר משתנה, בלי לגלות למאזינים איזה ספק הפיק כל קובץ.

כדאי לבקש מדוברי עברית לדרג בנפרד מובנות, הגיית שמות ומספרים, קצב וטבעיות. הפרדה כזאת מונעת מקול מרשים במשפט רגשי להסתיר שגיאות בפרטי הזמנה, ולהפך. זהו פרוטוקול מוצע להחלטת מוצר, לא תוצאה של מבחן עברית שבוצע עבור הדגמים שנדונו. בסיום אפשר להציב לצד ציוני ההאזנה גם את זמן תחילת השמע ואת עלות התווים של הדגם העברי שנבחר בפועל.

קראו גם:

• ElevenLabs או Cartesia: 97 מילישניות מפרידות בין הקול הראשון
• Otter.ai או Fireflies.ai: יותר דקות לא מבטיחות תמלול מדויק יותר
• Adobe Podcast או Auphonic: תיקון קול אינו תחליף למאסטרינג