أطلقت xAI Grok Voice في نفس الأسبوع الذي طرحت فيه OpenAI GPT-Realtime-2، وأصبح لدى المطورين الذين يختارون نموذجًا صوتيًا في عام 2026 الآن خياران رئيسيان موثوقان. كلاهما يقدم نماذج تحويل الكلام إلى كلام مع قدرات استدلال، وكلاهما يعمل عبر WebSocket، وكلاهما يدعم استخدام الأدوات، وكلاهما يتحدث بنبرة بشرية. يعتمد القرار على خمس مقايضات ملموسة: زمن الاستجابة، السعر، كتالوج الأصوات، عمق الاستدلال، وما إذا كنت بحاجة إلى SIP أو إدخال الصور أو استنساخ الصوت.
تضع هذه المقالة النموذجين جنبًا إلى جنب، مع الأرقام، واجهات برمجة التطبيقات، والتوصية المختصرة لكل شكل شائع من وكلاء الصوت.
للحصول على الأدلة المستقلة، راجع كيفية استخدام GPT-Realtime-2 و كيفية استخدام Grok Voice مجانًا. لاختبار أي من النموذجين تحت الضغط، يتعامل Apidog مع جلسات WebSocket بشكل أصلي.
خلاصة القول
- Grok Voice (
grok-voice-think-fast-1.0) يتفوق في زمن الاستجابة (وقت الوصول الأول للصوت أقل من ثانية، أسرع بحوالي 5 مرات من أقرب منافس)، الوصول المجاني للكونسول، كتالوج الأصوات (أكثر من 80 إعدادًا مسبقًا، 28 لغة)، واستنساخ الصوت (عينة دقيقة واحدة، جاهزة في دقيقتين). - GPT-Realtime-2 يتفوق في عمق الاستدلال (من فئة GPT-5، 5 مستويات استدلال)، نافذة السياق (128 ألف توكن)، إدخال الصور (فهم لقطات الشاشة المباشرة)، ونضج الإنتاج (SIP أصلي، MCP، سجل حافل أطول).
- التسعير للاستخدام المدفوع: GPT-Realtime-2 هو 32 دولارًا / 64 دولارًا لكل مليون توكن صوتي؛ Grok Voice ليس لديه رسوم صوتية بالدقيقة على الكونسول، تدفع فقط مقابل استدلال Grok 4.3 بسعر 1.25 دولارًا / 2.50 دولارًا لكل مليون توكن.
- اختر Grok Voice لتطبيقات المستهلك عالية الحجم ومنخفضة زمن الاستجابة وأي حالة استخدام لاستنساخ الصوت.
- اختر GPT-Realtime-2 للاستدلال المعقد، وكلاء الصوت متعددي الوسائط، وعمليات نشر مراكز الاتصال المغلقة.
- قم ببناء التكامل مرة واحدة باستخدام Apidog، ثم بدّل النماذج بتغيير عنوان URL واحد.
النموذجان في جدول واحد
| القدرة | Grok Voice (grok-voice-think-fast-1.0) |
GPT-Realtime-2 |
|---|---|---|
| وقت الوصول الأول للصوت | أقل من ثانية (ادعاء xAI: أسرع بحوالي 5 مرات من الأقرب) | أقل من ثانية على استدلال low، أبطأ على high/xhigh |
| مستويات الاستدلال | منخفض / متوسط / مرتفع (بناءً على Grok 4.3) | أدنى / منخفض / متوسط / مرتفع / مرتفع جدًا |
| الذكاء الأساسي | Grok 4.3 (مؤشر الذكاء 53) | من فئة GPT-5 |
| نافذة السياق | 1,000,000 توكن (Grok 4.3) | 128,000 توكن |
| الأصوات المسبقة الإعداد | أكثر من 80 (5 شخصيات لوكيل الصوت المسماة: Eve, Ara, Rex, Sal, Leo) | 10 (2 جديد: Cedar, Marin؛ 8 أعيد ضبطها) |
| اللغات (تحويل النص إلى كلام) | 28 | لم يتم حسابها رسميًا |
| اللغات (تحويل الكلام إلى نص) | 25 | موروثة من GPT-Realtime |
| استنساخ الصوت | نعم، أصوات مخصصة، عينة دقيقة واحدة، تدريب أقل من دقيقتين | لا |
| إدخال الصور | لا (نص + صوت فقط) | نعم (صورة، لقطة شاشة) |
| خوادم MCP عن بعد | استخدام الأدوات نعم؛ لم يتم الإعلان عن MCP أصلي | نعم (أدوات MCP يتم تنفيذها بواسطة API) |
| SIP أصلي / الاتصال الهاتفي | أحضر مزود SIP الخاص بك | نعم (نقطة نهاية ?call_id={call_id}) |
| تنسيقات الصوت | PCM16, MP3, μ-law | PCM16, G.711 μ-law, A-law |
| نموذج التسعير | مجاني على الكونسول للصوت؛ ادفع فقط مقابل استدلال Grok 4.3 (1.25 دولارًا / 2.50 دولارًا لكل مليون) | 32 دولارًا / 1 مليون صوت وارد، 64 دولارًا / 1 مليون صوت صادر، 4 دولارات / 24 دولارًا لكل 1 مليون نص |
| الامتثال | SOC 2 Type II, HIPAA-مؤهل (BAA), GDPR | SOC 2, GDPR (حسب OpenAI Enterprise) |
زمن الاستجابة: Grok يفوز، بفارق كبير
ادعاء xAI بأن grok-voice-think-fast-1.0 "أسرع بنحو 5 مرات من أقرب منافس" يأتي مع معاييرهم الخاصة، لذا تعامل مع المضاعف بحذر. النتائج الاتجاهية تثبت في الاختبارات المستقلة: وقت وصول الصوت الأول في Grok يقع بشكل مريح تحت ثانية واحدة، بينما يقع GPT-Realtime-2 في نطاق 800 مللي ثانية - 1500 مللي ثانية اعتمادًا على مستوى الاستدلال.
لماذا يهم: في مكالمة هاتفية، الفرق بين 600 مللي ثانية و 1200 مللي ثانية هو الفرق بين "الوكيل يبدو حيًا" و "الوكيل يبدو كبوت". زمن الاستجابة هو البعد الوحيد الذي يشعر به المستخدمون أكثر من غيره.
توصية: إذا كان تطبيقك موجهًا للمستهلك ويحمل المستخدم هاتفًا في يده، فإن ميزة زمن الاستجابة في Grok Voice تستحق المقايضة مقابل استدلال أعمق.
التسعير: ليس بنفس الشكل
هذا هو القسم الوحيد الذي تتطلب فيه مقارنة متجانسة عناية.
GPT-Realtime-2 يسعر الصوت كمقياس للتوكن. إدخال الصوت هو 32 دولارًا لكل مليون توكن، وإخراج الصوت هو 64 دولارًا لكل مليون توكن. ثانية واحدة من الصوت تساوي حوالي 50 توكنًا، لذا فإن محادثة مدتها 5 دقائق مع تبادل متوازن تحرق حوالي 30,000 توكن، أو ما يقرب من 1.50 دولار في إدخال/إخراج الصوت. ينخفض الإدخال المخزّن مؤقتًا بمقدار 80 مرة للمطالبات النظامية المستقرة.
Grok Voice لا يفرض رسومًا لكل دقيقة أو لكل توكن على xAI Console لتحويل النص إلى كلام، تحويل الكلام إلى نص، وكيل الصوت، أو الأصوات المخصصة. تدفع فقط مقابل استدلال Grok 4.3 بسعر 1.25 دولار لكل مليون توكن إدخال و 2.50 دولار لكل مليون توكن إخراج. توكنات الاستدلال أقل بكثير من توكنات الصوت لنفس المحادثة، لذلك تكلف مكالمة الخمس دقائق نفسها أقل من 0.10 دولار.
توصية: لتطبيقات المستهلك ذات الحجم الكبير حيث تهم اقتصاديات الوحدة (فكر في أكثر من 10,000 دقيقة/يوم)، Grok Voice أرخص ماديًا. للتدفقات ذات الحجم المنخفض والمخاطر العالية (مكالمات المبيعات، الدعم المنظم)، يكون فارق السعر صغيرًا بما يكفي لتكون جودة الاستدلال هي العامل الحاسم.
للحصول على تفصيل تسعير Grok 4.3 الكامل، راجع كيفية استخدام Grok 4.3 API. لخط تسعير OpenAI، راجع تسعير GPT-5.5.
عمق الاستدلال: OpenAI يفوز
GPT-Realtime-2 هو أول نموذج تحويل الكلام إلى كلام تصفه OpenAI بأنه "من فئة GPT-5". في Big Bench Audio، سجل 96.6% (ارتفاعًا من 81.4% في النموذج السابق)، وفي Audio MultiChallenge سجل 48.5% (ارتفاعًا من 34.7%). تتيح لك مستويات الاستدلال الخمسة (من minimal إلى xhigh) قياس زمن الاستجابة مقابل الجودة على أساس كل طلب.
يعمل Grok Voice على Grok 4.3 في الخلفية. حقق Grok 4.3 مؤشر ذكاء 53 في التحليل الاصطناعي، ليحتل المرتبة العاشرة من أصل 146 نموذجًا عالميًا. إنه قوي، خاصة في المهام الوكيلة (300 نقطة Elo أعلى مقارنة بـ Grok 4.20 على GDPval-AA)، لكن مستوى استدلال تحويل الكلام إلى كلام لم يصل بعد إلى مستوى GPT-Realtime-2 في المعايير المنشورة.
توصية: إذا كان على الوكيل أن يزيل الغموض عن النية، أو يوزع المهام عبر العديد من الأدوات، أو يستدل على سياق طويل في منتصف المحادثة، فإن GPT-Realtime-2 هو الخيار الأكثر أمانًا. لسيناريوهات الدعم والمبيعات المباشرة، الفارق صغير بما يكفي ليجعل زمن الاستجابة هو الفائز.
كتالوج الأصوات: Grok يفوز بالعدد، OpenAI بالاتساق
يقدم Grok أكثر من 80 صوتًا مسبق الإعداد تغطي 28 لغة. يستخدم وكيل الصوت نفسه مجموعة منسقة من خمس شخصيات (Eve, Ara, Rex, Sal, Leo)، لكن واجهة تحويل النص إلى كلام الأوسع تتيح لك الاختيار من مكتبة أكبر بكثير. بالإضافة إلى استنساخ الصوت، الذي لا يوجد له مكافئ لدى OpenAI.
يقدم GPT-Realtime-2 إجمالي 10 أصوات: اثنان من الأصوات الرائدة الجديدة (Cedar, Marin) حصريًا لواجهة برمجة تطبيقات Realtime، بالإضافة إلى ثمانية أصوات قديمة أعيد ضبطها (alloy, ash, ballad, coral, echo, sage, shimmer, verse). المكتبة أصغر، لكن الاتساق عبر الأصوات عالٍ؛ كلها تستخدم نفس حزمة الصوت، ويتحكم بها بنفس طريقة التنغيم.
توصية: إذا كنت بحاجة إلى صوت محدد (نبرة صوت تشبه المشاهير، لهجة إقليمية، صوت علامة تجارية مخصص)، فإن Grok يفوز. إذا كنت بحاجة إلى أي صوت عالي الجودة وتهتم بالسلوك المتوقع، فإن GPT-Realtime-2 جيد.
استنساخ الصوت: Grok وحده يقدمه
تقوم ميزة الأصوات المخصصة (Custom Voices) من xAI باستنساخ صوت من حوالي دقيقة من الكلام الواضح وتُرجع voice_id في أقل من دقيقتين. يعمل نفس voice_id عبر نقطة نهاية TTS ووكيل الصوت. لا تعرض OpenAI حاليًا استنساخ الصوت على Realtime API.
هذه فئة أحادية الجانب. إذا كنت بحاجة إلى الاستنساخ، فقد تم اتخاذ القرار.
إدخال الصور: OpenAI وحده يقدمه
يقبل GPT-Realtime-2 النصوص والصوت والصور كمدخلات. يمكنك إرفاق لقطة شاشة أو صورة بدورة المستخدم وطلب من الوكيل وصفها بصوت عالٍ، ثم متابعة المحادثة. حالات الاستخدام (الدعم الميداني، ضمان الجودة المعتمد على الصوت، السرد الصوتي لسهولة الوصول) مثيرة للاهتمام ولا يمكن لـ Grok مضاهاتها اليوم.
هذا أيضًا أحادي الجانب. إذا كان وكيلك يحتاج إلى رؤية ما ينظر إليه المستخدم، فإن OpenAI هو الخيار.
للحصول على نظرة أعمق على حزمة رؤية OpenAI، راجع كيفية استخدام GPT-Image-2 API.
تكامل SIP والهاتف: OpenAI يقدمه أصليًا، Grok يحتاج إلى جسر
يدعم Realtime API من OpenAI بروتوكول SIP بشكل أصلي. قم بتوجيه SIP trunk إلى بوابة OpenAI وتفتح المكالمات الواردة جلسة WebSocket على wss://api.openai.com/v1/realtime?call_id={call_id}. تتجاوز طبقة الجسر بالكامل.
يدعم Grok Voice إخراج μ-law للاتصالات الهاتفية، ولكنك تجلب مزود SIP الخاص بك (Twilio, Telnyx, Plivo) وتقوم بتشغيل الجسر بنفسك. إنه يعمل، ولكنه يكلف هندسة إضافية.
توصية: إذا كنت تبني وكيل مركز اتصال وتريد أسرع مسار من المفتاح إلى المكالمة، فإن GPT-Realtime-2 هو التكامل الأخف.
MCP واستخدام الأدوات
كلا النموذجين يدعمان استدعاء الوظائف. التفصيل:
- GPT-Realtime-2 يدعم خوادم MCP البعيدة بشكل أصلي. قم بتكوين عنوان URL للخادم وقائمة الأدوات المسموح بها، وتقوم واجهة برمجة تطبيقات Realtime نفسها بتنفيذ الاستدعاءات. لا يمر رمزك أبدًا عبر حلقة أحداث استدعاء الوظائف.
- Grok Voice يدعم استدعاء الوظائف ويقدم أداة
web_searchمدمجة. لم يتم الإعلان عن MCP كعنصر أساسي من الدرجة الأولى بعد.
لوكيل الصوت الذي يسحب من كتالوج أدوات بخمسين نقطة نهاية (فكر في وكيل بنكي)، فإن تكامل MCP مهم؛ فأنت تريد أن تقوم واجهة برمجة التطبيقات بتوزيع الأدوات دون وجود خادمك في المسار الحرج. للوكلاء الذين لديهم خمس أدوات أو أقل، يكون استدعاء الوظائف العادي على أي من النموذجين جيدًا.
إذا كنت تختبر خوادم MCP بشكل منفصل، راجع اختبار خادم MCP في Apidog.
الاختيارات المختصرة
- تطبيق صوتي للمستهلك، حجم كبير، حرج لزمن الاستجابة: Grok Voice.
- يتطلب استنساخ الصوت (صوت علامة تجارية مخصص، أصوات شخصيات): Grok Voice.
- تحويل النص إلى كلام متعدد اللغات على نطاق واسع (أكثر من 10 لغات): Grok Voice.
- وكيل صوتي يحتاج إلى رؤية لقطات الشاشة: GPT-Realtime-2.
- نشر مركز اتصال باستخدام SIP: GPT-Realtime-2.
- وكيل استدلال متعدد الخطوات بأكثر من 50 أداة: GPT-Realtime-2 (MCP).
- محادثات السياق الطويل (أكثر من 50 ألف توكن من السجل): GPT-Realtime-2 (سياق 128 ألفًا، لكن سياق Grok 4.3 الذي يبلغ مليون توكن أكبر إذا كان بإمكانك تحمل تكلفة توكن الصوت).
- أرخص وكيل صوت إنتاجي: Grok Voice على الكونسول.
- الأكثر موثوقية للاستدلال الثقيل بالمعايير: GPT-Realtime-2 مع استدلال
xhigh.
كيف تختبر كلا النموذجين قبل الالتزام
الخطوة الذكية ليست اختيار واحد ثم نقله. الخطوة الذكية هي البناء على كلا النموذجين لمدة أسبوع وقياس الأداء.
النمط الذي نتبعه:
- بناء محادثة اختبارية. حوار من 10 جولات مع استدعاء أداة واحدة، إزالة غموض واحدة، وإجابة طويلة واحدة. سجل صوت المستخدم الحقيقي للجولات.
- كتابة السيناريو مرة واحدة في Apidog. طلب WebSocket، تسلسل رسائل JSON، متغيرات بيئة لكل من
XAI_API_KEYوOPENAI_API_KEY. - تبديل عنوان URL بين التشغيلات.
wss://api.x.ai/v1/realtime?model=grok-voice-think-fast-1.0لأحدهما، وwss://api.openai.com/v1/realtime?model=gpt-realtime-2للآخر. - التقاط إخراج الصوت واستخدام التوكن. قارن وقت الوصول الأول للصوت، والمدة الإجمالية للإخراج، والتكلفة الإجمالية لكل تشغيل.
قم بتنزيل Apidog لتشغيل المقارنة جنبًا إلى جنب. تنسيق المجموعة قابل للنقل، لذا فإن نتيجة المقارنة تكون موجودة في التحكم بالإصدار.
الأسئلة الشائعة
هل يمكنني استخدام كلا النموذجين في نفس التطبيق وتوجيههما في وقت التشغيل؟نعم. كلاهما يتحدثان أشكال أحداث متشابهة. يمكنك التوجيه بناءً على نية المستخدم (مصنف نية رخيص يختار Grok للمحادثات العادية، وGPT-Realtime للمحادثات المعقدة) أو بناءً على اللغة (Grok للغات غير الإنجليزية على نطاق واسع). تكلفة طبقة التوجيه صغيرة.
أيهما يتمتع بجودة صوت أفضل للغات غير الإنجليزية؟يتفوق Grok في تغطية اللغة (أكثر من 80 صوتًا، 28 لغة في تحويل النص إلى كلام). بالنسبة للغات التي يغطيها كلاهما، فإن الجودة في العالم الحقيقي قريبة بما يكفي بحيث يجب عليك اختبار اللغات المحددة التي تحتاجها.
هل يستحق GPT-Realtime-2 سعر 10 أضعاف لأعباء العمل النموذجية؟يعتمد ذلك على ما تعنيه "نموذجية". لوكيل دعم عملاء يجيب على الأسئلة الشائعة، لا. لوكيل مبيعات يجب عليه قراءة نظام إدارة علاقات العملاء (CRM)، وتوزيع الأدوات، والتعافي من الانقطاعات، فإن الفجوة في الاستدلال تستحق ذلك.
هل يقوم أي من النموذجين باستنساخ صوت حقيقي للشخصيات العامة؟لا. يقوم كلا المزودين بتصفية الاستنساخ ليقتصر على العينات التي تم الحصول على موافقة عليها. استنساخ شخصية عامة دون إذن ينتهك شروط الخدمة على كلا المنصتين.
كيف يمكنني الترحيل من أحدهما إلى الآخر لاحقًا؟تختلف أسماء الأحداث بشكل طفيف، لكن شكل المحادثة هو نفسه. خطط لعملية نقل تستغرق يومًا واحدًا، معظمها في حمولة session.update وأسماء معالجات الأحداث. إذا قمت بالبناء باستخدام Apidog للاختبار، فإن مجموعة الطلبات تنتقل بسلاسة.
الخاتمة
لا توجد إجابة صحيحة عالميًا بين Grok Voice و GPT-Realtime-2. توجد إجابة صحيحة لكل حالة استخدام، والمقايضات الخمس (زمن الاستجابة، السعر، كتالوج الأصوات، عمق الاستدلال، والتكاملات مثل SIP/MCP/الصور) هي التي تحدد الخيار.
إذا كنت تبني تطبيقًا صوتيًا سريعًا للمستهلك وتهتم بكل مللي ثانية، فانتقل إلى Grok Voice وامضِ قدمًا. إذا كنت تبني وكيل صوت متعدد الوسائط يحتاج إلى النظر إلى الشاشات، وتوزيع خمسين أداة، والرد على المكالمات الهاتفية دون جسر SIP، فانتقل إلى GPT-Realtime-2.
لكل شيء آخر، قم بالبناء مرة واحدة على Apidog، اختبر كلاهما لمدة أسبوع، واختر بناءً على البيانات.