على وحدة معالجة الرسومات NVIDIA V100 واحدة، ولّد المرمّز الصوتي HiFi-GAN V3 صوتا بسرعة تبلغ 1,186.80 ضعف الزمن الحقيقي، بينما حقق WaveNet الانحداري الذاتي 0.003 من الزمن الحقيقي على البطاقة نفسها (Kong وآخرون، HiFi-GAN 2020). هذه الفجوة، التي تتجاوز خمس رتب من الحجم، هي سبب انتقال تركيب الكلام من ترف في مراكز البيانات إلى شيء يستطيع الهاتف تنفيذه. وقد انتقل عنق الزجاجة منذ ذلك الحين: فورقة F5-TTS الأصلية، وهي نموذج كبير ذو تعلم صفري، أفادت بـ 0.15 ثانية من زمن GPU لكل ثانية من الكلام (Chen وآخرون، F5-TTS 2024)، وقاس اختبار بث على وحدة A100 واحدة أول صوت في نطاق يمتد من 102 ms إلى 1,643 ms بحسب النظام (KTH، VoXtream 2025). أما من جهة الأسعار، فتتراوح أسعار القوائم لدى كبرى الخدمات السحابية من $4 إلى $160 لكل مليون حرف، أي تفاوتا بمقدار 40 ضعفا للوحدة نفسها من النص. جمعنا بيانات من أوراق محكّمة وأوراق arXiv صادرة عن KTH وKyutai وApple، ومن وثائق أداء Riva لدى NVIDIA، ومن صفحات الأسعار الرسمية لدى Google Cloud وAmazon Web Services وMicrosoft Azure وOpenAI؛ أما درجات الجودة فنتناولها بشكل منفصل في إحصائيات MOS للكلام الاصطناعي.
ملاحظة حول الوحدة التي تتكرر في هذا المقال: يعني عامل الزمن الحقيقي (RTF) عادة زمن الحوسبة مقسوما على مدة الصوت، فعامل زمن حقيقي قدره 0.1 يعني أن ثانية واحدة من الكلام تستغرق 0.1 ثانية لتوليدها، وكلما قلّ كان أفضل. وتعكس عدة مصادر النسبة وتذكر عدد ثواني الصوت الناتجة لكل ثانية حوسبة (تسميها NVIDIA بـ RTFX، وتكتبها بعض الأوراق على شكل «مرة أسرع من الزمن الحقيقي»)، حيث كلما زادت القيمة كان أفضل. في الجداول، يعني RTF اصطلاح الأقل أسرع ما لم يذكر الصف «مرة من الزمن الحقيقي» أو «RTFX» أو «الأعلى أسرع».
أبرز النقاط
- خفّض FastSpeech 2 عامل الزمن الحقيقي من 0.932 لـ Transformer TTS إلى 0.0195، أي تسريعا بمقدار 47.8x (Ren وآخرون، FastSpeech 2 2020).
- سجّل Matcha-TTS بخطوتي أخذ عينات عامل زمن حقيقي قدره 0.015 شاملا المرمّز الصوتي (Mehta وآخرون، Matcha-TTS 2023).
- أفاد F5-TTS بعامل زمن حقيقي 0.15 عند 16 خطوة مقابل 0.92 لـ CosyVoice في جدول المقارنة الخاص به (Chen وآخرون، F5-TTS 2024).
- بلغ زمن استجابة أول حزمة في VoXtream 102 ms على A100، بينما استغرق CosyVoice2 في وضع البث الكامل 1,643 ms في الاختبار نفسه (KTH، VoXtream 2025).
- ارتفع زمن استجابة DSM-TTS لدى Kyutai من 150 ms عند حجم دفعة 1 إلى 403 ms عند حجم دفعة 64، بينما بلغت الإنتاجية 137.3 ضعف الزمن الحقيقي (Kyutai، DSM-TTS 2025).
- انتقل خط FastPitch مع HiFi-GAN في NVIDIA Riva من 22 ms لزمن الوصول إلى أول صوت عند تدفق واحد إلى 323 ms عند 32 تدفقا (وثائق NVIDIA Riva 2.16.0، قياس أجرته الشركة المزودة).
- عمل نظام Apple على الجهاز بسرعة تتراوح بين 1.47 و3.03 مرة أسرع من الزمن الحقيقي على جهازين محمولين (Apple، التركيب العصبي للكلام على الجهاز 2021).
- حقق Mobile PresenTra من NICT عامل زمن حقيقي دفعيا يقارب 0.3 على هاتف Google Pixel 5 المتوسط الفئة (Okamoto وآخرون، Mobile PresenTra، Interspeech 2024).
- أدى تخفيض SupertonicTTS من 8 إلى 4 خطوات أخذ عينات إلى رفع معدل أخطاء الكلمات من 2.818% إلى 11.43% (Supertone، SupertonicTTS 2025).
- عمل Fast F5-TTS بسرعة تقارب 4 أضعاف خط الأساس ذي 32 خطوة، بينما تغير معدل أخطاء الكلمات من 2.37% إلى 2.45% (Zheng وآخرون، Interspeech 2025).
- تعرض Google Cloud سعر $4 لكل مليون حرف للأصوات القياسية و$160 لأصوات Studio (أسعار Google Cloud Text-to-Speech 2026).
- تعادل Amazon مليون حرف بنحو 23 ساعة و8 دقائق من الكلام، ما يجعل Polly Generative بنحو $1.30 لكل ساعة من الصوت (أسعار AWS Amazon Polly 2026).
1. عامل الزمن الحقيقي حسب عائلة النموذج على GPU
جاءت أول قفزة كبيرة في السرعة من التخلي عن الانحدار الذاتي في النموذج الصوتي، وهو الجزء الذي يحوّل النص إلى مخطط ميل الطيفي (صورة زمنية-ترددية للكلام). سجّل FastSpeech 2 عامل زمن حقيقي قدره 0.0195 مقابل 0.932 لـ Transformer TTS على خادم V100 نفسه، أي تسريعا في الاستدلال بمقدار 47.8x (Ren وآخرون، FastSpeech 2). فبمجرد أن يتنبأ النموذج بجميع الإطارات بالتوازي، لا يعود مضطرا إلى انتظار مخرجه السابق إطارا بإطار.
لم تُلغِ العائلات الأحدث هذا المكسب، لكنها وزّعته. فنماذج الانتشار ومطابقة التدفق مثل Grad-TTS وMatcha-TTS تقايض بضع تمريرات إضافية عبر الشبكة بجودة أفضل، وفي اختبار Matcha-TTS على بطاقات RTX 3090 بقيت جميع الأنظمة المختبَرة دون عامل زمن حقيقي قدره 0.08 شاملا المرمّز الصوتي (Mehta وآخرون، Matcha-TTS). والرقم اللافت هناك ليس المتوسط بل التشتت: سجّل VITS القيمة 0.074 بانحراف معياري 0.083، وهو أكبر من المتوسط نفسه، ما يدل على سرعة غير متكافئة جدا من جملة إلى أخرى.
| المقياس | القيمة | المصدر |
|---|---|---|
| RTF لـ Transformer TTS، وحدة V100، حجم الدفعة 1 (الأقل أسرع) | 0.932 | Ren وآخرون، FastSpeech 2 2020 |
| RTF لـ FastSpeech 2 ومقدار التسريع مقارنة بـ Transformer TTS، في الإعداد نفسه | 0.0195 (47.8x) | Ren وآخرون، FastSpeech 2 2020 |
| RTF لـ FastSpeech 2s (من النص مباشرة إلى الموجة الصوتية) ومقدار التسريع | 0.0180 (51.8x) | Ren وآخرون، FastSpeech 2 2020 |
| RTF لـ FastSpeech 2 في اختبار Matcha-TTS، شاملا المرمّز الصوتي، RTX 3090 | 0.010 (الانحراف المعياري 0.004) | Mehta وآخرون، Matcha-TTS 2023 |
| RTF لـ Matcha-TTS بخطوتي أخذ عينات مقابل 10 خطوات أخذ عينات | 0.015 مقابل 0.038 | Mehta وآخرون، Matcha-TTS 2023 |
| RTF لـ Grad-TTS بـ 10 خطوات أخذ عينات | 0.049 | Mehta وآخرون، Matcha-TTS 2023 |
| RTF لـ VITS في اختبار Matcha-TTS (المتوسط والانحراف المعياري) | 0.074 (0.083) | Mehta وآخرون، Matcha-TTS 2023 |
| RTF لـ StyleTTS 2 مقابل RTF لـ VITS في اختبار StyleTTS 2 | 0.0185 مقابل 0.0599 | Li وآخرون، StyleTTS 2 2023 |
أحدث البيانات المتاحة: FastSpeech 2 (2020) وStyleTTS 2 (2023) وMatcha-TTS (2023)، وجميعها أقدم من ثلاث سنوات. ولا يمكن مقارنة قيم RTF المأخوذة من أوراق مختلفة مباشرة، لأن وحدات GPU وأحجام الدفعات وما إذا كان المرمّز الصوتي مشمولا كلها تختلف. ويذكر مؤلفو Matcha-TTS أيضا أن نموذجهم بخطوتين يصبح منافسا لـ FastSpeech 2 على المقاطع الأطول.
2. المرمّزات الصوتية: أين تذهب الحوسبة
يحوّل المرمّز الصوتي مخطط ميل الطيفي إلى موجة صوتية مسموعة، وظل لسنوات النصف المكلف من خط المعالجة. أنتج WaveNet صوتا بمعدل 0.07 kHz على وحدة V100، أي 0.003 من الزمن الحقيقي، بينما أنتج HiFi-GAN V1 معدل 3,701 kHz، أي 167.86 ضعف الزمن الحقيقي (Kong وآخرون، HiFi-GAN). المغزى ليس أن المرمّزات الصوتية من نوع GAN سريعة فحسب، بل إن المرمّز الصوتي لم يعد السبب الذي يجعل منتج تحويل النص إلى كلام بحاجة إلى GPU أصلا.
ويتكرر النمط نفسه الآن داخل أنظمة البث. تُظهر ورقة SpeakStream من Apple أن النموذج الصوتي يستغرق نحو 28 ms بينما أضاف المرمّز الصوتي Parallel WaveGAN (PWG) نحو 152 ms؛ واستبداله بمرمّز صوتي متدفق خفّض هذه المرحلة إلى 13 ms (Apple, SpeakStream). وبعبارة أخرى، حسم اختيار المرمّز الصوتي وحده ما إذا كان أول صوت يصل في نحو 40 ms أم في نحو 180 ms.
| المقياس | القيمة | المصدر |
|---|---|---|
| سرعة WaveNet (MoL) مقابل WaveGlow مقابل MelGAN على وحدة V100، بمضاعفات الزمن الحقيقي (الأعلى أسرع) | 0.003x مقابل 22.75x مقابل 645.73x | Kong وآخرون، HiFi-GAN 2020 |
| سرعة HiFi-GAN V1 مقابل HiFi-GAN V3 على وحدة V100، بمضاعفات الزمن الحقيقي | 167.86x مقابل 1,186.80x | Kong وآخرون، HiFi-GAN 2020 |
| RTF للمرمّز الصوتي BigVGAN مقابل RTF للمشفّر التلقائي الصوتي في SupertonicTTS، RTX 4090 (الأقل أسرع) | 0.0124 مقابل 0.0006 | Supertone، SupertonicTTS 2025 |
| SpeakStream على Mac mini بمعالج M4 Pro، مع PWG مقابل المرمّز الصوتي المتدفق VocStream: زمن المرمّز الصوتي والزمن الإجمالي حتى أول صوت | 152 ms مقابل 13 ms؛ 180 ms مقابل 40 ms | Apple، SpeakStream 2025 |
أحدث البيانات المتاحة: Kong وآخرون، HiFi-GAN 2020، قيست بالفاصلة العائمة 32 بت دون تحسينات إضافية. وفي اختبار Matcha-TTS عمل المرمّز الصوتي وحده بعامل زمن حقيقي قدره 0.001، فكان في ذلك الإعداد جزءا صغيرا من زمن التركيب الإجمالي (Matcha-TTS).
3. النماذج الكبيرة ذات التعلم الصفري: كلفة السرعة في استنساخ الأصوات على نطاق واسع
أعادت النماذج ذات التعلم الصفري، التي تقلّد صوتا جديدا من مقطع قصير دون إعادة تدريب، السرعة إلى النقاش. يذكر جدول مقارنة F5-TTS أن CosyVoice بعامل زمن حقيقي قدره 0.92 وFireRedTTS بـ 0.84، أي أن كل ثانية من الكلام استغرقت معظم ثانية من الحوسبة (Chen وآخرون، F5-TTS). أما F5-TTS نفسه فأفاد بـ 0.15 عند 16 خطوة أخذ عينات على RTX 3090، أي أسرع من الزمن الحقيقي بنحو 6.7 مرة (1 مقسوما على 0.15). وهذا سريع بما يكفي لأعمال الكتب الصوتية الدفعية لكنه ضيق لخدمة عدد كبير من المستخدمين المباشرين من بطاقة واحدة.
والنماذج الأصغر تضيّق الفجوة. فقد أفاد SupertonicTTS، بـ 44M معامل، بـ 0.02 على RTX 4090 و0.05 على RTX 3090، مقابل 0.31 لـ F5-TTS عند 32 خطوة على RTX 3090 (Supertone، SupertonicTTS). وللفرق التي تقيّم مولّد أصوات بالذكاء الاصطناعي، فإن عدد المعاملات وحده دليل ضعيف على كلفة التشغيل: يعرض الجدول أدناه DiTTo-TTS بـ 740M معامل أسرع من Voicebox بـ 330M، مع أن هذين الرقمين قد لا يأتيان من العتاد نفسه.
| المقياس | القيمة | المصدر |
|---|---|---|
| RTF لـ F5-TTS، 16 مقابل 32 خطوة أخذ عينات، RTX 3090، 10 ثوان من الكلام (الأقل أسرع) | 0.15 مقابل 0.31 | Chen وآخرون، F5-TTS 2024 |
| RTF لـ CosyVoice (نحو 300M معامل) مقابل FireRedTTS (نحو 580M) | 0.92 مقابل 0.84 | Chen وآخرون، F5-TTS 2024 |
| RTF لـ Voicebox (330M) مقابل VALL-E 2 | 0.64 مقابل 0.732 | Chen وآخرون، F5-TTS 2024 |
| RTF لـ DiTTo-TTS (740M) مقابل NaturalSpeech 3 (500M) | 0.162 مقابل 0.296 | Chen وآخرون، F5-TTS 2024 |
| RTF لـ SupertonicTTS (44M) على RTX 4090 مقابل RTX 3090 | 0.02 مقابل 0.05 | Supertone، SupertonicTTS 2025 |
| مضاعف الزمن الحقيقي عند حجم دفعة 1 (الأعلى أسرع): DSM-TTS مقابل Chatterbox مقابل CSM | 3.2 مقابل 1.8 مقابل 1.0 | Kyutai، DSM-TTS 2025 |
| مضاعف الزمن الحقيقي عند حجم دفعة 1: Dia وOrpheus | 0.7 لكل منهما (أبطأ من الزمن الحقيقي) | Kyutai، DSM-TTS 2025 |
ملاحظة سياقية: لا توضح ورقة F5-TTS كيف قيست قيم RTF لخطوط الأساس، وقد لا تكون على RTX 3090 نفسها، لذا تعامل مع الصفوف من 2 إلى 4 على أنها استدلالية. وقاست ورقة لاحقة F5-TTS نفسه عند 0.065 و0.123 على RTX 3090 (انظر القسم 6). ويستخدم جدول Kyutai الاصطلاح المعكوس، حيث تعني القيمة الأقل من 1.0 أن النموذج لا يستطيع مجاراة التشغيل.
4. زمن الوصول إلى أول صوت في البث وتزامن الخدمة
في الاستخدام المباشر، الرقم المهم ليس RTF بل المدة التي ينتظرها المستمع قبل سماع أول صوت. في اختبار واحد على A100، بدأ VoXtream مع torch.compile الكلام بعد 102 ms، بينما استغرق CosyVoice2 في وضع البث الكامل 1,643 ms (KTH، VoXtream). ويعني البث الكامل أن النموذج يبدأ بينما ما زال النص يصل؛ وقد يكون للنظام عامل زمن حقيقي جيد ومع ذلك زمن استجابة ضعيف لأول حزمة إذا انتظر عبارات كاملة.
التزامن هو النصف الآخر. فتجميع مزيد من المستخدمين على GPU واحد يرفع الإنتاجية الإجمالية لكنه يطيل انتظار كل مستخدم. انتقل DSM-TTS لدى Kyutai من 150 ms عند حجم دفعة 1 إلى 403 ms عند حجم دفعة 64، بينما ارتفعت الإنتاجية من 3.2 إلى 137.3 ضعف الزمن الحقيقي (Kyutai، DSM-TTS). وتُظهر جداول NVIDIA Riva نفسها المنحنى ذاته على خط FastPitch مع HiFi-GAN: نما زمن الوصول إلى أول صوت نحو 15 ضعفا من تدفق واحد إلى 32 تدفقا بينما نمت الإنتاجية نحو 2.9 ضعف (NVIDIA Riva TTS performance). ونتناول كيف تتناسب هذه الأرقام مع ميزانية زمن الاستجابة الكاملة لوكيل صوتي في إحصائيات زمن الوصول إلى أول صوت لدى الوكلاء الصوتيين.
| المقياس | القيمة | المصدر |
|---|---|---|
| زمن استجابة أول حزمة وRTF في VoXtream مع torch.compile، A100، FP16 | 102 ms (RTF 0.17) | KTH، VoXtream 2025 |
| زمن استجابة أول حزمة وRTF في VoXtream دون تجميع | 171 ms (RTF 1.00) | KTH، VoXtream 2025 |
| زمن استجابة أول حزمة في XTTS-v2، بث المخرجات، دون DeepSpeed مقابل معه | 295 ms مقابل 196 ms | KTH، VoXtream 2025 |
| زمن استجابة أول حزمة وRTF في CosyVoice2، وضع البث الكامل، اختبار A100 نفسه | 1,643 ms (RTF 0.85) | KTH، VoXtream 2025 |
| زمن استجابة DSM-TTS عند حجم دفعة 1 مقابل 32 مقابل 64 | 150 ms مقابل 380 ms مقابل 403 ms | Kyutai، DSM-TTS 2025 |
| إنتاجية DSM-TTS عند حجم دفعة 64، بمضاعفات الزمن الحقيقي | 137.3x | Kyutai، DSM-TTS 2025 |
| متوسط زمن الوصول إلى أول صوت في Riva FastPitch مع HiFi-GAN، تدفق واحد مقابل 32 تدفقا | 22 ms مقابل 323 ms | وثائق NVIDIA Riva 2.16.0 (قياس أجرته الشركة المزودة) |
| إنتاجية Riva (RTFX، الأعلى أسرع)، تدفق واحد مقابل 32 تدفقا | 150.8 مقابل 440 | وثائق NVIDIA Riva 2.16.0 (قياس أجرته الشركة المزودة) |
ملاحظة سياقية: يدّعي ملف README لمشروع CosyVoice زمن استجابة «منخفضا حتى 150ms» لنموذجه الأحدث Fun-CosyVoice 3.0 (FunAudioLLM CosyVoice on GitHub)، وهو ادعاء من المشروع لإصدار مختلف عن الذي قاسته KTH. ولا نسمّي وحدة GPU لصفوف Riva: فهي أول جدول نتائج في صفحة NVIDIA، التي تبدأ قائمة وحدات GPU فيها بـ A100، لكن نص الصفحة الذي استطعنا قراءته لم يربط كل جدول بتسمية وحدته.
5. عتاد وحدة المعالجة المركزية والأجهزة المحمولة والحافة
بعيدا عن GPU، تتقلص هوامش السرعة بسرعة. حقق HiFi-GAN V1، الذي عمل بسرعة 167.86 ضعف الزمن الحقيقي على V100، 1.43 ضعف الزمن الحقيقي فقط على وحدة معالجة مركزية Intel i7 لحاسوب محمول، بينما هبط WaveGlow إلى 0.21 ضعف، وهو بطيء جدا للتشغيل المباشر (Kong وآخرون، HiFi-GAN). فالنموذج الذي يفوز على الخادم غالبا ما يكون الخيار الخاطئ للحاسوب المحمول، ويُظهر HiFi-GAN V3 الأصغر (13.44 ضعف الزمن الحقيقي على وحدة المعالجة المركزية نفسها) مدى أهمية خيارات البنية هنا.
وتدفع النماذج الصغيرة المصممة لغرض محدد الأمر أبعد من ذلك بكثير. فقد ولّد EfficientSpeech، بـ 266k معامل و90 MFLOPS، مخططات ميل الطيفية بسرعة 104.3 ضعف الزمن الحقيقي على Raspberry Pi 4، أي بنحو 1% من حجم وحساب النماذج المدمجة مثل Mixer-TTS (EfficientSpeech). وأظهر عمل Apple على الجهاز خط المعالجة الكامل يعمل على جهازين محمولين، مع تشغيل أول مخزن صوتي بعد 158 إلى 179 ms من الطلب (Apple، التركيب العصبي للكلام على الجهاز). ونتتبع اتجاهات العتاد وراء هذا التحول في إحصائيات معالجات الصوت بالذكاء الاصطناعي على الحافة.
وتُظهر أحدث القياسات إلى أي حد يهم خيار التصميم على الشريحة نفسها. فعلى خيط واحد من AMD EPYC 7413، حقق نموذج بث من Samsung Research عامل زمن حقيقي قدره 0.568 وأنتج أول رمز صوتي له في 0.061 s، مقابل 7.665 و41.41 s لـ VALL-E X (Lee وآخرون، Interspeech 2025). وأفادت NICT بعامل زمن حقيقي دفعي يقارب 0.3 وزمن استجابة تزايدي أقل من 0.5 s على Google Pixel 5، الذي تصفه بأنه هاتف متوسط الفئة (Okamoto وآخرون، Mobile PresenTra).
| المقياس | القيمة | المصدر |
|---|---|---|
| سرعة HiFi-GAN V1 مقابل HiFi-GAN V3 مقابل WaveGlow على وحدة معالجة مركزية Intel i7 لحاسوب محمول، بمضاعفات الزمن الحقيقي | 1.43x مقابل 13.44x مقابل 0.21x | Kong وآخرون، HiFi-GAN 2020 |
| سرعة تركيب Apple من البداية إلى النهاية، الجهاز المحمول A مقابل B، بمضاعفات الزمن الحقيقي | 1.47x مقابل 3.03x | Apple، التركيب العصبي للكلام على الجهاز 2021 |
| زمن الاستجابة كما يدركه العميل لدى Apple (من الطلب حتى تشغيل أول مخزن صوتي)، الجهاز A مقابل B | 179 ms مقابل 158 ms | Apple، التركيب العصبي للكلام على الجهاز 2021 |
| Mobile PresenTra على Google Pixel 5: RTF الدفعي؛ زمن الاستجابة التزايدي | نحو 0.3؛ أقل من 0.5 s | Okamoto وآخرون (NICT)، Mobile PresenTra، Interspeech 2024 |
| RTF على خيط واحد من وحدة AMD EPYC 7413 المركزية، لتوليد الرموز فقط (الأقل أسرع): SMAM+INR مقابل Small-E مقابل VALL-E X | 0.568 مقابل 2.404 مقابل 7.665 | Lee وآخرون (Samsung Research)، Interspeech 2025 |
| الزمن حتى أول رمز صوتي على خيط وحدة المعالجة المركزية نفسه: SMAM+INR مقابل Small-E مقابل VALL-E X | 0.061 s مقابل 14.34 s مقابل 41.41 s | Lee وآخرون (Samsung Research)، Interspeech 2025 |
| معاملات EfficientSpeech وسرعة توليد مخطط ميل على Raspberry Pi 4 | 266k معامل، 104.3x من الزمن الحقيقي | EfficientSpeech 2023 |
| Nix-TTS مقابل نموذج المعلم VITS التابع له، RTF على Raspberry Pi 3B (ما فوق 1.0 أبطأ من الزمن الحقيقي) | 1.974 مقابل 16.50 | Nix-TTS 2022 |
أحدث البيانات المتاحة: Kong وآخرون 2020 وApple 2021 وNix-TTS 2022 وEfficientSpeech 2023 أقدم من ثلاث سنوات؛ ولم نعثر على أرقام محكّمة أحدث لهذه المقارنات بعينها. وتقرّب خلاصة Apple الرقم المحمول إلى «3x أسرع من الزمن الحقيقي»، لكن جدولها يُظهر الجهاز A عند 1.47x. ويغطي رقم EfficientSpeech توليد مخطط ميل فقط دون المرمّز الصوتي، وتستثني صفوف Samsung معالجة الكوديك، لذا فليس أي منهما خط تركيب كلام كاملا.
6. المفاضلة بين السرعة والجودة
تتيح نماذج الانتشار ومطابقة التدفق السرعة كقرص ضبط: عدد خطوات أخذ العينات (تقييمات دالة الشبكة، أو NFE). أبقى SupertonicTTS معدل أخطاء الكلمات بين 2.639% و2.818% من 8 إلى 128 خطوة، لكن عند 4 خطوات قفز معدل الخطأ إلى 11.43% وهبطت درجة جودة NISQA إلى 2.623 (Supertone، SupertonicTTS). فالوضوح لا يتراجع تدريجيا؛ بل يبقى ثابتا ثم ينهار عند حافة، لذا يقع أرخص إعداد آمن فوقها مباشرة.
ويمكن أن تتحرك هذه الحافة دون عتاد جديد. فعلى RTX 3090، عمل F5-TTS بـ 7 خطوات متباعدة بانتظام وFast F5-TTS بـ 7 خطوات مقلّمة كلاهما بعامل زمن حقيقي قدره 0.030، لكن اختيار موضع الخطوات وحده خفّض معدل أخطاء الكلمات من 4.16% إلى 2.45%، قريبا من 2.37% لخط الأساس ذي 32 خطوة عند 0.123 (Zheng وآخرون، Interspeech 2025).
ويظهر الشكل نفسه في المرمّزات الصوتية والبث. فقد عمل HiFi-GAN V3 بسرعة تقارب 7.07 أضعاف V1 على وحدة V100 (26,169 kHz مقسومة على 3,701 kHz)، مقابل انخفاض في MOS من 4.36 إلى 4.05 (Kong وآخرون، HiFi-GAN). ووصف CosyVoice 2 وضع البث لديه بأنه «شبه خالٍ من الفقد في حالات الاختبار النموذجية»، ومع ذلك ارتفع معدل أخطاء الكلمات على مجموعة اختباره الصعبة من 6.83% في الوضع غير المتدفق إلى 8.08% في وضع البث (CosyVoice 2).
| المقياس | القيمة | المصدر |
|---|---|---|
| SupertonicTTS عند 4 مقابل 8 خطوات أخذ عينات: RTF؛ معدل أخطاء الكلمات؛ درجة NISQA | 0.006 مقابل 0.011؛ 11.43% مقابل 2.818%؛ 2.623 مقابل 3.916 | Supertone، SupertonicTTS 2025 |
| SupertonicTTS عند 32 خطوة (الإعداد المختار) مقابل 128 خطوة: RTF؛ درجة NISQA (تسجل التسجيلات الأصلية 4.070) | 0.037 مقابل 0.140؛ 4.033 مقابل 4.070 | Supertone، SupertonicTTS 2025 |
| RTF لـ F5-TTS على RTX 3090 عند 32 مقابل 16 مقابل 7 خطوات أخذ عينات | 0.123 مقابل 0.065 مقابل 0.030 | Zheng وآخرون، Interspeech 2025 |
| معدل أخطاء الكلمات على LibriSpeech-PC عند 7 خطوات، F5-TTS ذو التباعد المنتظم مقابل Fast F5-TTS (خط الأساس بـ 32 خطوة 2.37%) | 4.16% مقابل 2.45% | Zheng وآخرون، Interspeech 2025 |
| MOS لـ Matcha-TTS بخطوتين مقابل 10 خطوات أخذ عينات | 3.65 مقابل 3.84 | Mehta وآخرون، Matcha-TTS 2023 |
| معدل أخطاء الكلمات في CosyVoice 2 على مجموعة الاختبار الصعبة، الوضع غير المتدفق مقابل وضع البث | 6.83% مقابل 8.08% | CosyVoice 2 2024 |
| RTF لـ StyleTTS 2 بـ 4 مقابل 128 خطوة انتشار | 0.0179 مقابل 0.0963 | Li وآخرون، StyleTTS 2 2023 |
ملاحظة سياقية: NISQA هو أداة تنبؤ آلية وغير تدخلية بجودة الكلام، تقدّر درجة بأسلوب المستمع دون تسجيل مرجعي؛ وهي ليست اختبار استماع بشريا. ولا يذكر جدول خطوات SupertonicTTS عتاده، وتختلف قيمة 0.037 عند 32 خطوة عن القيمة 0.02 المذكورة في موضع آخر من الورقة نفسها.
7. السعر لكل مليون حرف ولكل ساعة من الصوت
تُظهر أسعار القوائم سوقا منقسمة إلى شرائح لا سعرا سائدا واحدا. تتقاضى Google Cloud مبلغ $4 لكل مليون حرف للأصوات القياسية وأصوات WaveNet لكن $160 لأصوات Studio، أي فرقا بمقدار 40 ضعفا للنص نفسه (Google Cloud Text-to-Speech pricing). وتتراوح أسعار Amazon Polly من $4 للقياسي إلى $100 لأصوات Long-Form، ويعادل مثالها نفسه مليون حرف بنحو 23 ساعة و8 دقائق من الكلام (AWS Amazon Polly pricing).
وباستخدام تحويل AWS هذا (23 ساعة و8 دقائق تساوي نحو 23.13 ساعة)، يبلغ سعر Polly Generative عند $30 نحو $1.30 لكل ساعة من الصوت (30 مقسومة على 23.13)، والقياسي نحو $0.17. أما النماذج المسعّرة بالرموز فتحتاج حسابا مختلفا: تذكر Google أن صوت Gemini TTS هو 25 رمزا في الثانية، فالساعة الواحدة تساوي 90,000 رمز صوتي، وتبلغ كلفة Gemini 2.5 Pro TTS عند $20 لكل مليون رمز صوتي نحو $1.80 لكل ساعة من المخرجات قبل رسوم النص المدخل. وتضغط النماذج مفتوحة الأوزان هذا أكثر: تُدرج Artificial Analysis نموذج Kokoro 82M على Replicate بسعر $0.65 لكل مليون حرف (Artificial Analysis text-to-speech leaderboard). وللاطلاع على اقتصاديات GPU الأوسع وراء هذه الأسعار، راجع إحصائيات تكلفة استدلال الذكاء الاصطناعي.
| المقياس | القيمة | المصدر |
|---|---|---|
| سعر القائمة لدى Google Cloud لكل مليون حرف: القياسي وWaveNet مقابل Neural2 | $4 مقابل $16 | أسعار Google Cloud Text-to-Speech 2026 |
| سعر القائمة لدى Google Cloud لكل مليون حرف: Chirp 3 HD مقابل Instant custom voice مقابل Studio | $30 مقابل $60 مقابل $160 | أسعار Google Cloud Text-to-Speech 2026 |
| سعر القائمة لدى Amazon Polly لكل مليون حرف: Standard وNeural وGenerative وLong-Form | $4 و$16 و$30 و$100 | أسعار AWS Amazon Polly 2026 |
| الأصوات العصبية في Microsoft Azure، الدفع حسب الاستخدام مقابل سعر التجاوز في شريحة الالتزام بـ 2,000M حرف، لكل مليون حرف | $15 مقابل $7.50 | أسعار Microsoft Azure Speech 2026 |
| OpenAI tts-1 (موصوف بأنه محسّن للسرعة) مقابل tts-1-hd، لكل مليون حرف | $15 مقابل $30 | أسعار OpenAI API 2026 |
| سعر مخرجات صوت Gemini 2.5 Pro TTS والكلفة المشتقة لكل ساعة من الصوت (25 رمزا في الثانية) | $20 لكل مليون رمز صوتي، نحو $1.80 لكل ساعة | أسعار Google Cloud Text-to-Speech 2026 (مشتق) |
| الكلفة المشتقة لكل ساعة من الصوت في Amazon Polly Generative وStandard | نحو $1.30 ونحو $0.17 | أسعار AWS Amazon Polly 2026 (مشتق) |
| سعر واجهة Kokoro 82M المستضافة لكل مليون حرف (Replicate) | $0.65 | لوحة صدارة Artificial Analysis TTS 2026 |
ملاحظة سياقية: هذه أسعار قوائم حتى 31 أكتوبر 2026، قبل الخصومات التفاوضية. وتبدأ شرائح الالتزام في Azure من $960 مقابل 80M حرف، أي $12 لكل مليون (960 مقسومة على 80). وتختلف الشرائح المجانية اختلافا كبيرا: يتضمن Polly Standard خمسة ملايين حرف شهريا، بينما يتضمن Polly Generative مئة ألف حرف شهريا للأشهر الـ 12 الأولى. وتذكر بطاقة نموذج Kokoro نفسها أن النموذج دُرّب بنحو $1,000 باستخدام 1,000 ساعة من وحدات A100 80GB (Kokoro-82M model card)، ما يبيّن مدى ضآلة حوسبة التدريب التي يحتاجها صوت منخفض الكلفة اليوم.
الخلاصة: عامل الزمن الحقيقي وتكلفة الاستدلال في تحويل النص إلى كلام بالأرقام
| المقياس | القيمة | المصدر |
|---|---|---|
| سرعة HiFi-GAN V3 مقابل WaveNet على وحدة V100، بمضاعفات الزمن الحقيقي | 1,186.80x مقابل 0.003x | Kong وآخرون، HiFi-GAN 2020 |
| RTF لـ FastSpeech 2 مقابل Transformer TTS | 0.0195 مقابل 0.932 | Ren وآخرون، FastSpeech 2 2020 |
| RTF لـ Matcha-TTS بخطوتي أخذ عينات، شاملا المرمّز الصوتي | 0.015 | Mehta وآخرون، Matcha-TTS 2023 |
| RTF لـ F5-TTS عند 16 خطوة مقابل RTF لـ CosyVoice | 0.15 مقابل 0.92 | Chen وآخرون، F5-TTS 2024 |
| زمن استجابة أول حزمة في VoXtream مقابل CosyVoice2، اختبار A100 نفسه | 102 ms مقابل 1,643 ms | KTH، VoXtream 2025 |
| زمن استجابة DSM-TTS، حجم دفعة 1 مقابل 64 | 150 ms مقابل 403 ms | Kyutai، DSM-TTS 2025 |
| زمن الوصول إلى أول صوت في Riva، تدفق واحد مقابل 32 تدفقا | 22 ms مقابل 323 ms | وثائق NVIDIA Riva 2.16.0 (قياس أجرته الشركة المزودة) |
| أول صوت في SpeakStream مع PWG مقابل المرمّز الصوتي المتدفق | 180 ms مقابل 40 ms | Apple، SpeakStream 2025 |
| سرعة التركيب على الجهاز لدى Apple، جهازان محمولان | 1.47x و3.03x من الزمن الحقيقي | Apple، التركيب العصبي للكلام على الجهاز 2021 |
| توليد مخطط ميل في EfficientSpeech على Raspberry Pi 4 | 104.3x من الزمن الحقيقي | EfficientSpeech 2023 |
| RTF الدفعي في Mobile PresenTra على Google Pixel 5 | نحو 0.3 | Okamoto وآخرون (NICT)، Mobile PresenTra، Interspeech 2024 |
| معدل أخطاء الكلمات في SupertonicTTS عند 4 مقابل 8 خطوات أخذ عينات | 11.43% مقابل 2.818% | Supertone، SupertonicTTS 2025 |
| معدل أخطاء الكلمات في F5-TTS عند 7 خطوات، جدول متباعد بانتظام مقابل جدول مقلّم | 4.16% مقابل 2.45% | Zheng وآخرون، Interspeech 2025 |
| معدل أخطاء الكلمات في CosyVoice 2 على المجموعة الصعبة، الوضع غير المتدفق مقابل وضع البث | 6.83% مقابل 8.08% | CosyVoice 2 2024 |
| أصوات Google Cloud القياسية مقابل Studio، لكل مليون حرف | $4 مقابل $160 | أسعار Google Cloud Text-to-Speech 2026 |
| أصوات Amazon Polly Long-Form، لكل مليون حرف | $100 | أسعار AWS Amazon Polly 2026 |
| الكلام الناتج عن مليون حرف، مثال التسعير لدى Amazon | نحو 23 ساعة و8 دقائق | أسعار AWS Amazon Polly 2026 |
| الأصوات العصبية في Azure، الدفع حسب الاستخدام لكل مليون حرف | $15 | أسعار Microsoft Azure Speech 2026 |
| سعر Kokoro 82M المستضاف لكل مليون حرف | $0.65 | لوحة صدارة Artificial Analysis TTS 2026 |
المنهجية والمصادر
- Kong وKim وBae: HiFi-GAN (2020)، الجدول 1 للسرعة وMOS وأعداد المعاملات على وحدة V100 ووحدة معالجة مركزية لحاسوب محمول.
- Ren وآخرون: FastSpeech 2 (2020)، الجدول 2 لعامل زمن الاستدلال على خادم V100 عند حجم دفعة 1.
- Mehta وآخرون: Matcha-TTS (2023)، RTF شاملا الترميز الصوتي على بطاقات RTX 3090.
- Li وآخرون: StyleTTS 2 (2023)، RTF الإجمالي وحسب عدد خطوات الانتشار.
- Chen وآخرون: F5-TTS (2024)، RTF على RTX 3090 لعشر ثوان من الكلام، مع جدول مقارنة لخطوط الأساس.
- Supertone: SupertonicTTS (2025)، RTF على RTX 4090 وRTX 3090، ودراسة استئصال خطوات أخذ العينات.
- معهد KTH الملكي للتكنولوجيا: VoXtream (2025)، زمن استجابة أول حزمة وRTF بدقة FP16 على A100.
- Kyutai: Streaming Sequence-to-Sequence Learning with Delayed Streams Modeling (2025)، زمن استجابة DSM-TTS وRTF والإنتاجية حسب حجم الدفعة.
- Apple: SpeakStream (2025)، زمن الاستجابة على Mac mini بمعالج M4 Pro مع MLX؛ On-device neural speech synthesis (2021)، قياسات الأجهزة المحمولة.
- FunAudioLLM: CosyVoice 2 (2024)، جودة البث مقابل الوضع غير المتدفق؛ CosyVoice GitHub README (ادعاء من المشروع، 2026).
- EfficientSpeech (2023) وNix-TTS (2022)، نماذج صغيرة الحجم على وحدة المعالجة المركزية وRaspberry Pi.
- أوراق Interspeech: Okamoto وOhtani وKawai (NICT)، Mobile PresenTra (2024)، RTF وزمن الاستجابة على الهاتف الذكي؛ Lee وآخرون (Samsung Research)، Efficient Streaming TTS Acoustic Model with Depthwise RVQ Decoding Strategies in a Mamba Framework (2025)، RTF وزمن الاستجابة على خيط واحد من وحدة المعالجة المركزية؛ Zheng وآخرون، Accelerating Flow-Matching-Based Text-to-Speech via Empirically Pruned Step Sampling (2025)، سرعة F5-TTS ومعدلات الخطأ حسب عدد الخطوات.
- NVIDIA: Riva 2.16.0 TTS performance، جداول زمن الاستجابة وRTFX التي أجرتها الشركة المزودة.
- صفحات الأسعار، قُرئت في 31 أكتوبر 2026: Google Cloud Text-to-Speech وAmazon Polly وMicrosoft Azure Speech وOpenAI API وصفحة نموذج OpenAI tts-1.
- Artificial Analysis text-to-speech leaderboard (2026) وبطاقة نموذج Kokoro-82M (Hugging Face)، لتسعير النماذج مفتوحة الأوزان وكلفة التدريب.
- ملاحظة حول البيانات: لا يمكن مقارنة أرقام RTF بين الأوراق ما لم تتطابق وحدة المعالجة وحجم الدفعة والدقة وشمول المرمّز الصوتي؛ وحتى داخل ورقة واحدة، يذكر SupertonicTTS القيمتين 0.037 و0.02 لما يبدو أنه الإعداد نفسه. ولا توضح ورقة F5-TTS كيف قيست قيم RTF لخطوط الأساس، وتتعارض سرعة F5-TTS نفسها بين المصادر على طراز GPU نفسه: تعطي الورقة الأصلية 0.15 عند 16 خطوة و0.31 عند 32 خطوة على RTX 3090، بينما يعطي Zheng وآخرون 0.065 و0.123 على RTX 3090، دون تفسير للفجوة في الصفحات التي قرأناها. ولا يسمّي الجدول 6 لدى Kyutai وحدة GPU الخاصة به، وتطبع الورقة زمن استجابة نحو 800 ms لـ F5-TTS عند 16 خطوة ونحو 400 ms عند 32 خطوة، عكس ما تفعله خطوات أكثر عادة، لذلك لم نستخدم هاتين القيمتين. ويغطي قياس VoXtream ورقم README لـ CosyVoice إصدارين مختلفين من CosyVoice، فلا يمكن مقارنتهما مباشرة. ويتعارض التحويلان من الأحرف إلى الصوت: يوحي مثال Amazon بنحو 720 حرفا في الدقيقة (1,000,000 حرف مقسومة على 1,388 دقيقة)، بينما تستخدم بطاقة Kokoro نحو 1,000، لذا فالكلفة لكل ساعة المبنية على نسبة Kokoro أعلى بنحو 39% من تلك المبنية على نسبة Amazon (1,000 مقسومة على 720 تساوي نحو 1.39). وتصنّف Google Cloud نماذج Gemini 3.8 TTS لديها على أنها نسخة معاينة، مع أسعار مقرر تغييرها في 1 يناير 2027. وتدرج قواعد MLPerf Inference من MLCommons نموذج Whisper لتحويل الكلام إلى نص دون أي حمل عمل لتحويل النص إلى كلام، لذا لا يوجد معيار صناعي محايد لسرعة تحويل النص إلى كلام هناك؛ وأكثر من ورقة عتادية هنا أقدم من ثلاث سنوات وقد وُسمت بأنها أحدث البيانات المتاحة.
آخر تحديث: 31 أكتوبر 2026. نحدّث هذا الاستعراض كل ثلاثة أشهر، ومن المتوقع أن يتم التحديث التالي عندما يبدأ سريان تغيير أسعار Gemini TTS لدى Google Cloud في 1 يناير 2027.