بدل ثلاثة مكونات منفصلة، نموذج واحد بزمن أول صوت 570 إلى 620 ميلي ثانية، وانتقال من OpenAI بتعديل الـ endpoint واسم النموذج.
ضمن ملف: OpenAI، نماذج الذكاء الاصطناعي
بقلم: ليلى | محررة أدوات المطورين · صوت تحريري بإشراف بشري
المصدر الأساسي: ElevenLabs
لماذا يهم
مطورو الوكلاء الصوتيين على Realtime API من OpenAI يستطيعون اختبار بديل دون إعادة كتابة الكود، بينما تحصل فرق دعم العملاء على نموذج مخصص لاستدعاء الأدوات والمهام متعددة الخطوات.
فريق يشغّل وكيل دعم عملاء صوتياً على Realtime API من OpenAI يحتاج اليوم، بحسب ElevenLabs، إلى تغيير عنوان الـ endpoint واسم النموذج فقط ليجرّب بديلاً كاملاً. هذا هو الوعد المركزي في Eleven Realtime، وهي فئة جديدة من نماذج تحويل الكلام إلى كلام (Speech to Speech) أعلنتها الشركة لبناء الوكلاء الصوتيين، وتأتي بنسختين: v1 Mini للمحادثة الطبيعية وv1 Max للمهام المعقدة. يستند الخبر إلى مصدر وحيد هو صفحة الإطلاق الرسمية لدى ElevenLabs. لم تحدد الصفحة تاريخ إطلاق دقيقاً، ولم يتسنَّ التحقق من أرقامها بشكل مستقل.
الفكرة التقنية بسيطة في صياغتها وصعبة في تنفيذها. بحسب ElevenLabs، يجمع كل نموذج التعرف على الكلام، وإدارة تبادل الأدوار في الحديث (turn-taking)، والـ LLM، وتحويل النص إلى صوت، ويضبطها معاً كنظام واحد من طرف إلى طرف. المطوّر لم يعد مضطراً إلى اختيار محرك نسخ ونموذج لغوي ومحرك صوت ثم الموازنة بين تأخير كل منها، فقرار واحد عند اختيار النموذج يكفي. وتتوفر النماذج عبر منصة ElevenAgents وعبر Realtime API.
تقدّم الشركة v1 Mini بوصفها الخيار الأقل كلفة، والموجّه إلى المساعدات الذكية والمعلمين الافتراضيين والشخصيات التفاعلية، مع الحفاظ على التوقيت والنبرة عند المقاطعة والتبادل السريع للكلام. سجّلت هذه النسخة زمن وصول أول صوت قدره 620 ميلي ثانية، ونسبة 95.8% على Full-Duplex-Bench، وتقييم Elo بلغ 988 على Speech Agent Arena (وفقاً لـ ElevenLabs). أما v1 Max فتضيف قدرة استدلال لدعم العملاء وتأهيل العملاء المحتملين (lead qualification) والجدولة بمساعدة الوكيل وسير العمل متعدد الخطوات مع استدعاء الأدوات، دون إبطاء المحادثة بحسب الشركة. وسجّلت زمن أول صوت قدره 570 ميلي ثانية، و98.8% على Big Bench Audio، ونسبة نجاح في المهام بلغت 87.1% (وفقاً لـ ElevenLabs). هذه كلها أرقام معلنة من الشركة نفسها. وبحسب ElevenLabs، قيّمت Artificial Analysis النموذجين بشكل مستقل: Big Bench Audio للاستدلال الصوتي، وFull-Duplex-Bench لديناميكيات المحادثة، وSpeech Agent Arena لتفضيل البشر ونجاح المهام. وزمن أول صوت هو المتوسط المقاس على Big Bench Audio. اللافت أن النسخة الأغلى أسرع من الأرخص بفارق 50 ميلي ثانية (وفقاً لـ ElevenLabs). واللافت أيضاً أن كل نسخة عُرضت على مجموعة اختبارات مختلفة، ما يجعل المقارنة المباشرة بينهما شبه مستحيلة من صفحة الإطلاق وحدها.
داخل ElevenAgents يقتصر التشغيل على قائمة منسدلة واحدة. بحسب الشركة، تنشئ وكيلاً أو تفتح وكيلاً قائماً وتختار v1 Mini أو v1 Max، فتجد النسخ وتبادل الأدوار والصوت مضبوطة مسبقاً. تبقى التعليمات والأدوات وقاعدة المعرفة والقنوات والإعدادات كما هي، ولا يتغير شيء في الوكلاء الحاليين ما لم تحدّثهم بنفسك. ويمكن نشر الوكيل نفسه على الهاتف وأداة الويب المدمجة وواتساب ومنصة مركز الاتصال دون صيانة تكامل منفصل لكل قناة. وتتيح المنصة إضافة قاعدة معرفة، وتحديد ضوابط (guardrails)، واختبار الوكيل على سيناريوهات مكتوبة مسبقاً، ومراقبة كل محادثة في بيئة الإنتاج.
المسار الثاني موجّه إلى من بنى منتجه على OpenAI. بحسب ElevenLabs، تصل أحداث العميل والخادم بالشكل نفسه الذي تصل به من OpenAI، فتستمر معالجات الأحداث وأدوات التسجيل والأدوات المساعدة التي بنيتها في العمل، ويعمل SDK الخاص بـ OpenAI كما هو، مع دليل انتقال يشرح الفروق. يمكن تثبيت الإعداد بأمر واحد هو npx skills add elevenlabs/skills --skill realtime، والانتقال من OpenAI عبر npx skills add elevenlabs/skills --skill openai-realtime-migration. ويوضح مثال الشركة استخدام حزمة @openai/agents-realtime: يُجلب مفتاح العميل من نقطة /api/token، ويوجَّه ناقل OpenAIRealtimeWebSocket إلى wss://api.elevenlabs.io/v1/convai/realtime، ثم تُفتح الجلسة بالنموذج eleven_realtime_v1_mini والصوت “brian” مع إخراج صوتي فقط. وتُسجَّل كل محادثة في لوحة تحكم مخصصة قابلة للبحث، لأغراض التدقيق ومتطلبات الامتثال.
للإطلاق قيود عليك أن تعرفها قبل أن تعدّل سطراً واحداً. بحسب ElevenLabs، لا تدعم الـ API بروتوكول WebRTC عند الإطلاق وتعمل عبر WebSocket فقط، فمن بنى تكامله على WebRTC عليه أن ينقله أولاً. كما تعمل Realtime API وElevenAgents بشكل منفصل وببروتوكولي اتصال مختلفين، أي أن مسار الـ API يحرمك من قنوات الهاتف وواتساب ومراكز الاتصال، ومن قاعدة المعرفة والضوابط والاختبار والمراقبة. والشركة نفسها توصي بـ ElevenAgents لمن يبدأ من الصفر. أما التسعير فلم تنشر صفحة الإطلاق أرقامه. بحسب الشركة، تُحتسب النماذج داخل ElevenAgents بسعر الدقيقة المعتاد للمنصة مضافاً إليه كلفة الـ LLM لكل رمز، ويعرض محدد النموذج تقديراً للكلفة بالدقيقة. أما عبر الـ API فتدفع مقابل كل دقيقة صوت متصل إضافة إلى الرموز، بأسعار رموز موحدة في كل الخطط، وتحيل الصفحة إلى صفحة التسعير للأسعار الحالية.
تسند الشركة الإطلاق بمكتبة تضم أكثر من 17,500 صوت (وفقاً لـ ElevenLabs)، موزعة على ثماني فئات: السرد، والمحادثة، ووسائل التواصل الاجتماعي، والشخصيات، والتعليم، والإعلانات، والترفيه، والأصوات متعددة اللغات. وتقول إن المحادثة الفورية متاحة بأكثر من 90 لغة وبطيف واسع من اللكنات (وفقاً لـ ElevenLabs)، لكن الصفحة لا تذكر العربية أو لهجاتها بالاسم، وهذا ما يجب أن يختبره أي فريق عربي بنفسه قبل الالتزام. وعلى صعيد الأمان، تذكر الصفحة تشفير البيانات أثناء النقل والتخزين، ودعم SOC 2 Type II وISO 27001 وISO 42001 وAIUC-1 وHIPAA وPCI DSS Level 1 وGDPR، إلى جانب إقامة البيانات إقليمياً ومنها الاتحاد الأوروبي، ونمط عدم الاحتفاظ بالبيانات (Zero Retention)، وخيارات تشغيل داخل مقرات العميل. وتروّج الصفحة في الوقت نفسه لنموذج منفصل هو Eleven v4، الذي تصفه بأنه الأكثر تعبيراً عاطفياً بين نماذجها، دون تفاصيل إضافية.
جودة الصوت لم تكن يوماً نقطة ضعف ElevenLabs، لذلك نرى أن الخطوة الأهم هنا تجارية لا تقنية: إسقاط كلفة الانتقال من OpenAI إلى ما يقارب الصفر. حين يصبح تبديل المزوّد تعديلاً على سطرين، تتحول المنافسة على الوكلاء الصوتيين إلى سباق سعر وأداء يقيسه كل مطوّر على بياناته الخاصة، لا إلى ولاء لمنصة. السؤال الذي تتركه الصفحة بلا إجابة هو كيف تبدو تلك الأرقام حين يتحدث المستخدم بالعربية.
المصادر
