مراجعة Qwen3-TTS (2026): جودة الصوت، والسرعة، واللغات، وواجهة برمجة التطبيقات (API)

يجب أن تجيب أي مراجعة مفيدة لخدمة Qwen3-TTS على سؤال أساسي قبل تقييم الأصوات: عن أي خدمة Qwen3-TTS نتحدث بالضبط؟ في عام 2026، يشمل هذا الاسم نقاط التحقق القابلة للتنزيل بسعة 0.6B و1.7B، وواجهات برمجة تطبيقات Qwen3-TTS المستضافة على Alibaba Cloud، وسوقًا يُوصى فيه أيضًا باستخدام عائلة Qwen-Audio 3.0 TTS المنفصلة. إن التعامل مع هذه المنتجات ككيان واحد يؤدي إلى ادعاءات مضللة بشأن السرعة واللغة والأسعار.

الإجابة المختصرة هي أن Qwen3-TTS يُعد أحد أكثر حزم الصوت المفتوحة مرونةً في عام 2026. فهو يوفر عشر لغات، ونقاط تفتيش مخصصة للمهام، واستنساخ الصوت في غضون ثلاث ثوانٍ تقريبًا، وتصميم صوتي باللغة الطبيعية، ودعم البث المباشر، وإصدارًا بموجب ترخيص Apache-2.0. لكن هذه المراجعة لا تتضمن تقييمًا لجودة الاستماع: فبيئة الاختبار المتاحة لم تكشف عن نقطة نهاية حقيقية لـ Qwen3-TTS، كما أن وحدة معالجة الرسومات (GPU) المحلية بسعة 2 جيجابايت لم تكن مناسبة لإجراء اختبار أداء تمثيلي بين 0.6 مليار و1.7 مليار.

حالة Qwen3-TTS في عام 2026

أصدرت Qwen أوزان فئة Qwen3-TTS المفتوحة في 22 يناير 2026. وقد المستودع الرسمي لـ Qwen3-TTS تسرد خمس نقاط فحص تم إصدارها بتردد 12 هرتز: 1.7B VoiceDesign، و1.7B CustomVoice، و1.7B Base، و0.6B CustomVoice، و0.6B Base. المطابقة مجموعة Hugging Face كما تتضمن أداة تقطيع النصوص. وهذه هي النماذج التي يمكن للمطورين الاطلاع عليها وتنزيلها وتشغيلها بموجب الترخيص المنشور.

تقدم «أليبابا كلاود» بشكل منفصل مجموعات خدمات «Qwen3-TTS Flash» و«Instruct» واستنساخ الصوت وتصميم الصوت عبر واجهات غير فورية وفورية. وتتمثل خدماتها الحالية في كتالوج نماذج توليف الكلام ينبغي اعتبارها المصدر الموثوق للمعلومات المتعلقة بالأسماء المستعارة المستضافة والمناطق واللغات والواجهات، لأن هذه التفاصيل قد تتغير دون أن تتغير أسماء نقاط الفحص المفتوحة.

هناك مسألة أخرى تتعلق بالتسمية. تشير إرشادات اختيار النماذج لعام 2026 الصادرة عن Alibaba Cloud أيضًا إلى استخدام نموذج Qwen-Audio 3.0 TTS لعدد من المهام المستضافة. لا يُعد Qwen-Audio 3.0 TTS نسخة معاد تسميتها من نقطة التحقق 0.6B أو 1.7B Qwen3-TTS. إذا كنت تتابع بالفعل عائلة Qwen الأوسع نطاقًا، فإن Qwen 3.8: المواصفات القصوى ومراجعة إمكانية الوصول يوضح هذا لماذا يُعد التسمية الدقيقة للنماذج أمرًا مهمًا عبر منتجات Qwen.

استخدم اسم نقطة التحقق المفتوحة للاستدلال المحلي، ومعرّف نموذج Alibaba Cloud الدقيق لسلوك واجهة برمجة التطبيقات (API)، واستخدم Qwen-Audio 3.0 TTS فقط كخيار بديل منفصل. وهذا يضمن بقاء كل ادعاء متعلق بالجودة وزمن الاستجابة والسعر مرتبطًا بالمنتج الذي أنتجه.

الحكم السريع: قوي، ومنفتح، ويأخذ الأدلة في الاعتبار

يُعد Qwen3-TTS الخيار الأكثر جاذبية للفرق التي ترغب في التحكم ومرونة النشر. تدعم نقاط الفحص الأساسية (Base checkpoints) عملية الاستنساخ، وتوفر ميزة CustomVoice مكبرات صوت محددة مسبقًا مع إمكانية التحكم في التعليمات، بينما تتيح ميزة VoiceDesign إنشاء صوت بناءً على وصف مكتوب. ويجعل الدعم لعشر لغات هذه المجموعة أكثر فائدة بكثير من العرض التوضيحي المفتوح الذي يقتصر على اللغة الإنجليزية فقط، في حين توفر الإصدارات 0.6B للمطورين نقطة انطلاق أصغر حجمًا.

التحذير الرئيسي يتعلق بجودة الأدلة. يُظهر تقرير Qwen نتائج قياس أداء قوية وزمن انتقال منخفض للحزمة الأولى في بيئة داخلية مُحسَّنة. ولا تكشف هذه الأرقام عن عمليات التشغيل البارد لأجهزة الكمبيوتر المحمولة، أو السعة المتاحة لذاكرة VRAM في الحاويات، أو طريقة نطق أسماء منتجاتكم. كما أن الوعود العامة بزمن انتقال يبلغ 97 مللي ثانية تتجاهل شروط إجراء اختبارات الأداء.

بالنسبة للنموذج الأولي المُستضاف ذاتيًا، يُعد Qwen3-TTS من بين أفضل الخيارات في القائمة المختصرة. أما بالنسبة لواجهة برمجة التطبيقات (API) المخصصة للإنتاج، فيُوصى بمقارنة خيار Qwen3-TTS المُستضاف مع التوصيات الأحدث لـ Qwen-Audio، والدعم التشغيلي، وتوافر الخدمة في المناطق المختلفة، وتكلفة إدارة الأصوات المستنسخة. إذا كان هدفك يتجاوز الكلام ليشمل المؤثرات الصوتية أو الموسيقى، فإن النطاق الأوسع اختبارات الصوت والمؤثرات الصوتية والموسيقى في برنامج Seed Audio 1.0 تغطي مسار عمل صوتي مختلف وأكثر تعدداً في الوسائط.

خلاصة القول: يُظهر نظام Qwen3-TTS أداءً ممتازًا من حيث البنية والانفتاحية وتغطية الميزات. إلا أن مستوى أدائه الفعلي في مرحلة الإنتاج لا يزال يعتمد على نقطة التحقق أو نقطة النهاية المحددة، والأجهزة المستخدمة، واللغة المختارة، بالإضافة إلى صوت مرجعي متفق عليه تم اختباره باستخدام نصوصك الخاصة.

ما هو Qwen3-TTS؟

Qwen3-TTS هي عائلة من نماذج توليد الكلام مبنية على أساس أداة تجزئة الكلام المنفصلة التي تعمل بمعدل 12.5 إطارًا في الثانية. وفقًا لـ التقرير الفني Qwen3-TTS, ، وقد تم تدريب النظام على أكثر من خمسة ملايين ساعة من البيانات عبر عشر لغات. ويُعد معدل الرموز المنخفض عنصراً أساسياً في التصميم: فوجود عدد أقل من الرموز الصوتية يمكن أن يقلل من عبء عملية فك الترميز ويجعل البث المباشر أكثر عملية، في حين لا يزال يتعين على النموذج الحفاظ على الطابع الصوتي والنطق والإيقاع الصوتي.

نقاط التفتيش الخمس التي تم الكشف عنها مخصصة لمهام محددة، وليست بمثابة سلم حيث يقوم كل نموذج أكبر بكل شيء:

يُعد “Base” الخيار الأمثل عندما يكون لديك مكبر صوت مرجعي وإذن باستخدام ذلك الصوت. أما «CustomVoice» فهو الخيار الأسهل عندما يتناسب أحد الألوان الصوتية المعدة مسبقًا والمتوفرة في Qwen مع المشروع. أما «VoiceDesign» فهو مخصص لمتطلبات شخصية معينة، مثل «راوي هادئ وناضج ذو نبرة صوتية منخفضة ناعمة»، حيث لا يلزم وجود تسجيل مرجعي.

لا يحتاج دليل المنتج إلى الاستنساخ إذا كان الراوي المُعد مسبقًا مناسبًا، وقد لا تحتاج الشخصية الخيالية إلى تسجيل صوتي لشخص حقيقي إذا تمكنت «VoiceDesign» من ابتكار هوية مناسبة لها. قم بتقييم كل مهمة باستخدام نقطة التحقق المطابقة.

كيف تم إجراء اختبار هذا الجهاز Qwen3-TTS

يستند هذا الاستعراض إلى أربع مستويات من الأدلة: الوثائق الرسمية، والتقرير الفني Qwen، وفحص الأجهزة محليًّا، واختبار مُحكَم لغلاف صوتي مستضاف منفصل. وتدعم المصادر الرسمية الحقائق المتعلقة بالمنتج ومعايير الأداء التي أبلغ عنها الموردون. أما اختبار الغلاف الصوتي، فيدعم فقط السلوك الملحوظ له، ولا يدعم درجة جودة الصوت Qwen3-TTS.

بيئة المهام المتاحة المذكورة qwen-audio-3.0-tts-flash, وليس qwen3-tts-* نموذج.

قم بإنشاء تسجيل صوتي واضح باللغة الإنجليزية المنطوقة. اقرأ النص بالضبط كما يلي: 'عند شروق الشمس، قام فريق البحث بالتحقق من كل إشارة مرتين قبل الإعلان عن النتيجة.' استخدم صوت راوي بالغ دافئ وهادئ، ووتيرة طبيعية، وحروف ساكنة واضحة، ووقفًا قصيرًا بعد كلمة 'شروق الشمس'. لا تضف موسيقى أو مؤثرات صوتية أو مقدمة أو أي كلمات غير موجودة في الجملة المقتبسة.

في الاختبار الذي أجريناه، أسفرت هذه المدخلات عن ملف MP3 مدته 21.263673 ثانية، وقامت بتلاوة التوجيهات بصوت عالٍ. وأظهرت نتيجة الاختبار أن «الرابر» تعامل مع المطالبة الكاملة على أنها نص صوتي.

عند شروق الشمس، قام فريق البحث بالتحقق من كل إشارة مرتين قبل الإعلان عن النتيجة.

أعدنا إجراء الاختبار المقارن باستخدام الجملة المستهدفة فقط. وفي اختبارنا، كانت النتيجة ملف MP3 مدته 6.086531 ثانية، بتردد 22,050 هرتز، ومعدل نقل 128 كيلوبت في الثانية، وصوت أحادي. وقد تطابق الملف مع الجملة المستهدفة كلمة بكلمة، ولم يضف أي تعليمات.

استمع المستخدم إلى كلا الملفين وأقر بالتقييمات الواردة أدناه. ويُعد هذا فحصًا عمليًّا أجراه مستمع واحد، وليس دراسة MOS أو لجنة استماع.

بدت العينة التي تحتوي على التعليمات واضحة وطبيعية في الغالب، لكن قراءة التعليمات أضرت بدقة النص وقابلية الاستخدام في الإنتاج. أما العينة المكتوبة بنص عادي، فقد بدت طبيعية، واتّبعت الجملة بدقة، ولم تتطلب أي تنقيح للمحتوى. هذه الدرجات تصف فقط العينتين qwen-audio-3.0-tts-flash عناصر التحكم المُغلفة؛ فهي ليست تصنيفًا لجودة الصوت في نقطة فحص Qwen3-TTS.

لا تفترض أبدًا أن تعليمات التصميم والسرد يشتركان في حقل واحد. دليلنا إلى جعل الخطاب الذي تكتبه الذكاء الاصطناعي يبدو أكثر إنسانية يحسّن النص، لكن حقول النقاط النهائية هي التي تحدد ما إذا كانت التوجيهات ستتحكم في الصوت أم ستبدأ التسجيل.

أظهر الفحص الميداني وجود بطاقة NVIDIA GeForce MX450 مزودة بذاكرة فيديو (VRAM) سعة 2 جيجابايت وذاكرة نظام تبلغ حوالي 16.9 جيجابايت. ولا تُعد هذه المنصة مناسبة لاختبار المصفوفة المخطط لها التي تبلغ قيمتها 0.6B مقابل 1.7B. قد يكون تفريغ عبء المعالج (CPU offload) مجرد اختبار أولي، وليس مؤشراً على السرعة الفعلية. ولذلك، لم يتم تقييم جودة الصوت Qwen3-TTS، واختبار RTF المحلي، وتشابه النسخ، والاتساق بين اللغات.

جودة الصوت في Qwen3-TTS: ما يمكن للأدلة إثباته

يُظهر التقرير الرسمي نتائج قوية لنظام Qwen3-TTS في مجالات الوضوح، وتشابه المتحدثين، واتباع التعليمات، والتوليد متعدد اللغات، والكلام الطويل، والبث المباشر. وتُعد هذه مؤشرات مقارنة مفيدة، لكنها تظل معايير قياسية أوردها نظام Qwen، وليست تسجيلات تم إنتاجها هنا.

يجب أن يشمل اختبار الصوت الخاص بالإنتاج النطق، والضوضاء غير المرغوب فيها، وسرعة الكلام، والعاطفة، وقابلية التكرار، وعبء التحرير، والاختصارات، والتواريخ، والعملات، وعناوين URL، والأسماء، والتبديل بين اللغات، والجمل الطويلة.

اقترن الاستماع بالنصوص والبيانات الوصفية؛ الـ سير عمل النسخ الصوتي ChatGPT يجعل عملية تدقيق النص قابلة للتكرار.

يبدو جهاز Qwen3-TTS واعدًا، لكن هذه المراجعة لا تتضمن نتائج اختبارات أداء مباشرة. قبل الشراء، قم باختباره مرارًا وتكرارًا باستخدام مكبرات الصوت المدمجة في الجهاز وسماعات الرأس ومكبرات صوت الهاتف.

ما ركز عليه المراجعون الخارجيون

يُبرز العرض التوضيحي على مواقع التواصل الاجتماعي لـ Qwen تنوعًا في النغمات واللغات واللهجات. ركز المبدع المستقل بيجان بوين على الأداء المحلي واستنساخ الصوت؛ بينما وصف جيف جيرلينج هذا الإصدار بأنه منافس قوي مفتوح المصدر لمنصات تحويل النص إلى كلام (TTS) المُدارة. وتُعد هذه وجهات نظر المراجعين، وليست نتائج اختبارات قياسية أو دليلاً على وجود إجماع على مستوى السوق.

السرعة وزمن الاستجابة لـ Qwen3-TTS

يبلغ الرقم البارز للسرعة 97 مللي ثانية كزمن استجابة للحزمة الأولى بالنسبة للنموذج 0.6B 12Hz. ويُشير الجدول نفسه في التقرير الفني إلى 101 مللي ثانية للنموذج 1.7B 12Hz عند مستوى التزامن 1. وبلغت عوامل الوقت الفعلي المبلغ عنها 0.288 و0.313 على التوالي. وبعبارة بسيطة، فإن عامل الوقت الفعلي (RTF) الذي يقل عن 1 يعني أن عملية التوليف تمت بسرعة أكبر من مدة الصوت الذي تم إنشاؤه في تلك البيئة.

وقد تم التوصل إلى هذه النتائج بفضل الإعداد الداخلي المُحسَّن لنظام vLLM في Qwen. وهي لا تمثل توقعات عامة لـ«الوقت المستغرق حتى ظهور أول صوت» بالنسبة لجهاز كمبيوتر محمول يعمل بنظام Windows، أو حاوية خالية من الخوادم في حالة «البدء البارد»، أو منطقة API مشتركة. ويُظهر التقرير أيضًا أن التزامن يؤثر على زمن الوصول. فعمليات تحميل النموذج، ومعالجة الصوت المرجعي، والعبور عبر الشبكة، والانتظار في قائمة الانتظار، وتعبئة الصوت، والتشغيل على جانب العميل، يمكن أن تقع جميعها خارج نطاق عدد وحدات فك التشفير الأساسية.

ينبغي أن يتضمن السجل المعياري العادل ما يلي:

• الأجهزة، والدقة، ومراجعة النماذج، والاهتمام بالجانب الخلفي.
• الحالة الباردة أو الدافئة، والتزامن، ووقت بدء الصوت الأول، والوقت الإجمالي، والذاكرة المرئية (VRAM) القصوى، ومدة الإخراج، ووقت الاستجابة (RTF).
• بالنسبة لواجهة برمجة التطبيقات (API): المنطقة، ونوع الاتصال، ومعرّف الطلب، وإدارة قائمة الانتظار، ومحاولات إعادة الطلب.

ينبغي أن يكون النموذج 0.6B هو الخيار الأكثر أمانًا عندما تكون الذاكرة والتزامن أكثر أهمية من السعة القصوى. أما النموذج 1.7B فهو الخيار الأكثر منطقية من حيث الجودة عندما تتوفر سعة احتياطية في الجهاز. لكن دون استخدام نفس المطالبة والمتحدث وإعدادات أخذ العينات وحالة التسخين، لا يمكن لحجم النموذج وحده أن يحدد الفرق الحقيقي في زمن الاستجابة.

Qwen3-TTS: اللغات والنطق

تدعم نقاط الفحص المفتوحة Qwen3-TTS عشر لغات: الصينية، والإنجليزية، واليابانية، والكورية، والألمانية، والفرنسية، والروسية، والبرتغالية، والإسبانية، والإيطالية. هذه القائمة مستمدة من المستودع الحالي ومواد النماذج التي تم إصدارها. يرجى عدم إضافة اللغات التايلاندية أو الإندونيسية أو الماليزية أو الفيتنامية دون إشعار مسبق، لأن منتجًا صوتيًا آخر من طراز Qwen يدعمها بالفعل.

“تعني عبارة ”يدعم» أن النموذج قادر على توليد اللغة؛ ولا تعني أن كل صوت يضاهي اللغة الأم بنفس الدرجة في كل منطقة. فاللغتان البرتغالية والإسبانية وحدهما تنطويان على اختلافات إقليمية مهمة. وينبغي أن يحدد النشر التجاري الإعدادات الإقليمية المستهدفة، وأن يستعين بمراجعين من الناطقين الأصليين، وأن ينشئ مجموعة بيانات تدريب على النطق خاصة بالأسماء والوحدات القياسية والعناوين والعبارات القانونية.

يحتاج التبديل بين اللغات إلى اختبار خاص به. فجملة مثل “افتح واجهة برمجة تطبيقات Qwen3-TTS في ساو باولو الساعة 9:30 صباحًا” تجمع بين هيكل جملة باللغة الإنجليزية، واسم نموذج، ونطق باللغة البرتغالية، وعلامات ترقيم، ووقت. وهذا أقرب بكثير إلى النص الفعلي للتطبيق مقارنة بجملة عرض توضيحية أحادية اللغة خالية من أي عناصر إضافية. أما بالنسبة لدبلجة الفيديو، فيجب أن يتناسب النطق أيضًا مع التوقيت؛ حيث إن Veo 3.1: سير عمل الحوار والصوت ومزامنة الشفاه يتناول مشكلة التزامن المحيطة.

استنساخ الصوت، و«CustomVoice»، و«VoiceDesign»

تدعم نقاط الفحص في «Base» الاستنساخ الصوتي السريع من مقطع صوتي مرجعي مدته حوالي ثلاث ثوانٍ. ويُعد ذلك حدًا أدنى مثيرًا للإعجاب من حيث القدرات، وليس وعدًا بأن الثلاث ثوانٍ هي دائمًا أفضل عينة إنتاجية. فقد تفتقر المقاطع المرجعية القصيرة إلى النطاق الصوتي، ووتيرة الكلام، وتغطية الحروف المتحركة، والعاطفة، واتساق الميكروفون.

تتسم إرشادات التسجيل المستضافة من «أليبابا كلاود» بطابع أكثر تحفظًا: فهي تتطلب ما لا يقل عن ثلاث ثوانٍ من الكلام الواضح والمتواصل، وتسمح بعينات أطول، وتوصي بتسجيل أوضح وأطول من أجل الاستنساخ الفعلي. اتبع الإرشادات الحالية وثائق استنساخ الصوت بالنسبة لقواعد التنسيق ومعدل العينات والقنوات والمدة والمنطقة، بدلاً من اعتبار العرض التوضيحي الذي استمر ثلاث ثوانٍ في الورقة البحثية بمثابة مواصفات للتحميل.

يتجنب CustomVoice محاكاة صوت شخص حقيقي. ويضم الإصدار المفتوح تسعة نغمات صوتية متميزة لمختلف اللغات أو الأنماط، مما يجعله خيارًا جذابًا عندما تكون الهوية المحددة مسبقًا والتحكم في التعليمات كافيين.

تقوم «VoiceDesign» بإنشاء نغمة صوتية استنادًا إلى وصف باللغة الطبيعية. الخدمة المستضافة وثائق تصميم الصوت يوضح هذا الرسم البياني مسار العمل الخاص بالإنشاء المستقل. وهو مناسب للشخصيات الخيالية والأصوات الاصطناعية للعلامات التجارية، لكن لا يزال من الضروري اختبار الأوصاف للتأكد من العمر المتصور واللهجة والتحيز الثقافي.

يتطلب الاستنساخ حقوقًا صريحة وموافقة مستنيرة. يجب الاحتفاظ بسجل الموافقة الأصلي، وتحديد الاستخدامات المسموح بها، ومنع إعادة التسجيل في المراحل اللاحقة، وتوفير إجراء للحذف. فالمخاطر ليست مجرد افتراضات؛ إن تحليل الخصوصية والموافقة في مجال التعرف على الوجه والصوت يوضح لماذا يجب أن تُدمج إجراءات الحماية المتعلقة بالهوية والبيانات البيومترية والانتحال في تصميم المنتج بدلاً من أن تقتصر على حاشية.

Qwen3-TTS 0.6B مقابل 1.7B: أيهما ينبغي أن تستخدم؟

اختر الحجم 0.6B عندما يكون النقطة المقيدة الأولى هي النشر. فهو الخيار الأفضل في حالات وحدات معالجة الرسومات (GPU) الأصغر حجمًا، ومستويات التزامن الأعلى، والتجارب الأسرع، والاستضافة الذاتية التي تراعي التكلفة. يتوفر كل من «Base» و«CustomVoice» بهذا الحجم، لذا يمكنك تقييم استنساخ المتحدثين أو استخدام المتحدثين المعدين مسبقًا دون الحاجة إلى البدء من أكبر نقطة فحص.

اختر الإصدار 1.7B عندما تكون هامش الجودة ونطاق الميزات أكثر أهمية. فهو الحجم الوحيد الذي تم إصداره مزودًا بتقنية VoiceDesign، وهو الخيار الأكثر ملاءمة للفرق التي ترغب في التضحية بالذاكرة وسعة النقل مقابل زيادة السعة التخزينية. تُظهر أرقام التزامن-1 الواردة في التقرير الفني فرقًا طفيفًا في وقت وصول الحزمة الأولى ووقت الاستجابة (RTF) في الإعداد المُحسّن لـ Qwen، لكن قد تؤدي أجهزةك الخاصة إلى توسيع أو تضييق هذه الفجوة.

عدد المعلمات لا يعبر عن متطلبات ذاكرة الفيديو (VRAM). فهناك عوامل أخرى مهمة، مثل الدقة، وطريقة تنفيذ الانتباه، وذاكرة التخزين المؤقت، وطول المرجع، وحجم الدفعة، والتكاليف الإضافية للإطار البرمجي. فالنموذج الذي يكاد لا يتم تحميله لا يُعد خدمة إنتاجية موثوقة.

بالنسبة لوحدة MX450 سعة 2 جيجابايت التي تم فحصها خلال هذه المراجعة، لا يوفر أي من الحجمين مسارًا تمثيليًّا لاختبار أداء وحدة معالجة الرسومات (GPU). وتتمثل الخطوة العملية التالية في استخدام حزمة CUDA أحدث ووحدة معالجة رسومات مناسبة أو نقطة نهاية مستضافة رسميًا. وعبارة “عملت مع تفريغ الحمل عن وحدة المعالجة المركزية (CPU)” ستكون مجرد ملاحظة تتعلق بالتوافق، وليست حكمًا ذا مغزى بشأن السرعة.

واجهة برمجة التطبيقات Qwen3-TTS: HTTP، والبث المباشر، ومعرّفات النماذج

توفر Alibaba Cloud نماذج توليد HTTP غير الفورية ونماذج WebSocket الفورية. استخدم التوليف غير الفوري عندما يكون بإمكانك انتظار النتيجة الكاملة وترغب في الحصول على أبسط مسار للطلب. استخدم البث عبر WebSocket عندما يكون زمن الاستجابة في المحادثة أو التشغيل التدريجي أمرًا مهمًا. يمكن أن يُرجع البث عبر HTTP أو الأحداث المرسلة من الخادم بيانات تزايدية، ولكن لا ينبغي الخلط بينها وبين مجموعة النماذج المخصصة ذات زمن الاستجابة المنخفض في الوقت الحقيقي.

تشمل العائلات المستضافة حاليًا Qwen3-TTS Flash للأصوات المدمجة، وInstruct Flash للتحكم في الأداء باللغة الطبيعية، وVC للأصوات المستنسخة، وVD للأصوات المصممة. تختلف معرّفات النماذج واللقطات المؤرخة بين المسارات غير الفورية والمسارات الفورية، لذا قم بنسخها من الوثائق الحالية بدلاً من تكوين الأسماء بالاستدلال.

التيار وثائق واجهة برمجة التطبيقات (API) لـ Qwen-TTS يحدد الحد الأقصى لعدد الرموز في كل طلب بـ 512 رمزًا. وهذا هو الحد المعمول به لهذه المجموعة؛ ولا ينبغي نسخ القاعدة المنفصلة التي تنص على 600 حرف، والموثقة لنماذج تحويل النص إلى كلام (TTS) الأخرى، إلى تكامل Qwen3-TTS. تظل عناوين URL الخاصة بالملفات الصوتية الكاملة صالحة لمدة 24 ساعة، لذا يجب على أنظمة الإنتاج نقل الملفات المطلوبة إلى وحدة تخزين دائمة بدلاً من استخدام عنوان URL الخاص بالاستجابة كوسائط دائمة.

import os
import dashscope

dashscope.base_http_api_url = "https://dashscope-intl.aliyuncs.com/api/v1"

response = dashscope.MultiModalConversation.call(
    model="qwen3-tts-flash",
    api_key=os.environ["DASHSCOPE_API_KEY"],
    text="طلبك جاهز للاستلام الساعة 4:30 مساءً.",
    voice="Cherry",
    language_type="English",
)

print(response)

يجب أن يتطابق مفتاح واجهة برمجة التطبيقات (API) مع منطقة نقطة النهاية. تستخدم عمليات النشر في بكين وسنغافورة بيانات اعتماد وعناوين URL أساسية مختلفة، في حين أن توفر النماذج قد يختلف حسب المنطقة. لا تقم أبدًا بتضمين المفتاح في WordPress أو في جافا سكريبت من جانب العميل أو في ملف ثنائي للجوال. أرسل طلبات التوليف عبر خادم تحت سيطرتك، وسجل معرّفات الطلبات دون تسجيل المدخلات الحساسة، وقم بتعيين سياسة دورة حياة للملفات الصوتية التي يتم إنشاؤها.

بالنسبة للوثائق الطويلة، قم بتقسيمها عند الحدود الدلالية، وحافظ على السياق، وقم بتوحيد الأرقام، وانتبه إلى كل نقطة ربط. قد تظل المقاطع الصالحة تبدو وكأنها لقطات منفصلة عندما يتغير الإيقاع أو الحماس بين المكالمات.

أسعار طراز Qwen3-TTS في الأسواق الدولية

أليبابا كلاود صفحة أسعار «Model Studio» أوردت الأسعار التالية الخاصة بالمنطقة الدولية عند التحقق منها في 11 أغسطس 2026. يتم احتساب تكلفة الأحرف المدخلة، بينما تكون الأحرف المخرجة مجانية بالنسبة لهذه الصفوف. قد تتغير الأسعار والحصص المجانية والأسماء المستعارة وتوافر الخدمة في المناطق المختلفة، لذا يرجى التأكد من النشر المحدد قبل تنفيذ دفعة كبيرة.

يُعتبر إنشاء الصوت رسماً منفصلاً عن رسوم التوليف. وتحدد نفس قائمة الأسعار الدولية رسوم تسجيل الصوت Qwen بمبلغ $0.01 لكل نسخة مستنسخة، ورسوم تصميم الصوت بمبلغ $0.20 لكل صوت مصمم. ومن ثم، قد تخضع الهوية المستنسخة أو المصممة لرسوم التوليف ذات الصلة لكل حرف عند استخدامها.

يجب تحديد ميزانية إنشاء الأصوات، وتوليف الشخصيات، والبنية التحتية، وإعادة الإنتاج بشكل منفصل. وغالبًا ما يحدد وقت التحرير وعدد مرات إعادة التسجيل التكلفة الفعلية للإنتاج.

لا يتطابق تسعير واجهة برمجة التطبيقات (API) مع التكلفة المحلية. تزيل نقاط الفحص المفتوحة نظام الفوترة حسب عدد الأحرف الذي يتبعه المزود، لكنها تضيف تكاليف وقت وحدة معالجة الرسومات (GPU)، وهندسة النشر، والمراقبة، والتخزين، والتوسع، والاستجابة للحوادث. ويكون الاستضافة الذاتية هي الخيار الأفضل عندما تبرر عوامل مثل التحكم، أو الحجم، أو موقع البيانات، أو التخصيص، هذا العبء التشغيلي.

البدائل ومسار الصوت GlobalGPT

لا يُعد Qwen3-TTS الخيار الأمثل تلقائيًّا لكل مهمة صوتية. يُعد ElevenLabs منصة صوتية مُدارة أكثر نضجًا للفرق التي تُعطي الأولوية لوجود لوحة تحكم متطورة، ومجموعة واسعة من أدوات الإنتاج، وبنية تحتية أقل تعقيدًا. قد تناسب نماذج الكلام OpenAI المطورين الذين يعتمدون بالفعل على نظام بيئي واحد لواجهة برمجة التطبيقات (API). أما Qwen-Audio 3.0 TTS فهي المسار الأحدث المستضاف لـ Qwen الذي يجب مقارنته عند اتباع التوصيات الحالية لـ Alibaba Cloud.

أما احتياجات الموسيقى والمؤثرات الصوتية فهي موضوع مقارنة مختلفة. إن مقارنة الصوت بين ElevenLabs وLyria 3 Pro وMureka يساعد ذلك في التمييز بين أدوات الصوت المنطوق وأدوات توليد الموسيقى الكاملة. فلا ينبغي أن يُخصم من نموذج تحويل النص إلى كلام أي نقاط لعدم قدرته على إنتاج أغنية محترفة، كما لا ينبغي اختيار نموذج موسيقي ليكون واجهة برمجة تطبيقات (API) للسرد ذات زمن انتقال منخفض.

يحتوي حساب GlobalGPT حاليًا على حساب مُثبت مسار مولد الصوت التي تضم qwen-audio-3.0-tts-flash و«Seed Audio 1.0». لم تضم الصفحة التي تم فحصها رمز Qwen3-TTS. وهذا يجعل من GlobalGPT مساحة عمل صوتية منفصلة فعليًّا، ولا يُعد دليلاً على أن نقاط الفحص المفتوحة لـ Qwen3-TTS متوفرة هناك.

إذا كان المنتج النهائي الخاص بك هو مقطع فيديو، فحدد ما إذا كنت بحاجة إلى راوي منفصل، أو حوار مُولَّد، أو مؤثرات صوتية، أو نموذج يُنتج الصوت بالتزامن مع العناصر المرئية. إجابتنا على هل يحتوي الإصدار Veo 3.1 على صوت؟ يحدد هذا القرار بشكل أوسع. وغالبًا ما يكون المسار الأذكى هو الاعتماد على مجموعة صغيرة من الأدوات المتخصصة، بدلاً من إجبار نموذج واحد على أداء كل المهام الصوتية.

الترخيص والموافقة والخصوصية والاستخدام التجاري

يستخدم مستودع Qwen3-TTS وبطاقات النماذج التي تم إصدارها ترخيص Apache-2.0. ويُعد هذا الترخيص ملائمًا للتطوير التجاري والتعديل والتوزيع، لكنه لا يمنح أي حقوق فيما يتعلق بصوت شخص آخر أو أدائه أو نصه أو علامته التجارية أو بياناته الشخصية. فترخيص النموذج وحقوق المحتوى هما مسألتان منفصلتان.

يمنحك الاستدلال المحلي مزيدًا من التحكم ومسؤولية أكبر في مجال الأمن. قم بتشفير التسجيلات المرجعية، وتقييد الوصول، وتقليل مدة الاحتفاظ إلى الحد الأدنى، وتوثيق المشتقات، وتوسيع نطاق الحذف ليشمل الأصوات المسجلة والمخرجات المخزنة مؤقتًا.

بالنسبة لخدمة التوليف المستضافة، يرجى مراجعة شروط الخدمة، وسياسات معالجة البيانات الإقليمية، وسياسات الاحتفاظ بالبيانات، والضوابط المؤسسية قبل إرسال نصوص برمجية سرية أو عينات صوتية.

يجب أن يكون لكل صوت مستنسخ موجه للجمهور مالك، وسجل موافقة، وسياسة للاستخدام المسموح به، وإجراءات للتعامل مع حالات إساءة الاستخدام. يجب إضافة إشعار توضيحي عندما يكون من المعقول الخلط بين الصوت الاصطناعي وشخص حقيقي. يجب منع انتحال شخصية الأفراد العاديين والشخصيات العامة المعرضة لمخاطر كبيرة، وتوفير وسيلة للإبلاغ عن المقاطع الصوتية الضارة.

من ينبغي أن يستخدم Qwen3-TTS؟

يُعد Qwen3-TTS خيارًا مناسبًا للباحثين والمطورين وفرق الألعاب ومجموعات التوطين التي تحتاج إلى أوزان مفتوحة، أو خيارات النشر، أو الاستنساخ، أو أصوات الشخصيات الموصوفة نصيًّا.

ابدأ بـ 0.6B إذا كنت تقوم باختبار مسار المعالجة، أو تدير ذاكرة محدودة، أو تختبر ما إذا كانت خدمات «Base» و«CustomVoice» تلبي احتياجات المنتج. ابدأ بـ 1.7B إذا كنت بحاجة إلى VoiceDesign أو لديك ما يكفي من الأجهزة لمقارنة الجودة والإنتاجية بشكل صحيح. استخدم واجهة برمجة التطبيقات (API) المستضافة إذا كانت البنية التحتية هي عنق الزجاجة، وكانت التوافرية الإقليمية وبيانات الاعتماد ومعالجة البيانات مناسبة للمشروع.

اختر خيارًا آخر إذا كنت بحاجة إلى استوديو تحرير لا يتطلب أي إعدادات مسبقة، أو سوق صوتي كبير مرخص، أو دعم مؤسسي جاهز من مزود آخر. لا تقم أبدًا بالاستنساخ دون موافقة موثقة.

استخدم خمسة نصوص حقيقية، وثلاثة تكرارات، وقائمة بأسماء صعبة، وفقرة طويلة، واختبار استعادة واحد. قم بقياس زمن الاستجابة والتكلفة، ثم اسأل المستمعين الناطقين باللغة الأصلية عما إذا كانت النتيجة جاهزة دون الحاجة إلى تصحيح. قد يؤدي العمل على التحرير إلى إبطال فوز في اختبار الأداء.

الأسئلة الشائعة حول Qwen3-TTS

هل برنامج Qwen3-TTS مجاني؟

تتوفر نقاط التحقق Qwen3-TTS التي تم إصدارها بموجب ترخيص Apache-2.0، لذا يمكنك تنزيلها وتشغيلها دون دفع رسوم على كل حرف. ومع ذلك، فإن الاستضافة الذاتية لا تزال تتطلب تكاليف تتعلق بالحوسبة والتخزين والهندسة والمراقبة. أما واجهات برمجة التطبيقات (API) الخاصة بـ Qwen3-TTS التي تستضيفها Alibaba Cloud فهي خدمات مدفوعة تتضمن أسعارًا وحصصًا محددة حسب المنطقة.

هل يمكن استخدام Qwen3-TTS لأغراض تجارية؟

تسمح رخصة Apache-2.0 بالاستخدام التجاري للكود وأوزان النماذج التي تم إصدارها، لكنها لا تمنحك الحق في استنساخ صوت أي شخص أو استخدام البرامج النصية والعلامات التجارية المحمية. ولا تزال المشاريع التجارية بحاجة إلى موافقة المتحدث، وحقوق المحتوى، وضوابط الخصوصية، والامتثال للقوانين المحلية وشروط المنصة.

ما هي اللغات التي يدعمها Qwen3-TTS؟

يدعم الإصدار المفتوح Qwen3-TTS اللغات التالية: الصينية، والإنجليزية، واليابانية، والكورية، والألمانية، والفرنسية، والروسية، والبرتغالية، والإسبانية، والإيطالية. قد تختلف تغطية لغات النماذج المستضافة باختلاف نقطة النهاية والصوت، لذا يرجى التحقق من معرّف نموذج Alibaba Cloud والمنطقة بدقة قبل إنشاء منتج متعدد اللغات.

هل يستطيع جهاز Qwen3-TTS حقًّا تحقيق زمن انتقال يبلغ 97 مللي ثانية؟

أبلغت Qwen عن زمن انتقال الحزمة الأولى البالغ 97 مللي ثانية للنموذج 0.6B 12Hz عند مستوى التزامن 1 في بيئة vLLM داخلية مُحسَّنة. ويُعد هذا معيارًا قياسيًّا صالحًا من جانب المورد، وليس وعدًا عامًّا من جانب الجهاز. قد تؤدي عمليات التشغيل البارد، والأجهزة، والدقة، ومرور البيانات عبر الشبكة، والطوابير، وتخزين البيانات المؤقت لدى العميل إلى زيادة زمن الوصول الملحوظ.

ما هي سعة ذاكرة الفيديو (VRAM) التي يحتاجها جهاز Qwen3-TTS؟

لا يوجد رقم واحد دقيق لذاكرة VRAM يناسب جميع الإعدادات. فحجم النموذج، والدقة، ووحدة المعالجة الخلفية لـ «Attention»، وحجم الدفعة، وذاكرة التخزين المؤقت، وطول المرجع، والتكاليف الإضافية للإطار، كلها عوامل مؤثرة. ولم تكن بطاقة MX450 بسعة 2 جيجابايت التي تم فحصها مناسبة لإجراء اختبارات أداء تمثيلية؛ لذا، يجب اختبار نقطة التحقق المختارة في ظل تداخل يشبه ظروف الإنتاج، مع ترك هامش تشغيلي كافٍ.

ما هي كمية الصوت المطلوبة لعملية استنساخ الصوت باستخدام تقنية Qwen3-TTS؟

تُظهر المواد النموذجية إمكانية إجراء عملية الاستنساخ بسرعة تبدأ من حوالي ثلاث ثوانٍ، في حين أن إرشادات التسجيل على المنصة تفضل استخدام كلام متواصل واضح وتسمح باستخدام عينات أطول. اعتبر الثلاث ثوانٍ الحد الأدنى للإمكانية، وليس هدفًا تلقائيًا للجودة. استخدم ملفات صوتية تم الحصول على الموافقة عليها وخالية من الضوضاء، وتغطي النطاق الصوتي الطبيعي للمتحدث واللغة المقصودة.

ما هو الحد الأقصى لعدد المدخلات في واجهة برمجة التطبيقات Qwen3-TTS؟

تشير الوثائق الحالية لواجهة برمجة التطبيقات (API) الخاصة بـ Qwen-TTS إلى أن الحد الأقصى لمدخلات نماذج Qwen-TTS يبلغ 512 رمزًا. وتظل عناوين URL الخاصة بملفات الصوت الكاملة صالحة لمدة 24 ساعة. قم بتقسيم النصوص الطويلة إلى أجزاء عند الحدود الدلالية، وانسخ المخرجات المطلوبة إلى وحدة تخزين دائمة بدلاً من اعتبار عنوان URL المُرجَّع بمثابة استضافة دائمة.

هل يمكنني استخدام Qwen3-TTS مع GlobalGPT؟

مُدرج مولد الصوت GlobalGPT المُحدد qwen-audio-3.0-tts-flash و«Seed Audio 1.0»، وليس «Qwen3-TTS». يمكنك استخدام هذا المسار كسير عمل صوتي منفصل، ولكن لا ينبغي وصفه على أنه وصول إلى نقاط الفحص المفتوحة «0.6B» أو «1.7B» الخاصة بـ «Qwen3-TTS».

الحكم النهائي

تُظهر هذه المراجعة لـ Qwen3-TTS نطاقًا واسعًا غير معتاد: نقاط تفتيش مفتوحة بسعة 0.6B و1.7B، وعشر لغات، وأصوات محددة مسبقًا، ونسخ سريع، و«VoiceDesign»، وبنية البث المباشر، وترخيص مرن، وواجهات برمجة تطبيقات مستضافة.

كما أن القيد الواقعي لا يقل أهمية. فلم يتم إنتاج صوت Qwen3-TTS فعليًّا في بيئة المهمة المتاحة، ولم تتمكن وحدة معالجة الرسومات (GPU) التي تم فحصها بسعة 2 جيجابايت من دعم إجراء مقارنة محلية تمثيلية. ولهذا السبب، لا تمنح هذه المقالة أي درجة لجودة الصوت ولا تدعي تحقيق أداء عام يبلغ 97 مللي ثانية.

إذا كنت تفضل المرونة في تحديد الأوزان والتحكم، فاختبر نقطة التحقق 0.6B أولاً، ثم قارنها بنقطة التحقق 1.7B باستخدام نفس البرامج النصية والأجهزة. إذا كنت تفضل سرعة الوصول إلى مرحلة الإنتاج، فاختبر المسار المحدد في Alibaba Cloud الذي تخطط لشرائه وقارنه بسلسلة Qwen-Audio 3.0 TTS التي تم وضعها بشكل منفصل. احتفظ باسم النموذج ونقطة النهاية والمنطقة وسجل الموافقة وزمن الاستجابة والتكلفة الإجمالية للتحرير في نفس ورقة اتخاذ القرار.

يستحق نظام Qwen3-TTS التجربة. ولا جدوى من التظاهر بأن الوثائق وحدها كفيلة بتمثيلك. فالطريق الناجح هو الذي يتوافق مع أسماءكم، ولغتكم، وأجهزتكم، ومتطلباتكم المتعلقة بالخصوصية، ومواعيدكم النهائية للإنتاج.