أفضل واجهات API للذكاء الاصطناعي من الكلام إلى الكلام في الوقت الفعلي للمكالمات الهاتفية (2026)

أفضل خدمات الذكاء الاصطناعي من الكلام إلى الكلام في الوقت الفعلي للمكالمات الهاتفية في عام 2026 هي: Retell AI، وOpenAI Realtime API، وOpenAI GPT-Live-1، وGoogle Gemini Live API، وAmazon Nova 2.5 Sonic، وDeepgram Voice Agent API، وAssemblyAI Voice Agent API.

تُعدّ منصّة Retell الخيار الأمثل عندما تكون المكالمات مكالمات هاتفية فعلية في بيئة الإنتاج، لأنها تُحيط نموذج الكلام إلى الكلام بما يحتاجه الخط الهاتفي من اتصالات هاتفية وتحويلات واختبارات. أما الخيارات الستة الأخرى فهي واجهات API لنماذج أو لمسارات معالجة (pipelines)، إذ تمنحك حلقة الصوت وتترك لك معظم النظام الهاتفي والتسليم إلى موظف بشري وQA.

تنشر منصّة Retell AI هذه القائمة، وهي أحد الخيارات المقارَنة فيها. أُخذت أسعار المنافسين وميزاتهم من صفحات الأسعار أو النماذج أو الوثائق العامة لكل مزوّد، وقُرئت بتاريخ 22 أكتوبر 2026، مع روابط إليها حيثما ذُكرت.

كيف اخترنا الخيارات وقارنّا بينها. أدرجنا كل واجهة API تستقبل الصوت المباشر وتُعيد الكلام في الوقت الفعلي ويمكن لأي فريق ربطها برقم هاتف: نماذج أصلية من الكلام إلى الكلام من OpenAI وGoogle وAmazon، وواجهتي API متكاملتين للوكلاء الصوتيين من Deepgram وAssemblyAI، ومنصّة Retell بوصفها طبقة المنصّة. قارنّا بينها وفق خمسة معايير (أدناه) مستخدمين المعلومات المنشورة من المزوّدين فقط. لم نُجرِ مكالمات اختبارية ولا اختبارًا لزمن الاستجابة، لذا لا يتضمن المقال أي تقييمات أو أرقام لزمن الاستجابة.

الخلاصة

• نماذج أصلية من الكلام إلى الكلام: تستقبل OpenAI gpt-realtime-2.1 وOpenAI GPT-Live-1 وGemini 3.8 Live وAmazon Nova 2.5 Sonic الصوت وتُعيد الصوت ضمن نموذج واحد.
• واجهات API متكاملة للوكلاء الصوتيين: تُشغّل Deepgram وAssemblyAI تحويل الكلام إلى نص ونموذج LLM وتحويل النص إلى كلام خلف WebSocket واحد وبسعر واحد للدقيقة.
• أدنى أسعار منشورة للصوت بالدقيقة: Gemini 3.8 Live، بسعر $0.005 للدقيقة للإدخال و$0.018 للدقيقة للإخراج، وهي أرقام تحوّلها Google من $3 و$12 لكل مليون token صوتي.
• أسعار ثابتة بالدقيقة: GPT-Live-1 بسعر $0.05 للدقيقة لطبقة الصوت (ويُحتسب النموذج الخلفي بشكل منفصل)، وDeepgram بدءًا من $0.075 للدقيقة، وAssemblyAI بسعر $0.075 للدقيقة شاملًا كل شيء.
• SIP مباشر: تقبل OpenAI مكالمات SIP على كلٍّ من Realtime API وجلسات Live، وتستقبل AssemblyAI مكالمات SIP عبر حساب Twilio الخاص بك. أما بالنسبة إلى Gemini Live، فتُحيل وثائق Google إلى تكاملات الشركاء مثل LiveKit وPipecat.
• وكلاء هاتفيون للإنتاج: تُشغّل منصّة Retell نماذج OpenAI للوقت الفعلي أو Grok Voice أو مسار LLM قياسيًا، وتضيف التحويل المُمهَّد والتنقّل في قوائم IVR واختبار المحاكاة وتحليل ما بعد المكالمة.

كيف تُقارَن واجهات API السبع؟

الفارق الجوهري هو ما إذا كنت تشتري نموذجًا أم وكيلًا هاتفيًا. يوضّح الجدول ماهية كل خيار، وكيف تصل إليه المكالمة الهاتفية، وسعره المنشور بتاريخ 22 أكتوبر 2026.

كيف قارنّا بين واجهات API

نظرنا في خمسة جوانب تكشفها المكالمة الهاتفية ويُخفيها العرض التوضيحي في المتصفح:

1. مسار الاتصالات الهاتفية. هل يمكن لمكالمة PSTN أن تصل إلى النموذج دون أن تُدير خادم وسائط بنفسك؟
2. تبادل الأدوار في الظروف الفعلية. هل يوثّق المزوّد آلية التعامل مع المقاطعات في المكالمات المباشرة؟
3. استدعاء الأدوات أثناء الكلام. هل يستطيع الوكيل البحث عن طلب ما وهو يواصل الحديث؟
4. التسليم إلى موظف بشري. هل التحويل المُمهَّد مدمج، أم أنه يتطلب كتابة شيفرتك الخاصة؟
5. تكلفة يمكنك التنبؤ بها. هل الفوترة بالدقيقة أم بالـ token، وما الذي يقع خارج العدّاد؟

تُقاس ادعاءات المزوّدين بشأن زمن الاستجابة بطرق مختلفة ولا يمكن مقارنتها، لذا لا نوردها هنا.

Retell AI

تُعدّ منصّة Retell AI الخيار الأفضل عندما يتعيّن على نموذج من الكلام إلى الكلام أن يصمد أمام مكالمات هاتفية حقيقية، لأنها تتولّى كل ما يحيط بالنموذج في المكالمة: الأرقام والتسليم والبريد الصوتي والاختبار.

تُدرج واجهة API الخاصة بمنصّة Retell خيارات من الكلام إلى الكلام، منها عائلة gpt-realtime من OpenAI (gpt-realtime-2.1 وgpt-realtime-2 وغيرهما) وGrok Voice 3.0، بوصفها خيارًا واحدًا ضمن النماذج المدعومة. ويمكنك أيضًا تشغيل وكيل على مسار قياسي باستخدام نموذج LLM الذي تختاره، مع الاحتفاظ بالاتصالات الهاتفية والتحويلات والاختبارات نفسها في كلتا الحالتين. اطّلع على خيارات النماذج في مرجع API.

وكدليل على الأداء في المكالمات الصعبة، أجرت Cekura اختبارًا معياريًا شمل 414 مكالمة لست منصّات صوتية (Retell وElevenLabs وPipecat وLiveKit وSynthflow وVapi) على سير عمل واحد خاضع للتنظيم في Medicare. اجتازت منصّة Retell 22 من أصل 23 مُقيّمًا وتصدّرت بدقة سير عمل بلغت 95.7%، مع احتساب الفحوصات التي نجحت في جميع الجولات الثلاث فقط. وشملت الحالات الصعبة متصلًا يقاطع الإفصاح ويطالب بتفاصيل الخطة، وفردًا من العائلة يتصل نيابةً عن مستفيد، ومتصلًا يطلب من الوكيل أن يتعهّد بأن الخطة تغطي دواءه. وهو اختبار معياري للمنصّات على سير عمل واحد، وليس مقارنة بين نماذج الكلام إلى الكلام.

ما تحصل عليه إلى جانب النموذج:

• الاتصالات الهاتفية: اشترِ أرقامًا أمريكية أو كندية من لوحة التحكم، أو استورد أرقامك الخاصة عبر SIP trunking، بما في ذلك Twilio وVonage.
• التسليم: تحويل المكالمات إلى موظف بشري بشكل مباشر أو مُمهَّد أو ذاتي عبر الوكيل، مع إحاطة سياقية في حالات التحويل المُمهَّد.
• الاتصالات الصادرة: اكتشاف البريد الصوتي والتنقّل في قوائم IVR عبر القوائم الهاتفية لدى الشركات الأخرى.
• الاختبار وQA: اختبار المحاكاة قبل الإطلاق، ثم تحليل ما بعد المكالمة وضمان الجودة بالذكاء الاصطناعي على مكالمات الإنتاج.

الأسعار: بدءًا من $0.07 للدقيقة على صفحة أسعار Retell.

انتبه إلى: منصّة Retell منصّة متكاملة، وليست endpoint لنموذج خام. إذا كنت تريد التحكم بنفسك في كل إطار من مسار معالجة الصوت، فابدأ بواجهة API لنموذج بدلًا من ذلك.

OpenAI Realtime API (gpt-realtime-2.1)

تُعدّ OpenAI Realtime API الخيار المناسب للفرق التي تريد نموذجًا خامًا من الكلام إلى الكلام مع قدرات الاستدلال في GPT، وستبني بقية المنظومة الهاتفية بنفسها.

يستقبل gpt-realtime-2.1 الصوت ويُعيد الصوت، ويدعم مستوى استدلال قابلًا للضبط واستدعاء الدوال، ويُحدّث gpt-realtime-2 بتحسين التعرّف على الأحرف والأرقام، والتعامل مع الصمت والضوضاء، والسلوك عند المقاطعة. وتُدرج OpenAI الأسعار نفسها لكلا النموذجين.

كما يجيب على المكالمة الهاتفية دون جسر منفصل. ووفقًا لـ دليل SIP من OpenAI، توجّه SIP trunk إلى SIP endpoint الخاص بـ OpenAI، وتقبل كل مكالمة أو ترفضها باستخدام معرّف المكالمة (call ID)، ويمكنك تحويلها باستخدام SIP REFER.

الأسعار: $32 لكل مليون token صوتي للإدخال و$64 لكل مليون token صوتي للإخراج، إضافةً إلى $4 و$24 لكل مليون token نصي. وقد يؤدي رفع مستوى الاستدلال إلى زيادة زمن الاستجابة واستهلاك tokens الإخراج.

انتبه إلى: تزداد فوترة الـ tokens مع طول المحادثة لأن السياق يتراكم. أما التسجيل وQA وإعادة المحاولة ومنطق التصعيد إلى موظف بشري فعليك أن تبنيها بنفسك.

OpenAI GPT-Live-1

يُعدّ GPT-Live-1 الأنسب عندما يكون تبادل الأدوار الطبيعي أهم من وجود الاستدلال داخل النموذج الصوتي. فهو نموذج ثنائي الاتجاه الكامل (full-duplex) يستمع ويتحدث في الوقت نفسه، ويُسند الاستدلال واستخدام الأدوات إلى وكيل خلفي. ويوضّح دليلنا عن GPT-Live-1 كيف يعمل هذا التقسيم في وكيل هاتفي.

يعمل على endpoint جلسات Live من OpenAI، لا على endpoint الخاص بـ Realtime، لذا لا يمكن استبداله مباشرةً بـ gpt-realtime-2.1. ووفقًا لـ دليل الصوت وSIP من OpenAI، تصل المكالمات الواردة عبر SIP، وتتوفر مكالمات SIP الصادرة عبر Live API بمجرد تفعيلها لمؤسستك. ويقتصر الرنين على 3 دقائق والمكالمة المتصلة على ساعتين.

الأسعار: $0.05 لكل دقيقة من الجلسة، تُحتسب بالثانية، مع فوترة استخدام النموذج الخلفي والأدوات بشكل منفصل.

انتبه إلى: يخضع عدد الجلسات المتزامنة لحدّ أقصى بحسب الباقة: 50 جلسة في Build، و300 في Launch، و500 في Grow، كما يتطلب SIP الوارد تفعيل دعم GPT-Live SIP لمشروعك.

Google Gemini Live API

تمتلك Gemini Live API أدنى أرقام للصوت بالدقيقة وفق الأسعار المنشورة. فقد أصبح Gemini 3.8 Live وGemini 3.8 Live Extended Thinking متاحَين للجميع في 15 سبتمبر 2026، ويُدرج كلاهما سعر $0.005 للدقيقة لإدخال الصوت و$0.018 للدقيقة لإخراج الصوت على صفحة أسعار Google. وتظهر هذه الأرقام بالدقيقة إلى جانب $3 و$12 لكل مليون token صوتي، أي أنها تحويل وليست عدّادًا منفصلًا.

يدعم نموذج Extended Thinking الاستدلال في الخلفية أثناء المكالمة، كما يُدعم الاستناد إلى Google Search في الباقة المدفوعة، مع 5,000 طلب بحث مجاني شهريًا ثم $14 لكل 1,000 طلب.

انتبه إلى: يُدرج دليل Live API من Google تكاملات الشركاء مثل LiveKit وPipecat ولا يصف أي مسار عبر SIP trunk، لذا خطّط لوضع جسر أمام Live API. ويشمل سعر الإخراج tokens التفكير، لذا فإن الرقم بالدقيقة يمثّل الحدّ الأدنى.

Amazon Nova 2.5 Sonic

يُعدّ Amazon Nova 2.5 Sonic الخيار الافتراضي للفرق التي تبني بالفعل على AWS Bedrock. أتاحته AWS للجميع في 5 أكتوبر 2026، مع تحسينات في الاستدلال واتباع التعليمات ودقة استدعاء الأدوات، وزمن استجابة أقل، وأصوات معبّرة بسبع لغات، وتبادل أدوار قابل للتحكم، واستدعاء غير متزامن للأدوات، ونافذة سياق بسعة 256K.

ويُمثّل إطار Strands Bidi Agents من AWS، المتاح الآن للجميع، طريقها لبناء وكيل صوتي ببضعة أسطر من الشيفرة.

الأسعار: تُدرج AWS سعر Nova 2.5 Sonic بالسعر نفسه لـ Nova 2 Sonic. راجع صفحة أسعار Amazon Nova للاطلاع على الأسعار الحالية لكل token، والتي تُحمَّل ديناميكيًا.

انتبه إلى: يتوفر في أربع مناطق من Bedrock (فرجينيا الشمالية وأوريغون وستوكهولم وطوكيو)، كما أن دعم سبع لغات أضيق نطاقًا من بعض الخيارات الأخرى هنا. ولا يصف الإعلان مسارًا هاتفيًا، لذا تأكّد من كيفية وصول المكالمات إلى النموذج قبل الالتزام.

Deepgram Voice Agent API

تُعدّ Deepgram Voice Agent API الخيار المناسب للفرق التي تريد تقنية التعرّف على الكلام من Deepgram مع إمكانية استخدام نموذج LLM أو صوت خاص بها. وهي تُشغّل تحويل الكلام إلى نص ونموذج LLM وتحويل النص إلى كلام خلف WebSocket واحد وعدّاد واحد بالدقيقة، وتتضمن وثائق Deepgram أدلةً لوكلاء الاتصالات الهاتفية الواردة والصادرة لـ Twilio وPlivo.

الأسعار: $0.075 للدقيقة في باقة Standard بنظام الدفع حسب الاستخدام و$0.163 في باقة Advanced، مع أسعار أقل إذا استخدمت نموذج LLM أو TTS خاصًا بك.

انتبه إلى: إنها مسار معالجة متسلسل، وليست نموذجًا أصليًا من الكلام إلى الكلام. وتقتصر حسابات الدفع حسب الاستخدام على 45 اتصالًا متزامنًا لـ Voice Agent (و60 في Growth)، وهو أمر مهم في أول مرة تُطلق فيها حملة مكالمات صادرة.

AssemblyAI Voice Agent API

تُعدّ AssemblyAI Voice Agent API الخيار المناسب عندما تكون دقة النسخ النصي هي ما يحدد نجاح الوكيل، كما في الأسماء وأرقام الحسابات والعناوين. وهي تُشغّل نموذج الكلام Universal-3.6 Pro Realtime من AssemblyAI ونموذج LLM وTTS خلف WebSocket واحد.

الأسعار: سعر ثابت قدره $4.50 للساعة ($0.075 للدقيقة) يغطي تحويل الكلام إلى نص ونموذج LLM وTTS، ويُحتسب لكل دقيقة من الجلسة، وفقًا لـ مرجع أسعار AssemblyAI. وبالنسبة إلى المكالمات الهاتفية، تذكر وثائق AssemblyAI أن Twilio يُمرّر المكالمات إلى AssemblyAI عبر SIP، فلا حاجة إلى تشغيل خادم وسائط أو webhook. ويقع SIP trunk والرقم في حساب Twilio الخاص بك.

انتبه إلى: مثل Deepgram، فهي متسلسلة وليست أصلية من الصوت إلى الصوت، لذا تحصل على نص مكتوب في كل دور، لكن ليس على نموذج يسمع نبرة الصوت مباشرةً.

هل تستخدم نموذجًا أصليًا من الكلام إلى الكلام أم مسار معالجة متسلسلًا؟

استخدم نموذجًا أصليًا من الكلام إلى الكلام عندما تكون النبرة وسرعة تبادل الأدوار أهم من التحكم في كل خطوة، واستخدم مسارًا متسلسلًا عندما تحتاج إلى رؤية ما سمعه الوكيل وتصحيحه. يستقبل النموذج الأصلي الصوت ويُعيد الصوت، دون خطوة نسخ نصي منفصلة. أما المسار المتسلسل فيمنحك نصًا مكتوبًا في كل دور، مما يسهّل تتبّع خطأ في رقم حساب أو فرض نص امتثال.

وفي كلتا الحالتين، يضيف الخط الهاتفي أعمالًا لا يؤديها النموذج: التعامل مع المقاطعات، والتعافي من فشل التحويل، والاختبار على مكالمات تخرج عن النص المُعدّ. ولمعرفة الفروق بين التصميمين بمزيد من التفصيل، اقرأ كيف يعمل الذكاء الاصطناعي الصوتي في الوقت الفعلي. وإذا كنت تختار نموذج الاستدلال خلف وكيل متسلسل، فاطّلع على أفضل نماذج LLM لوكلاء الذكاء الاصطناعي الصوتي وأفضل نماذج تحويل الكلام إلى نص.

كيف تختار واجهة API المناسبة لمكالماتك؟

ابدأ من المكان الذي تصل إليه المكالمة ومن يتحمّل مسؤولية الإخفاق. أربعة أسئلة تحسم الأمر:

1. هل تأتي المكالمات من شبكة الهاتف؟ إذا كانت الإجابة نعم، فاستبعد أي خيار يتطلب جسرًا لا تريد تشغيله، أو اختر منصّة تتضمن الاتصالات الهاتفية. ويغطي دليلنا حول SIP trunking والاتصالات الهاتفية الحديثة جانب مشغّلي الاتصالات.
2. ماذا يحدث عندما لا يعرف الوكيل الإجابة؟ إذا كان يجب على موظف بشري تولّي المكالمة مع سياقها، فأنت بحاجة إلى تحويل مُمهَّد، وليس مجرد endpoint لإنهاء المكالمة.
3. هل يمكنك التنبؤ بالفاتورة؟ التسعير بالدقيقة (GPT-Live-1 وDeepgram وAssemblyAI) أسهل في وضع الميزانية من التسعير بالـ token، حيث تكلّف المكالمات الطويلة أكثر لكل دقيقة.
4. من يُصلح المكالمة الفاشلة؟ إذا كان فريق العمليات لديك، وليس المهندسون، هو من سيضبط الـ prompts والتدفقات، فاختر منصّة يكون الاختبار وإدارة الإصدارات مدمجين فيها.

الأسئلة الشائعة

ما هي واجهة API للذكاء الاصطناعي من الكلام إلى الكلام؟

تستقبل واجهة API للذكاء الاصطناعي من الكلام إلى الكلام صوت المتصل وتُعيد صوتًا منطوقًا من نموذج واحد، دون خطوتي نسخ نصي وتوليد صوت منفصلتين. وتعمل OpenAI gpt-realtime-2.1 وGPT-Live-1 وGemini 3.8 Live وAmazon Nova 2.5 Sonic بهذه الطريقة.

ما أرخص واجهة API من الكلام إلى الكلام للمكالمات الهاتفية؟

يُدرج Gemini 3.8 Live أدنى أرقام للصوت بالدقيقة، بسعر $0.005 للدقيقة لإدخال الصوت و$0.018 للدقيقة لإخراج الصوت، حوّلتها Google من $3 و$12 لكل مليون token صوتي. وتُضاف إلى تكلفتك الفعلية الاتصالات الهاتفية، وأي جسر تُشغّله، وtokens التفكير التي تُحتسب كإخراج. وتُدرج AWS سعر Nova 2.5 Sonic بالسعر نفسه لـ Nova 2 Sonic، بينما تُحتسب OpenAI Realtime API بالـ token، لذا قارن بناءً على مدة مكالماتك.

هل يمكنني ربط OpenAI Realtime API برقم هاتف؟

نعم. وجّه SIP trunk من مشغّل اتصالات مثل Twilio إلى SIP endpoint الخاص بـ OpenAI، ثم اقبل كل مكالمة باستخدام معرّف المكالمة (call ID). وتتم التحويلات باستخدام SIP REFER.

هل تدعم منصّة Retell نماذج الكلام إلى الكلام؟

نعم. تُدرج واجهة API الخاصة بمنصّة Retell خيارات من الكلام إلى الكلام، منها عائلة gpt-realtime من OpenAI وGrok Voice 3.0، ويمكن لوكيل Retell بدلًا من ذلك أن يعمل على مسار قياسي باستخدام نموذج LLM الذي تختاره. وتبقى ميزات الاتصالات الهاتفية والتحويل كما هي في كلتا الحالتين.

ماذا يحدث عندما لا يستطيع وكيل الذكاء الاصطناعي الإجابة؟

مع واجهة API لنموذج، تكتب أنت منطق التصعيد. أما على منصّة Retell، فيمكن للوكيل إجراء تحويل المكالمات إلى موظف بشري بشكل مباشر أو مُمهَّد أو ذاتي عبر الوكيل، وفي التحويل المُمهَّد تُنقل إحاطة سياقية حتى لا يضطر المتصل إلى تكرار كلامه.

هل يمكنني الاحتفاظ برقم هاتفي الحالي؟

على منصّة Retell، نعم: يمكنك استيراد رقم حالي عبر SIP trunking بدلًا من شراء رقم جديد. أما مع واجهات API للنماذج، فيعتمد ذلك على SIP trunk أو الجسر الذي تُشغّله.

جرّبها على مكالماتك

لن يكشف نص العرض التوضيحي الفروق بين واجهات API هذه؛ مكالماتك الفعلية هي التي ستكشفها. أنشئ وكيل Retell مجانًا، واختر نموذجًا من الكلام إلى الكلام أو نموذجًا قياسيًا، وشغّله على المكالمات التي يجدها فريقك الأصعب.