أفضل نماذج التفريغ الصوتي بالذكاء الاصطناعي في 2026: الدقة والسعر والقيمة

قد يكلف تفريغ مئة ساعة من التسجيلات $4 باستخدام Whisper Large V3 Turbo عبر Groq، أو $18 باستخدام Voxtral Mini Transcribe 2 من Mistral، قبل الإضافات. تبدو الفاتورة الأرخص جذابة، لكن أفضلية الشراء تعتمد على النص الذي تحتاج إليه: كلمات قابلة للبحث، أو ملاحظات اجتماع بأسماء المتحدثين، أو ترجمة نصية يجب أن تتزامن مع التسجيل.

خيارنا الاقتصادي لتفريغ الصوت المسجل الأساسي هو Whisper Large V3 Turbo عبر Groq. وللاجتماعات التي تحتاج إلى أسماء المتحدثين وطوابع زمنية على مستوى الكلمة، فإن Voxtral Mini Transcribe 2 هو خيارنا الأول من حيث التكلفة، ويستحق ElevenLabs Scribe v2 المقارنة عندما يكون تقليل أخطاء التفريغ أهم من أدنى سعر أساسي. تأتي الأسعار والأدلة وراء هذه الخيارات أدناه.

MAI-Transcribe-2 وافد جذاب من حيث السعر والدقة المنشورة، لكنه ليس توصيتنا الافتراضية للإنتاج: ما يزال تكامله مع Azure معاينة عامة بلا اتفاقية مستوى خدمة، وتنصح Microsoft بعدم استخدامه في الإنتاج. يهم هذا القيد بقدر نتيجة الاختبار المعياري.

تم التحقق من الأسعار والوثائق في 4 سبتمبر 2026. هذه مقارنة تحريرية لوثائق API العامة واختبارات مستقلة، لا ادعاءً بأننا اختبرنا كل نموذج. وتركز على التسجيلات المكتملة، لا اشتراكات تطبيقات الاجتماعات أو الوكلاء الصوتيين المباشرين.

نظرة سريعة إلى أسعار واجهات التفريغ

وحدة المقارنة هي نموذج يقدمه مزود محدد في وضع محدد. عبارة «سعر Whisper» وحدها ليست دقيقة. فللأوزان المفتوحة وAPI المستضافة وتطبيق سطح المكتب الذي يستخدمها تكاليف مختلفة.

هذه أسعار استخدام أساسية منشورة لتفريغ الملفات وليست فواتير مضمونة. المبالغ بالدولار الأمريكي، ولا تشمل الضرائب أو التخزين أو إعادة المحاولة أو الميزات الاختيارية أو الأرصدة المجانية أو الخصومات المتفاوض عليها. تشير «تقريبًا» إلى تقدير مبني على الرموز، ويعرض صف Scribe قيمة الاستخدام قبل رسوم الخطة أو أرصدتها.

يوجد أيضًا منافس أقل سعرًا ينبغي فحصه إذا ناسبت خدمته منطقتك ولغتك: تسعّر StepFun نموذج StepAudio 2.5 ASR بـ0.15 يوان صيني في الساعة، أو 15 يوانًا لمئة ساعة. نحتفظ بالعملة الأصلية بدل ادعاء أن سعرًا محولًا يثبت أرخص خيار متاح عالميًا.

هذه قائمة ممثلة بأسعار عامة، وليست كل خدمات الكلام. وقد يبرر عقد سحابي قائم أو منطقة نشر مطلوبة أو مصطلحات متخصصة قائمة أخرى.

ما الذي تقيسه ترتيبات الدقة فعلًا؟

تساعد ترتيبات التفريغ في OpenRouter على اكتشاف النماذج المستخدمة. فهي ترتب حجم الطلبات، لا دقة التفريغ. النموذج الشائع جدير بالفحص، لكن شعبيته لا تثبت تعرفه إلى أسماء عملائك.

لإشارة جودة متكافئة، تأتي اللقطة التالية من جدول AA-WER v2 غير المتدفق المنشور لدى Artificial Analysis:

يحسب معدل خطأ الكلمات الاستبدالات والحذف والإضافات مقابل نص مرجعي. وهو ليس احتمال صحة جملة بعينها. قد يهمك مبلغ خاطئ أو حذف «لا» أكثر من عدة فروق تنسيق غير ضارة.

تستخدم منهجية الاختبار نحو ثماني ساعات عبر ثلاث مجموعات بيانات موزونة 50% و25% و25%. وتشمل حديثًا برلمانيًا إنجليزيًا ومكالمات أرباح؛ وتُقسّم بعض الملفات الطويلة لتناسب حدود النماذج. لا تثبت النتائج فائزًا للصينية أو العربية أو كل اللغات، ولا تقيس صحة تسمية المتحدث.

استخدم الجدول لتضييق القائمة، لا لتجاوز عينة من صوتك. احتفظ بإصدار النموذج والمزود مع الدرجة؛ فلا يجوز مثلًا إعادة تسمية نتيجة Universal-3 Pro بأنها تخص Universal-3.5 Pro.

أي نموذج سنختار؟

Whisper Turbo عبر Groq: خيارنا الاقتصادي للنص الأساسي

بسعر $4 لمئة ساعة، هو أول خيار سنقيّمه لأرشيف تسجيلات قابل للبحث أو نص أولي. جاذبيته في السعر المستضاف المنخفض مع API موثقة، لا في وعد بأن أخطاءه ضئيلة.

تفصل وثائق Groq Turbo عن Large V3: يدعم Turbo التفريغ متعدد اللغات لكنه لا يدعم نقطة نهاية الترجمة. وتظل الطلبات الأقصر من 10 ثوانٍ مفوترة لعشر ثوانٍ. لا يهم ذلك كثيرًا في المقابلات، لكنه مهم إذا قسّم خط الأنابيب الصوت إلى مقاطع صغيرة كثيرة.

اختره عندما يكون النص الرخيص هو الناتج الأساسي وتجتاز عينتك المراجعة. وإذا احتجت ناتجًا موثوقًا يحدد «من قال ماذا»، فقارن حل تسمية متحدثين كاملًا بدل اعتبار سعر التفريغ الأساسي سعر سير العمل النهائي.

Voxtral مقابل Scribe: ميزات الاجتماعات أم أخطاء نص أقل

Voxtral Mini Transcribe 2 خيارنا الأول من حيث التكلفة لاختبار الاجتماعات ذات أسماء المتحدثين. توثّق Mistral فصل المتحدثين والطوابع الزمنية لكل كلمة و13 لغة مدعومة. يعني فصل المتحدثين تمييزهم حتى تُنسب العبارات إلى الشخص الصحيح.

يوجد قيد مهم: تقول Mistral إن الكلام المتداخل ينتج عادةً نص متحدث واحد. لا تخلط وجود أسماء المتحدثين بالتقاط كامل لكل من يتحدث في الوقت نفسه.

Scribe v2 بديل موجه للدقة في هذا الزوج. تزيد تكلفة استخدامه الأساسية المدرجة $4 فقط عبر مئة ساعة، وله معدل خطأ أدنى في اللقطة أعلاه. يستحق لذلك اختبارًا مباشرًا حين يهم وقت التحرير. تحاسب ElevenLabs على توجيه المصطلحات واكتشاف الكيانات منفصلين؛ فقارن الخطة والميزات الفعلية، لا $0.22/ساعة وحدها. ولا يحسم الاختبار أي خدمة تسمي متحدثي اجتماعك بصورة أفضل.

MAI-Transcribe-2: معاينة قوية لا خيار إنتاج افتراضي

يقدم إعلان Microsoft في 3 سبتمبر سعر $0.10/ساعة حتى نهاية 2026. يجعله ذلك، مع لقطة الجودة، خيارًا تجريبيًا جذابًا في السعر والدقة.

لكن وثائق Azure Speech تضع علامة المعاينة العامة صراحةً على التكامل، بلا اتفاقية مستوى خدمة، ولا توصي بأحمال الإنتاج. قيّمه لنموذج أولي إذا ناسبت المنطقة والشروط. لا تبنِ خط إنتاج غير مراقب على السعر الترويجي وحده، ولا تفترض استمراره في 2027.

OpenAI وGoogle: قارن نماذج التفريغ المتخصصة

يُعد GPT-Transcribe الخيار المتخصص الأحدث من OpenAI في هذه المقارنة. ويظل GPT-4o Mini Transcribe البديل الأرخص بنحو $0.18/ساعة. سنقارن الاثنين قبل افتراض أن GPT-4o Transcribe الأقدم أنسب لمجرد ألفة اسم «4o».

يضيف Gemini 3.5 Transcribe خيارًا متخصصًا آخر، مع فصل المتحدثين وطوابع زمنية للكلمات. يجمع تقدير Google البالغ نحو $0.005/دقيقة إدخال الصوت وإخراج النص؛ وليس رسم الإدخال وحده. يستحق المقارنة إذا كنت تستخدم API من Google، لكنه ليس منتج Transcribe Live نفسه ولا نموذج محادثة Gemini عام يتلقى مرفقًا صوتيًا.

Soniox وQwen وAssemblyAI وDeepgram: أسباب للاحتفاظ بالبدائل

يستحق Soniox مكانًا في مقارنة منخفضة التكلفة، لكن مبلغ $0.10/ساعة تقريبي. تشمل فوترة Soniox إدخال الصوت والسياق النصي المقدم وإخراج النص. يغير الإخراج الأطول أو الترجمة الفاتورة.

أدرج Qwen في عينة سير العمل الصيني بدل تعميم اختبار إنجليزي. يعتمد سعر تفريغ الملفات لدى Alibaba Cloud على المنطقة والنموذج الدقيق. ويُعد Qwen3-ASR-1.7B مفتوح الأوزان خيار نشر منفصلًا، لا Flash API باسم آخر. تلغي الاستضافة المحلية فاتورة API لكل مكالمة، لا تكاليف الأجهزة والصيانة.

تسرد وثائق AssemblyAI الحالية Universal-3.5 Pro بسعر $0.21/ساعة وUniversal-2 بسعر $0.15/ساعة للصوت المسجل مسبقًا. افحص دعم اللغة والإصدار بدل استعارة درجات اختبارات أقدم. ويشمل تسعير Nova-3 من Deepgram فصل المتحدثين للصوت المسجل مسبقًا، بينما يزيد سعره الأساسي متعدد اللغات على أحادي اللغة. كلاهما يستحق مقارنة اجتماعات متطابقة الميزات حتى إن لم يفز بعمود السعر الأساسي الأرخص.

التكلفة الحقيقية لمئة ساعة

افترض عبئًا شهريًا من 100 ساعة مقابلات أحادية القناة. الناتج الأول نص، وتأتي الملخصات لاحقًا. وفق الأسعار المدرجة، يكلف Groq Turbo مبلغ $4 وVoxtral مبلغ $18 وGPT-Transcribe مبلغ $27 قبل الإضافات. هذا حساب استخدام لا فاتورة مرصودة.

افترض الآن أن ساعة المراجع تساوي $20. تشتري علاوة Voxtral البالغة $14 فوق Groq مقدار 42 دقيقة مراجعة في الشهر كله. إذا وفر أكثر من ذلك في سيرك، فقد يغطي السعر الأعلى نفسه. لم نقس الوفر؛ و42 دقيقة هي نقطة التعادل التي يمكنك اختبارها.

قد تغير ثلاثة تفاصيل فوترة المقارنة:

• الطلبات الصغيرة: يرفع حد Groq الأدنى البالغ 10 ثوانٍ تكلفة الصوت شديد التجزئة.
• الميزات المطلوبة: تسعّر ElevenLabs توجيه المصطلحات بـ$0.05/ساعة إضافية. عبر مئة ساعة، يضيف ذلك $5 قبل الرسوم الأخرى.
• القنوات: تحاسب Deepgram القنوات المعالجة منفصلة؛ فقد يُحسب تسجيل من قناتين ومدته 10 دقائق كـ20 دقيقة معالجة.

المصادر ذات الصلة هي حدود ملفات Groq وأسعار ElevenLabs API وشرح فوترة Deepgram. استخدم التكوين الذي سترسله فعلًا.

يحتاج التفريغ المباشر إلى مقارنة مستقلة. فمثلًا تحسب فوترة البث لدى AssemblyAI مدة الاتصال لا الصوت المرفوع وحده. لا تخبرك سرعة معالجة ملف قائم بموعد ظهور أول الكلمات أو آخرها لمستمع مباشر.

أضف تكلفة الملخصات والترجمة

تنتج API التفريغ النص المصدر. وإذا حوّله نموذج لغوي بعدها إلى ملاحظات اجتماع أو ترجمه أو استخرج عناصر عمل، فتلك فاتورة أخرى. تشرح مقارنة نماذج التلخيص كيفية فحص احتفاظ الملاحظات المختصرة بالقرارات والشروط.

استخدم حاسبة أسعار النماذج لدى AILesson لهذه المرحلة النصية. افترض أن النصوص والطلبات الشهرية مجموعها 1.5 مليون رمز إدخال، والملخصات 0.15 مليون رمز إخراج. أدخل 1.5 و0.15 في الحقلين لمقارنة تكاليف النماذج. هذه إجماليات افتراضية وليست تحويلًا ثابتًا من مئة ساعة صوت.

تقدر الحاسبة تكلفة رموز الإدخال والإخراج، وليست حاسبة دقائق تفريغ. أضف تقديرها إلى استخدام التفريغ والميزات المطلوبة والتخزين وإعادة المحاولة ووقت المراجعة. وإذا قسمت نصوصًا طويلة وشغلت جولة تلخيص نهائية، فأدرج المدخلات المتكررة أيضًا.

اختر مرشحين وافحص الأجزاء الصعبة

ابدأ للنصوص الأساسية بـ Groq Turbo وبديل أعلى دقة. وللاجتماعات، قارن Voxtral وScribe؛ ولا تضف MAI إلا إذا كانت المعاينة مقبولة للتجربة. وللكلام الصيني أو المختلط، أدرج خدمة Qwen المناسبة بدل افتراض انتقال الترتيب الإنجليزي.

استخدم تسجيلات يحق لك معالجتها، منها عينة نظيفة ومحادثة صاخبة أو متداخلة وأخرى تحوي أسماء أو مبالغ أو مصطلحات تقنية. قدّم لكل نموذج الصوت نفسه وتعليمات مكافئة. افحص الكلام المفقود والكلمات المهمة وتغير المتحدثين والطوابع الزمنية ووقت الإصلاح، لا سلاسة قراءة النص وحدها.

أكد قبل إرسال تسجيلات خاصة شروط المزود بشأن الاحتفاظ واستخدام التدريب ومنطقة المعالجة. ثم اختر أقل الخيارات تكلفةً الذي يجتاز متطلباتك الفعلية. لا يفوز نص بـ$4 بالميزانية إذا استغرق إصلاحه ساعات.

المراجع

• ترتيبات التفريغ في OpenRouter — اكتشاف مبني على الاستخدام، لا اختبار دقة.
• ترتيب Artificial Analysis غير المتدفق والمنهجية — لقطة الجودة وحدودها.
• وثائق تحويل الكلام إلى نص من Groq — الأسعار وفروق النماذج والحد الأدنى للفوترة.
• وثائق Voxtral من Mistral وتفاصيل الإصدار — السعر وميزات الاجتماعات وحدود التداخل.
• تسعير ElevenLabs API — أسعار استخدام Scribe والإضافات.
• شروط إطلاق Microsoft ووثائق تكامل Azure — العرض وقيود المعاينة.
• تسعير OpenAI وتسعير Google Developer API — أسعار وتقديرات نماذج التفريغ المتخصصة.
• تسعير Soniox وAlibaba Cloud وStepFun — نماذج فوترة بديلة وأسعار إقليمية.
• وثائق نماذج AssemblyAI وتسعير Deepgram — فروق النماذج والأوضاع وتكلفة الميزات.
• بطاقة نموذج Qwen3-ASR-1.7B — خيار النشر مفتوح الأوزان المنفصل.