Gemini TTS: تحويل النصّ إلى كلامٍ تُوجّه أداءه بالوصف لا بالإعدادات

أنظمة تحويل النصّ إلى كلام (Text-to-Speech) ظلّت لسنواتٍ تعمل بمنطقٍ واحد: يختار المستخدم صوتاً من قائمة، ثمّ يضبط له سرعةً وطبقةَ صوتٍ (pitch) بأرقام، ويُرسِل النصّ فينطقه المحرّك نطقاً صحيحاً مستوياً. وهذا يكفي لقراءة إشعارٍ أو توجيهٍ ملاحيّ. لكنّه لا يكفي حين يكون المطلوب أداءً لا نطقاً: أن تُقال الجملة باعتذارٍ خافت، أو أن يتباطأ الإيقاع عند نطق رقمٍ مهمّ، أو أن تُهمَس عبارةٌ واحدة وسط فقرةٍ عادية. والرقم الذي تضبطه لا يفعل شيئاً من هذا، لأنّه يعدّل إشارة الصوت بعد توليدها، ولا علاقة له بمعنى الجملة.

وGemini TTS يعالج هذا النقص. فهي نماذجُ نطقٍ مبنيّةٌ على عائلة Gemini اللغوية نفسها، تأخذ منك شيئين معاً: النصّ المراد نطقه، ووصفاً لغوياً للأداء المطلوب. ثمّ تُخرِج صوتاً يلتزم بذلك الوصف. ولأنّ النموذج نفسه يفهم اللغة، صار التوجيه جملةً تكتبها («تحدّث كمذيعٍ هادئ يشرح لمستمعٍ متعب») بدل رقمٍ تضبطه في إعدادات المحرّك. وأحدث نماذج العائلة، gemini-3.1-flash-tts-preview، متاحٌ منذ أبريل 2026، ويقبل التوجيه بوسومٍ صوتية تتجاوز المئتين، تضعها داخل النصّ نفسه.

من محرّكٍ ينطق الحروف إلى نموذجٍ يولّد الصوت

محرّك النطق العصبيّ التقليديّ خطُّ إنتاجٍ من مراحل: يحوّل النصّ أولاً إلى وحداتٍ صوتية (phonemes)، ثمّ يمرّرها على نموذجٍ صوتيّ (acoustic model) يقدّر لها نبرةً ومدّة، ثمّ يسلّمها لمُركِّب موجاتٍ (vocoder) يبني منها الصوت النهائيّ. وفي هذا الخطّ لا تطلب أنت طريقة الأداء. فهي مثبّتةٌ سلفاً في الصوت الذي دُرِّب عليه النموذج، وكلّ ما تملكه بعده أزرارٌ تعدّل الإشارة الناتجة: تسريعٌ أو إبطاء، ورفعُ طبقة الصوت أو خفضها. فالمحرّك هنا يقرأ الحروف ليحوّلها إلى أصوات، ولا يقرأ الجملة ليفهم معناها.

أمّا Gemini TTS فيولّد الصوت داخل النموذج اللغويّ نفسه، لا في خطّ إنتاجٍ منفصلٍ بعده. فهو يُخرِج رموزاً صوتية (audio tokens) كما يُخرِج نموذجُ النصّ رموزاً نصّية، غير أنّ كلّ رمزٍ هنا يمثّل شريحةً من الصوت لا جزءاً من كلمة. وتظهر هذه الآلية في الفاتورة نفسها: Google تحتسب 25 رمزاً لكلّ ثانيةٍ من الصوت المولَّد، فتدفع على الصوت بالرموز تماماً كما تدفع على النصّ.

ومن هنا تأتي القدرة على التوجيه. فلأنّ النصّ المطلوب نطقُه وتعليماتِ الأداء يدخلان معاً إلى نموذجٍ يفهم اللغة، صار بإمكانه أن يميّز بينهما: هذا كلامٌ يُقال، لكنّ هذا التمييز لا يقع دائماً، وهو مصدر أشهر أخطاء الاستعمال.

والمخرجات تصلك خاماً: بياناتُ صوتٍ بصيغة PCM بترميز base64، بمعدّل عيّناتٍ 24 كيلوهرتز، وقناةٍ واحدة (mono)، وعمق 16 بت. فأنت تفكّ ترميز base64 ثمّ تلفّ الناتج في رأس ملفّ WAV بنفسك — وهو ما تفعله دالّةٌ قصيرة ترد في التوثيق الرسميّ.

النماذج الثلاثة وما يفرّق بينها

واجهة Gemini تتيح اليوم ثلاثة نماذج للنطق، وكلّها ما زالت بصفة معاينة (preview):

ظهر نموذجا 2.5 في 20 مايو 2025 بقدرةٍ على توليد كلامٍ بمتحدّثٍ واحد أو اثنين، ثمّ حصلا في 10 ديسمبر 2025 على تحسينٍ في التعبير وضبط الإيقاع. وجاء gemini-3.1-flash-tts-preview في أبريل 2026 فأضاف الوسوم الصوتية التعبيرية وتغطيةً لغوية أوسع. ثمّ فُتِح له البثّ التدريجي (streaming) في 17 يونيو 2026، عبر streamGenerateContent أو stream=True في واجهة Interactions. ومعه يصلك الصوت قِطَعاً أثناء توليده، فلا تنتظر اكتماله كلّه قبل التشغيل. وهذا يهمّك إن كنت تبني شيئاً يتحدّث مع المستخدم في وقتٍ حيّ، لا مقطعاً يُنتَج مسبقاً.

ويصلك Gemini TTS من أكثر من باب، وأسماؤه فيها متقاربة قد تُربِك. فهو متاحٌ في واجهة Gemini للمطوّرين، وفي Vertex AI للاستعمال المؤسّسي، وفي خدمة Google Cloud Text-to-Speech باسم Gemini-TTS إلى جانب أصواتها الكلاسيكية القديمة، وفي أدوات المستخدم النهائيّ مثل Google Vids. والمحرّك واحدٌ في هذه المسارات كلّها، لكنّ حدود الطلب تختلف بينها. ففي مسار Cloud Text-to-Speech يُقيَّد حقل النصّ بأربعة آلاف بايت، وحقل التوجيه بأربعة آلاف أخرى.

كيف توجّه الأداء: البرومبت المهيكل والوسوم الصوتية

جودة الناتج تتبع طريقة الطلب أكثر ممّا تتبع اختيار الصوت.

هيكل البرومبت وفاصل النصّ

يوصي دليل Google بأن يُبنى البرومبت من ثلاثة أقسام قبل النصّ المنطوق: بطاقة الصوت (Audio Profile) وتعرّف من المتحدّث وما خلفيّته، ثمّ المشهد (Scene) ويصف المكان والحالة التي يقع فيها الكلام، ثمّ ملاحظات المخرج (Director's Notes) وفيها الإيقاع واللهجة ودرجة الدفء أو الإلحاح. ثمّ يأتي النصّ المطلوب نطقه مسبوقاً بفاصلٍ صريح هو #### TRANSCRIPT.

الوسوم داخل النصّ

إلى جانب التوجيه العامّ، تستطيع أن تغيّر الأداء في موضعٍ بعينه بوسمٍ بين قوسين مربّعين تضعه في مكان التحوّل تماماً. والوسوم تغطّي أربع عائلات: انفعالاتٍ مثل [curious] و[sarcastic] و[panicked]، وصفاتٍ صوتية مثل [whispers] و[singing]، وأصواتاً غير كلامية مثل [gasp] و[sighs] و[giggles]، ومعدِّلاتِ إيقاعٍ مثل [very fast] و[very slowly]. ومجموعها يتجاوز المئتين. بل يذكر الدليل الرسميّ أنّ القائمة ليست مغلقة أصلاً، فما تكتبه داخل القوسين يُفهَم بوصفه توجيهاً.

وللوسوم قواعد استعمالٍ تُجنّبك أخطاءً متكرّرة. أوّلها ألّا تضع وسمَين متلاصقَين، بل يفصل بينهما نصٌّ أو علامةُ ترقيم، وإلّا رفض النظام الطلب. وثانيها أنّ الوسوم كلّها بالإنجليزية حتى لو كان النصّ المنطوق بلغةٍ أخرى، فالوسم الإنجليزيّ يعمل فوق نصٍّ عربيّ بلا مشكلة. وثالثها ملاحظةٌ عملية من اختبارات المطوّرين: ليست الوسوم متساويةً في الأثر، فمجموعةٌ صغيرة منها — [warmly] و[thoughtfully] و[sighs] و[gently] و[soft laugh] و[cheerfully] — تعطي فرقاً واضحاً ثابتاً، بينما الصفات المبتكرة مثل [apologetically] يظهر أثرها باهتاً.

مزالق الصياغة

وقد يسلم الهيكل ثمّ تفسد الصياغة الناتج. وثلاثة أخطاءٍ تتكرّر هنا. الأوّل أن تطلب الهدوء بكلماتٍ سالبة مثل «مسطّح» أو «بلا انفعال»، فيخرج الأداء ميّتاً لا هادئاً؛ والصياغة المُجدية تصف الحضور لا غيابه («دافئٌ صادق»، «صوتٌ منخفض ممتلئ»). والثاني الإفراط في التحديد؛ إذ ينصح دليل Google بترك مساحةٍ يملؤها النموذج، لأنّ وصف كلّ تفصيلةٍ يجعل الأداء متكلّفاً. والثالث أنّ علامات الترقيم تؤثّر في التقطيع فعلاً: الفصل بين الجمل بالفواصل يعطي انسياباً، بينما تقطيعها بنقاطٍ متتالية يخرج مقطّعاً آلياً.

وفي اللهجات، الوصف الجغرافيّ المحدّد أنفع من الوصف العامّ. فقد جرّب سايمون ويليسون تغيير موقع الشخصية في البرومبت من لندن إلى نيوكاسل ثمّ إكستر، فخرجت ثلاثة أداءاتٍ متمايزة فعلاً — وهو ما يعني أنّ ذكر مدينةٍ بعينها يُنتج فرقاً لا تُنتجه عبارةٌ فضفاضة مثل «بلهجةٍ بريطانية».

كيف تستخدمه عملياً

أسرع طريقٍ للتجربة لا يمرّ بالكود أصلاً. فمنصّة Google AI Studio تتيح تشغيل gemini-3.1-flash-tts-preview مجاناً بحساب Google دون مفتاح واجهة برمجية (API key): تختار النموذج، وتلصق النصّ، وتكتب التوجيه، وتستمع فوراً. وفيها تطبيقٌ مصاحب باسم Voice Library لتصفّح الأصوات الثلاثين وسماع نماذج منها قبل أن تختار.

أمّا في الكود، فالنداء يمرّ عبر واجهة Interactions. هذا مثالُ متحدّثٍ واحد بلغة Python، وفيه دالّة wave_file التي تلفّ بيانات PCM الخام في ملفّ WAV صالح:

from google import genai
import wave
import base64

def wave_file(filename, pcm, channels=1, rate=24000, sample_width=2):
    with wave.open(filename, "wb") as wf:
        wf.setnchannels(channels)
        wf.setsampwidth(sample_width)
        wf.setframerate(rate)
        wf.writeframes(pcm)

client = genai.Client()

interaction = client.interactions.create(
    model="gemini-3.1-flash-tts-preview",
    input="Say cheerfully: Have a wonderful day!",
    response_format={"type": "audio"},
    generation_config={
        "speech_config": [
            {"voice": "Kore"}
        ]
    }
)

wave_file("out.wav", base64.b64decode(interaction.output_audio.data))

هذا نداء التجربة كما في التوثيق. للنداء الجادّ ضع التوجيه في برومبتٍ مهيكل وافصل النصّ بـ #### TRANSCRIPT كما سبق.

ولتوليد حوارٍ بين متحدّثَين، تُسمّي كلّ متحدّثٍ في النصّ ثمّ تسنِد له صوتاً في speech_config عبر الحقل speaker:

prompt = """TTS the following conversation between Joe and Jane:
         Joe: How's it going today Jane?
         Jane: Not too bad, how about you?"""

interaction = client.interactions.create(
    model="gemini-3.1-flash-tts-preview",
    input=prompt,
    response_format={"type": "audio"},
    generation_config={
        "speech_config": [
            {"speaker": "Joe", "voice": "Kore"},
            {"speaker": "Jane", "voice": "Puck"}
        ]
    }
)

ولمن يستعمل REST مباشرةً، النداء طلبُ POST واحد إلى نقطة النهاية interactions:

curl -X POST "https://generativelanguage.googleapis.com/v1beta/interactions" \
  -H "x-goog-api-key: $GEMINI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gemini-3.1-flash-tts-preview",
    "input": "Say cheerfully: Have a wonderful day!",
    "response_format": { "type": "audio" },
    "generation_config": {
      "speech_config": [ { "voice": "Kore" } ]
    }
  }'

ويبقى المسار القديم عبر generate_content عاملاً مع النماذج الثلاثة جميعاً لمن لديه كودٌ مكتوبٌ به سلفاً، وفيه تُمرَّر الإعدادات في GenerateContentConfig مع response_modalities=["AUDIO"] وتُقرأ البيانات من response.candidates[0].content.parts[0].inline_data.data. لكنّ التوثيق يصنّف هذا المسار «قديماً (legacy)»، فابدأ أيّ بناءٍ جديد من واجهة Interactions.

وللبثّ التدريجي تُمرَّر stream=True على النداء نفسه، فتصلك قطع PCM تباعاً في أحداث step.delta من نوع audio.

الأصوات واللغات

تُقدّم العائلة ثلاثين صوتاً جاهزاً، لكلٍّ منها اسمٌ فلكيّ ووصفٌ لطابعه — Puck مرحٌ نشِط، وKore حازم، وEnceladus مهموس، وهكذا. وليس أمامك غير هذه الثلاثين: لا يدعم Gemini TTS استنساخ الأصوات (voice cloning). فلا تستطيع أن ترفع عيّنةً من صوت شخصٍ بعينه ليتحدّث بها النموذج. وهذا قيدٌ في بنية الخدمة، لا إعدادٌ مغلقٌ يُفتَح.

وفي اللغات، يسرد توثيق واجهة Gemini نحو ثمانين لغة، بينما وصف إعلان Google التغطية بأكثر من سبعين لغة — أي ما يقارب ثلاثة أضعاف الجيل السابق. والعربية من بينها بالرمز ar، وليست بحاجةٍ إلى تحديدٍ يدويّ لأنّ النموذج يستنتج اللغة من النصّ المُدخَل تلقائياً؛ فتكتب العربية فتُنطَق عربية. لكنّ الجودة تتفاوت بين اللغات. فالإنجليزية هي الأكثر تحسيناً وضبطاً، وما عداها أقلّ. ولذلك جرّب عيّنةً من نصّك أنت قبل أن تعتمد عليه في عملٍ منشور؛ فوجود اللغة في جدول الدعم شيء، وجودة نطقها شيءٌ آخر.

التكلفة بحسابٍ ملموس

التسعير بالرموز يربك أوّل مرّة، ويصير بسيطاً بمجرّد أن تعرف معدّل التحويل: 25 رمزاً لكلّ ثانيةٍ من الصوت. فالدقيقة الواحدة تساوي 1500 رمز إخراج، وعلى سعر gemini-3.1-flash-tts-preview البالغ 20 دولاراً للمليون تكون كلفة الدقيقة ثلاثة سنتات تقريباً. وبالمقياس نفسه، مليون رمز إخراجٍ تعطيك نحو 11 ساعة صوتٍ متّصل. أمّا gemini-2.5-flash-preview-tts فبنصف هذا السعر، أي نحو سنتٍ ونصف للدقيقة.

أمّا نصّ الإدخال فأرخص بعشرين ضعفاً، حتى إنّه لا يكاد يظهر في الحساب. لكنّه لا يسقط تماماً، وينتبه له من يكرّر برومبتاً إخراجياً طويلاً مع كلّ مقطع.

الاستخدام المجاني: كيف تبدأ، وما حدوده، وما ثمنه

للاستعمال المجاني بابان. الأوّل Google AI Studio: تجرّب من المتصفّح بحساب Google بلا مفتاح ولا كود. والثاني الطبقة المجانية في الواجهة البرمجية (API): تولّد مفتاحاً وتستدعي النموذج من كودك دون أن تدفع. فالأوّل للتجربة والاستماع، والثاني للبناء.

والبداية لا تحتاج بطاقةً بنكية. تفتح AI Studio بحساب Google، ثمّ تولّد مفتاحاً من صفحة المفاتيح، فيبدأ مشروعك على الطبقة المجانية تلقائياً. وتعرف طبقتك في أيّ وقت من عمود «Billing Tier» في صفحة المشاريع.

ولا تشمل المجانية كلّ النماذج. فـgemini-3.1-flash-tts-preview وgemini-2.5-flash-preview-tts لكلٍّ منهما طبقةٌ مجانية، أمّا gemini-2.5-pro-preview-tts فمدفوعٌ من أوّله.

وتُقاس الحدود بثلاثة مقاييس معاً: طلباتٌ في الدقيقة (RPM)، ورموزُ إدخالٍ في الدقيقة (TPM)، وطلباتٌ في اليوم (RPD). وتجاوزُ واحدٍ منها يردّ طلبك بخطأ 429 RESOURCE_EXHAUSTED ولو بقيت لك مساحةٌ في المقياسين الآخرين، وحصّةُ اليوم تُصفَّر عند منتصف الليل بتوقيت المحيط الهادئ. وانتبه إلى أنّ TPM يحسب رموز الإدخال وحدها، وإدخال النطق نصٌّ قصير غالباً — فالذي يقيّدك عملياً عددُ الطلبات لا حجمُها. وGoogle لا تنشر أرقاماً ثابتة لنماذج النطق، بل تحيلك على لوحة الحدود في AI Studio لأنّها تختلف بحسب مشروعك.

وللمجانية ثمنٌ لا يُدفَع بالمال. فشروط الخدمة تنصّ صراحةً على أنّ Google تستعمل ما ترسله إلى الخدمات المجانية وما يخرج منها لتطوير منتجاتها وتحسينها، وعلى أنّ مراجعين بشريين قد يقرؤون مدخلاتك ومخرجاتك ويعلّقون عليها. ولذلك تطلب منك الشروط ألّا ترسل إليها معلوماتٍ حسّاسة أو سرّية أو شخصية. وأثر هذا في النطق أوضح منه في غيره، لأنّ ما ترسله نصٌّ مكتوبٌ ليُقرَأ بصوتٍ مسموع: نصّ عميلٍ لم يُنشَر بعد، أو محتوى داخليّ، أو أسماء أشخاص وبياناتهم.

وينقلب الشرط في الطبقة المدفوعة. فـGoogle تنصّ على أنّها لا تستعمل مطالباتك ولا ردودها لتحسين منتجاتها، وتحتفظ بالسجلّات مدّةً محدودة لكشف المخالفات وحدها. والانتقال إليها يحتاج ربط حساب فوترة ودفع خمسة دولاراتٍ رصيداً مسبقاً على الأقلّ، ويسري أثره فور اكتماله. ولا يغطّي رصيدُ الترحيب البالغ 300 دولار في Google Cloud استهلاكَ واجهة Gemini، فلا تعوّل عليه.

فجرّب على المجاني ما شئت: اضبط صياغة التوجيه، وقارن بين الأصوات، واختبر لغتك — بنصوصٍ لا يضرّك أن يقرأها غيرك. فإذا انتقلت إلى عملٍ فيه نصّ عميلٍ أو محتوى غير منشور، فالخمسة دولارات تشتري لك شرط الخصوصية قبل أن تشتري لك السعة.

الحدود والمزالق

أكثر هذه الحدود لا تجده في صفحة الإعلان، وإنّما يكتشفه المستعملون عند التطبيق.

للطلب الواحد سقفُ طول. لنموذج 3.1 حدُّ إدخالٍ يبلغ 8,192 رمزاً وحدُّ إخراجٍ يبلغ 16,384 رمزاً. وبتطبيق معدّل 25 رمزاً للثانية على حدّ الإخراج تحصل على 655 ثانية، أي قرابة إحدى عشرة دقيقة كحدٍّ أقصى للطلب الواحد — وهو الرقم نفسه الذي يذكره توثيق Google Cloud بوصفه النقطة التي يُقتطَع الصوت عندها. وللجلسة كاملةً نافذةُ سياقٍ (context window) مقدارها 32 ألف رمز. وقد اصطدم مستخدمو نماذج 2.5 بحدٍّ عمليّ أضيق، إذ أبلغ أحدهم أنّ نصّاً من ألفَي كلمة نُطِق منه نحو 750 كلمة فقط قبل أن ينقطع — وأُغلِقت المسألة على GitHub دون إصلاح. فالخلاصة العملية أن تقسّم النصوص الطويلة بنفسك، ولا تعوّل على أنّ النموذج سيُكمِل.

والجودة تنحرف مع الطول. تُقرّ Google في توثيقها بأنّ اتّساق الصوت يبدأ بالتراجع في المخرجات التي تتجاوز بضع دقائق. ولاحظ المطوّرون في التطبيق أنّ النبرة تنجرف بين الفقرات ما لم يُعَد تثبيت وصف الصوت كلّ بضع كتل — ومن هنا جاءت الممارسة الشائعة بتقطيع النصّ إلى مقاطع من نحو مئتَي كلمة، تُعاد في مقدّمة كلٍّ منها ملاحظاتُ الأداء نفسها. وهذا يعني عملياً أنّ إنتاج كتابٍ صوتيّ متّسق يحتاج تقطيعاً للنصّ وإعادةَ تثبيتٍ للنبرة في كلّ مقطع.

والبثّ التدريجي يُقْتَطع على المقاطع الأطول. يبلّغ مطوّرون أنّ الطلب المتدفّق عبر streamGenerateContent ينقطع بعد نحو دقيقة ويعيد finishReason: OTHER، مع احتساب رموز المقطع المقتطع، بينما الطلب غير المتدفّق يُكمل الملف. فالبثّ يناسب الردّ الحيّ القصير، لا المقاطع التي تتجاوز الدقيقة.

والحوار محدودٌ بمتحدّثَين. رغم تسمية «متعدّد المتحدّثين»، يقبل speech_config صوتَين اثنين فقط. فالمشهد الذي فيه ثلاث شخصياتٍ يُنتَج على دفعاتٍ ثمّ يُركَّب في محرّر صوت.

وأخطاء 500 تقع عشوائياً. توضّح Google السبب صراحةً: يُخرِج النموذج أحياناً رموزاً نصّية بدل الصوتية، فيفشل الطلب بخطأ خادمٍ داخليّ. والنسبة صغيرة، والحلّ الموصى به أن تبني في تطبيقك من البداية إعادةَ محاولةٍ بتراجعٍ أُسّي (exponential backoff). لكنّ منتدى مطوّري Google يحمل بلاغاتٍ عن حالاتٍ أشدّ من ذلك — طلباتٍ قصيرة تفشل باستمرارٍ رغم إعادة المحاولة — وهو ما يذكّر بأنّ هذه نماذج معاينة تُشغَّل على بنيةٍ ما زالت تتغيّر.

وكونها نماذج معاينة قيدٌ في ذاته. فالنماذج الثلاثة كلّها preview، وسياسة Google أنّ نموذج المعاينة قد يُوقَف بإشعارٍ مدّته أسبوعان فقط. فإن بنيتَ عليها منتجاً إنتاجياً، فاحسب أنّ المُعرّف أو صيغة الطلب قد يتغيّران لاحقاً.

وكلّ صوتٍ يخرج موسوماً. تضع Google علامة SynthID المائية في كلّ مقطعٍ يولّده النموذج. وهي علامةٌ غير مسموعة، منسوجةٌ في الإشارة نفسها لا في بيانات الملفّ الوصفية، ومصمَّمةٌ لتصمد أمام عمليات إعادة الترميز الشائعة، وتُقرأ عبر بوّابة SynthID Detector. وهي لا تغيّر شيئاً في الاستعمال المشروع، لكنّها تجعل كلّ مقطعٍ قابلاً للكشف بوصفه مولَّداً آلياً.

أين يقف مقابل البدائل

في قياس الجودة المستقلّ، أعلنت Google عند الإطلاق أنّ gemini-3.1-flash-tts-preview سجّل 1211 نقطة Elo على ساحة الكلام لدى Artificial Analysis — وهي منصّةٌ ترتّب النماذج بتصويتٍ أعمى، يستمع فيه المشاركون إلى عيّنتين للنصّ نفسه ويختارون الأقرب إلى الطبيعي. وقد وضعه ذلك في المركز الثاني حينها. وهذه اللوحات تتغيّر باستمرار وتتفاوت قراءتها بين الصفحات، فالرقم يصلح مؤشّراً على أنّ النموذج في الصفّ الأول، لا حكماً ثابتاً بالترتيب.

والمقارنة التي تهمّ عند القرار هي مع ElevenLabs. وأوّل ما ينبغي أن تعرفه أنّ الأداتين لا تشتركان في الغرض أصلاً: ElevenLabs منصّةٌ مبنيّةٌ للصوت وحده، وGemini TTS قدرةُ نطقٍ داخل نموذجٍ عامّ. ويترتّب على ذلك ثلاثة فروقٍ عملية. الأوّل أنّ استنساخ الصوت متاحٌ في ElevenLabs وغائبٌ كلياً في Gemini، فإن كان مشروعك يقوم على صوتٍ بعينه فالمسألة محسومة. والثاني أنّ التقييمات المقارنة ترجّح ElevenLabs في المحتوى الطويل المتّصل، إذ يحافظ على دفءٍ ومدًى انفعاليّ عبر حلقةٍ من عشر دقائق، بينما يميل Gemini إلى استواءٍ في الإيقاع على هذا الطول — وهو انعكاسٌ لمشكلة الانحراف المذكورة أعلاه. والثالث أنّ الكفّة تنقلب في المقاطع القصيرة وفي التحكّم المبرمَج: فحين تولّد مئات المقاطع القصيرة بأنماط أداءٍ مختلفة، يعطيك Gemini مرونةً أوسع بكلفةٍ أدنى بفارقٍ معتبر.

وبمقياس السعر وحده، يقف gpt-4o-mini-tts من OpenAI عند 12 دولاراً لمليون رمز صوتٍ مُخرَج — أي نحو سنتٍ ونصف للدقيقة، وهو مساوٍ تقريباً لـ gemini-2.5-flash-preview-tts وأرخص من نموذج 3.1. فالفارق الذي تدفع مقابله في 3.1 ليس السعر بل مدى التوجيه: الوسوم الصوتية، والبثّ التدريجي، وتغطية اللغات.

في المحصّلة

نماذج النطق كلّها تتحسّن طبيعيّتها سنةً بعد سنة، فليست هذه ميزةَ Gemini TTS وحده. ميزته أنّ ضبط الأداء انتقل من معاملاتٍ رقمية يفهمها المهندس إلى وصفٍ يكتبه من يعرف كيف يُقال الكلام. وبذلك صارت المهارة المطلوبة صياغةَ التوجيه، لا ضبط الأرقام.

لكنّ لهذه المرونة ثمناً: النتيجة لم تعد مضمونة في كلّ مرّة. فالمحرّك القديم كان يعطيك الصوت نفسه في كلّ مرّة، أمّا النموذج الموجَّه فقد يُساء فهم توجيهه، أو يقرأ ملاحظاتك بصوتٍ عالٍ، أو ينجرف عن نبرته بعد دقائق. ولذلك لا تبني عليه بنداءٍ واحد، بل بخطّ إنتاج: تقطّع النصّ، وتعيد تثبيت النبرة في كلّ مقطع، وتعيد المحاولة عند الفشل، وتراجع الناتج بالسمع قبل النشر. وهذا هو الفارق الحقيقيّ بين تجربةٍ ناجحة في AI Studio ومنتجٍ يعمل كلّ يوم.

لتجربة النماذج ومطالعة تفاصيلها الرسمية: