نماذج أصوات ElevenLabs: Turbo v4 وConversational v3 وFlash v2.5 وMultilingual v2

/agents ← وكيلك ← Voice Pipeline ← Synthesized Voice. عندما يكون الصوت المختار صوتًا من ElevenLabs، يحمل سطرُه عنصرَ تحكم Model: بأربعة خيارات. الصوت يبقى نفسه. والنموذج هو الذي يقرّر كيف يُؤدَّى ذلك الصوت: مدى حيويته، وسرعة بدئه الكلام، واللغات التي يستطيع التحدث بها، وكم يكلّف كل حرف.

لا يظهر عنصر التحكم هذا إلا على الـpipeline Standard (STT + LLM + TTS) ومع صوت من ElevenLabs. خطوط الزمن الحقيقي تجلب أصواتها الخاصة، وبقية مزوّدي التحويل من نص إلى كلام لا نموذج لهم تختاره.

النماذج الأربعة

«أول صوت» هو الزمن من جهوزية نص الوكيل إلى أول صوت يخرج من صوته. قِسناه على مكالمات اختبار حقيقية عبر مسار الهاتف الفعلي، بالوكيل نفسه والصوت نفسه والنص المرجعي نفسه والنموذج اللغوي نفسه في كل مكالمة، فالوحيد الذي تغيّر هو نموذج الصوت. وضمّت كل مكالمة دورين كلام بالإنجليزية ودورين بالصينية.

• كان Turbo v4 الأسرع في كل ردّ. وفي 21 ردًّا تراوح زمنه بين 0.09 و0.12 s.
• جاء Flash v2.5 ثانيًا، في نطاق 0.11–0.13 s.
• وجاء Conversational v3 أخيرًا، في نطاق 0.16–0.20 s.
• لم يتغيّر هذا الترتيب بين الإنجليزية والصينية أبدًا. ولا نموذج من هذه النماذج يبدأ أبطأ في لغة منها في أخرى.

أما Multilingual v2 فهو في فئة مختلفة. استغرق نحو نصف ثانية ليبدأ في المكالمات الفعلية، وأكثر من ثانية في الاختبارات المباشرة. هذه فجوة تطول بما يكفي لتُسمَع.

ما يغيّره الاختيار في السرعة وما لا يغيّره

نموذج الصوت جزء صغير من الزمن الذي يستغرقه الردّ. في المكالمات أعلاه، استغرق الردّ الكامل في الغالب من 1.3 إلى 1.7 s، من لحظة توقّف المتّصل إلى أول صوت من الوكيل. وكانت حصة نموذج الصوت من ذلك 0.1–0.2 s. فإن بدا وكيلك بطيئًا، فالتبديل بين Turbo v4 وFlash v2.5 وConversational v3 يحرّك الزمن بأقل من عُشر الثانية.

الاستثناء هو Multilingual v2. فهو يضيف وقفة تُلاحظ قبل كل إجابة، فلا تستخدمه على وكيل هاتف حيّ إلا إذا كان الصوت أهم عندك من الانتظار.

الردود بالصينية استغرقت فعلًا وقتًا أطول من الردود بالإنجليزية، لكن الصوت لم يكن السبب. النموذج اللغوي هو من أخذ وقتًا أطول قليلًا ليبدأ إجابته. وكان كاشف الوقفات أيضًا أكثر ميلًا إلى أن يقرّر أن المتّصل المتحدّث بالصينية لم ينتهِ من كلامه. تغيير نموذج الصوت لن يسدّ تلك الفجوة.

أيّ نموذج تختار

اتركه على Turbo v4 ما لم تسمع سببًا للتغيير. فهو الأسرع بدءًا، والأوسع لغات، والأكثر تعبيرًا. وترك الخيار فارغًا يمنحك Turbo v4.

جرّب Flash v2.5 إذا بدا لك Turbo v4 مبالغًا فيه. التعبيرية سلاح ذو حدّين. في مكالماتنا بدا Turbo v4 كشخص يحاول جاهدًا، وبدا Flash v2.5 كرهان آمن يصعب أن يخطئ كثيرًا. ولوكيل يقرأ أرقام الطلبات وأوقات العمل طوال اليوم، فربما تكون البساطة هي ما تريده.

جرّب Conversational v3 لشيء بينهما. يبدو طبيعيًا، أهدأ قليلًا من Turbo v4. وهو أيضًا الأبطأ بين النماذج السريعة الثلاثة في بدء الكلام، بفارق أقل من عُشر الثانية.

احتفظ بنموذج Multilingual v2 للوكلاء الذين يجب أن يكون صوتهم في أحسن صورة. فهو الأغنى صوتًا بين الأربعة، ويكلّف ضعف السعر عن كل حرف، ويجعل كل متّصل ينتظر أطول قبل كل إجابة. لقد بُني للسرد، لا للحوار.

استمع قبل أن تختار، ثم اتصل به

تحت الصوت المختار، يشغّل Hear this voice on الصوت نفسه على كل نموذج: تحية قصيرة، بلغة ذلك الصوت نفسها. شغّل الأربعة كلها قبل أن تقرّر. الفروق في طريقة الأداء، وستسمعها أسرع مما تقرأ عنها.

ثم اتصل بالرقم من هاتف حقيقي. خط الهاتف يحمل من الصوت أقل بكثير مما تحمله سماعاتك. بعض ما يفصل Multilingual v2 عن غيره على حاسوب محمول يضيع في المكالمة. أما حيوية Turbo v4 فلا تضيع.

اللغات التي لا يتحدثها كل نموذج

يتحدث Turbo v4 وConversational v3 كل لغة يمكن ضبط الوكيل عليها. أما النموذجان الأقدم فلا:

• Flash v2.5 لا يستطيع التحدث بالفارسية ولا النيبالية ولا التايلاندية.
• Multilingual v2 لا يستطيع التحدث بالفارسية ولا النيبالية ولا التايلاندية ولا الفيتنامية.

تحت نموذج لا يتحدث لغة وكيلك، يعرض المنتقي “Doesn’t speak” يليها اسم اللغة بذاتها (لوكيل تايلاندي: “Doesn’t speak ไทย.”)، ولا يمكنك اختياره.

وتُحتسب اللغات الأخرى للوكيل أيضًا. إذا كان وكيلك يجيب بالإنجليزية لكنه يستطيع التحوّل إلى التايلاندية وسط المكالمة، فلن يستطيع Flash v2.5 التحدث بعد التحوّل. فتستخدم المكالمة Turbo v4 بدلًا من اختيارك، ولو أن الإنجليزية وحدها كانت ستسمح به. الاختيار الذي لا يغطي كل لغة قد تحتاجها المكالمة لا يُعتمَد.

الكانتونية: Turbo v4 وحده يذكر الكانتونية لغةً من لغاته. والثلاثة الأخرى تذكر الصينية. ولوكيل يُفترض أن يبدو بالكانتونية، ابقَ على Turbo v4.

أربعة أشياء تجري في الأعماق

عدم الاختيار يعني «اتبع الافتراضي». الوكيل الذي لم يُختَر له نموذج يستخدم افتراضي المنصّة، وهو Turbo v4 اليوم. وإذا تغيّر الافتراضي لاحقًا، تغيّر ذلك الوكيل معه. واختيار Turbo v4 يدويًّا يُحفَظ بالطريقة نفسها التي يُحفَظ بها عدم الاختيار. ولبقاءك على نموذج مهما صار الافتراضي، اختر واحدًا من الثلاثة الأخرى.

الوكيل الذي حُوِّل إلى “Multilingual” قبلًا ما يزال على Multilingual v2. قبل وجود عنصر التحكم هذا، كان الخيار الوحيد مفتاح Multilingual لجودة أعلى، وكان ذلك المفتاح يعني Multilingual v2. الوكلاء الذين كان المفتاح مفعّلًا لديهم يبقيونه، مع وقفته قبل كل ردّ. ولم يُنقَلوا إلى Turbo v4. وإن كنت قد فعّلته لأحد وكلائك، فاستمع إلى Turbo v4 وقرّر إن كان الانتظار ما يزال يستحق.

التحويل إلى صوت من مزوّد آخر يمسح الاختيار. ElevenLabs وحده من يملك نماذج. اختر صوتًا من Azure أو OpenAI ويُلغَ اختيار النموذج. وإن عدت إلى ElevenLabs، بدأ الوكيل من الافتراضي من جديد.

Octo لا يستطيع تغيير النموذج. يستطيع Octo أن يغيّر لك الصوت والـpipeline، لكن ليس هذا. اضبطه من صفحة الوكيل واضغط Save.

ما هي التكلفة

تُحاسَب Turbo v4 وConversational v3 وFlash v2.5 بالسعر نفسه عن كل حرف منطوق. ويُحاسَب Multilingual v2 بضعف ذلك السعر. ولا تُحاسَب إلا الكلمات التي ينطقها الوكيل، لذا فإن المكالمة الطويلة على Multilingual v2 تكلّف في الصوت ضعف المكالمة نفسها على أيٍّ من الثلاثة الأخرى. والنموذج اللغوي وخط الهاتف يكلّفان الشيء نفسه على كل النماذج.

نماذج ستراها في مكان آخر لا هنا

موقع ElevenLabs نفسه يسرد نماذج أكثر مما يعرضها هذا المنتقي. وقد أُبقيت خارجًا عن قصد.

• Eleven v4 وEleven v3، النسختان الكاملتان، تكلّفان ضعف ما تكلّفه Turbo v4 وConversational v3. لقد صمّمت ElevenLabs نسختَي Turbo وConversational للحوار الحيّ، وهو ما يفعله وكيل الهاتف.
• Turbo v2.5 نموذج أقدم بسعر Flash v2.5 نفسه. والوكيل الذي ما يزال يحمله يستخدم الافتراضي بدلًا منه.
• نماذج v2 الإنجليزية فقط تتحدث لغةً واحدة. Turbo v4 يغطي الإنجليزية أصلًا، مع اللغات الـ93 الأخرى.