ارائه‌دهنده جدید: مدل‌های گفتاری ElevenLabs و ۱۲ مدل جدید هوش مصنوعی Cloudflare

تاریخ: ۱۴۰۴-۱۱-۱۴ / (2026-02-03)

خلاصه

AvalAI ارائه‌دهنده جدید ElevenLabs را با ۷ مدل گفتاری پیشرفته برای تبدیل متن به گفتار و گفتار به متن اضافه می‌کند. همچنین ۱۲ مدل جدید هوش مصنوعی Cloudflare شامل مدل‌های تولید تصویر FLUX، مدل‌های embedding و مدل‌های چت از ارائه‌دهندگان مختلف اکنون در دسترس است.

---

جزئیات

ElevenLabs - ارائه‌دهنده جدید گفتار

ElevenLabs اکنون در AvalAI در دسترس است و قابلیت‌های پیشرو در صنعت برای تبدیل متن به گفتار و گفتار به متن را ارائه می‌دهد. مدل‌های ElevenLabs سنتز گفتار طبیعی و رسا و رونویسی دقیق در چندین زبان را فراهم می‌کنند. مستندات

مدل‌های تبدیل متن به گفتار (TTS)

پنج مدل TTS از طریق نقطه پایانی v1/audio/speech در دسترس است:

مدل	توضیحات	تأخیر	زبان‌ها
eleven_turbo_v2	TTS انگلیسی با کیفیت بالا و تأخیر کم	~۲۵۰-۳۰۰ میلی‌ثانیه	انگلیسی
eleven_turbo_v2_5	TTS چندزبانه با کیفیت بالا و تأخیر کم	~۲۵۰-۳۰۰ میلی‌ثانیه	۳۲ زبان
eleven_flash_v2	TTS انگلیسی فوق‌سریع	~۷۵ میلی‌ثانیه	انگلیسی
eleven_flash_v2_5	TTS چندزبانه فوق‌سریع	~۷۵ میلی‌ثانیه	۳۲ زبان
eleven_multilingual_v2	واقع‌گرایانه‌ترین TTS با غنای احساسی	بالاتر	۲۹ زبان

ویژگی‌های کلیدی:

• گفتار طبیعی: تولید صدای شبیه انسان و رسا
• پشتیبانی چندزبانه: تا ۳۲ زبان با Flash v2.5 و Turbo v2.5
• تأخیر کم: تأخیر فوق‌سریع ~۷۵ میلی‌ثانیه با مدل‌های Flash
• سازگار با OpenAI: نقطه پایانی استاندارد v1/audio/speech

قیمت‌گذاری:

مدل	هزینه خروجی (در ثانیه)
eleven_turbo_v2	$۰.۰۰۲۵/ثانیه
eleven_turbo_v2_5	$۰.۰۰۲۵/ثانیه
eleven_flash_v2	$۰.۰۰۲۵/ثانیه
eleven_flash_v2_5	$۰.۰۰۲۵/ثانیه
eleven_multilingual_v2	$۰.۰۰۵/ثانیه

مدل‌های تبدیل گفتار به متن (STT)

دو مدل پیشرفته رونویسی از طریق نقطه پایانی v1/audio/transcriptions:

مدل	توضیحات	زبان‌ها
scribe_v2	تشخیص گفتار پیشرفته	بیش از ۹۰ زبان
scribe_v1	مدل رونویسی قدیمی	بیش از ۹۰ زبان

ویژگی‌های Scribe v2:

• رونویسی دقیق: پشتیبانی از بیش از ۹۰ زبان
• اعلان کلیدواژه: تا ۱۰۰ اصطلاح برای دقت در حوزه‌های خاص
• تشخیص موجودیت: تا ۵۶ نوع موجودیت
• مهر زمانی کلمه‌ای: زمان‌بندی دقیق برای هر کلمه
• تفکیک گوینده: شناسایی تا ۳۲ گوینده
• تشخیص هوشمند زبان: شناسایی خودکار زبان

قیمت‌گذاری:

مدل	هزینه ورودی (در ثانیه)
scribe_v2	$۰.۰۰۰۰۹۷۲۲/ثانیه
scribe_v1	$۰.۰۰۰۰۹۷۲۲/ثانیه

---

Cloudflare AI - ۱۲ مدل جدید

مجموعه مدل‌های هوش مصنوعی Cloudflare را با ۱۲ مدل جدید در حوزه‌های تولید تصویر، embedding و چت گسترش داده‌ایم. مستندات

مدل‌های تولید تصویر (v1/images/generations)

پنج مدل جدید تولید تصویر اکنون در دسترس است:

مدل	توضیحات	قیمت پایه (۱ مگاپیکسل)
cf.flux-2-klein-9b	مدل FLUX 2 Klein با ۹ میلیارد پارامتر	$۰.۰۱۵/تصویر
cf.flux-2-klein-4b	مدل فشرده FLUX 2 Klein با ۴ میلیارد پارامتر	$۰.۰۱۰/تصویر
cf.flux-2-dev	مدل توسعه FLUX 2	$۰.۰۱۰/تصویر
cf.lucid-origin	تولید تصویر Lucid Origin	$۰.۰۱۵/تصویر
cf.phoenix-1.0	تولید تصویر Phoenix 1.0	$۰.۰۱۵/تصویر

قیمت‌گذاری بر اساس رزولوشن:

مدل	۱ مگاپیکسل	۲ مگاپیکسل	۳ مگاپیکسل	۴ مگاپیکسل
cf.flux-2-klein-9b	$۰.۰۱۵	$۰.۰۱۷	$۰.۰۱۹	$۰.۰۲۱
cf.flux-2-klein-4b	$۰.۰۱۰	$۰.۰۱۲	$۰.۰۱۴	$۰.۰۱۶
cf.flux-2-dev	$۰.۰۱۰	$۰.۰۱۱	$۰.۰۱۲	$۰.۰۱۳
cf.lucid-origin	$۰.۰۱۵	$۰.۰۱۷	$۰.۰۱۹	$۰.۰۲۱
cf.phoenix-1.0	$۰.۰۱۵	$۰.۰۱۷	$۰.۰۱۹	$۰.۰۲۱

مدل‌های Embedding (v1/embeddings)

سه مدل embedding جدید برای جستجوی معنایی و تحلیل متن:

مدل	توضیحات	قیمت ورودی (دلار/۱م توکن)
cf.qwen3-embedding-0.6b	Qwen3 Embedding ۰.۶ میلیارد از Alibaba	$۰.۰۱۲
cf.plamo-embedding-1b	PLaMo Embedding ۱ میلیارد از PFN	$۰.۰۱۹
cf.embeddinggemma-300m	EmbeddingGemma ۳۰۰ میلیون از Google	$۰.۰۱۲

مدل‌های تکمیل چت (v1/chat/completions, v1/responses)

چهار مدل چت جدید با پشتیبانی جزئی از v1/responses:

مدل	صاحب	ورودی (دلار/۱م)	ورودی کش شده (دلار/۱م)	خروجی (دلار/۱م)
cf.qwen3-30b-a3b-fp8	Alibaba	$۰.۰۵۱	$۰.۰۲۵	$۰.۳۴
cf.granite-4.0-h-micro	IBM	$۰.۰۱۷	$۰.۰۰۸	$۰.۱۱
cf.gpt-oss-120b	OpenAI	$۰.۳۵	$۰.۱۷۵	$۰.۷۵
cf.gpt-oss-20b	OpenAI	$۰.۲۰	$۰.۱۰	$۰.۳۰

---

مثال‌های درخواست/پاسخ API

مثال تبدیل متن به گفتار ElevenLabs

curl https://api.avalai.ir/v1/audio/speech \
  -H "Authorization: Bearer $AVALAI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "eleven_flash_v2_5",
    "input": "روباه قهوه‌ای سریع از روی سگ تنبل پرید.",
    "voice": "coral"
  }' \
  --output speech.mp3

مثال رونویسی ElevenLabs

curl https://api.avalai.ir/v1/audio/transcriptions \
  -H "Authorization: Bearer $AVALAI_API_KEY" \
  -F file=@audio.mp3 \
  -F model=scribe_v2

نمونه پاسخ:

{
  "text": "روباه قهوه‌ای سریع از روی سگ تنبل پرید.",
  "task": "transcribe",
  "language": "fa",
  "duration": 2.5,
  "words": [
    {"word": "روباه", "start": 0.0, "end": 0.25},
    {"word": "قهوه‌ای", "start": 0.25, "end": 0.45},
    ...
  ]
}

مثال تولید تصویر Cloudflare

curl https://api.avalai.ir/v1/images/generations \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $AVALAI_API_KEY" \
  -d '{
    "model": "cf.flux-2-klein-9b",
    "prompt": "یک شهر آینده‌نگر در غروب خورشید با ماشین‌های پرنده",
    "n": 1,
    "size": "1024x1024"
  }'

مثال Embedding Cloudflare

curl https://api.avalai.ir/v1/embeddings \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $AVALAI_API_KEY" \
  -d '{
    "model": "cf.qwen3-embedding-0.6b",
    "input": "یادگیری ماشین به کامپیوترها امکان یادگیری از داده‌ها را می‌دهد."
  }'

---

مقایسه قیمت‌ها

مدل‌های TTS ElevenLabs

مدل	هزینه/ثانیه	بهترین برای
eleven_flash_v2_5	$۰.۰۰۲۵	برنامه‌های بلادرنگ، تأخیر کم
eleven_turbo_v2_5	$۰.۰۰۲۵	تعادل کیفیت و سرعت
eleven_multilingual_v2	$۰.۰۰۵	بالاترین کیفیت، دامنه احساسی

مدل‌های تصویر Cloudflare

مدل	به ازای تصویر (۱ مگاپیکسل)	بهترین برای
cf.flux-2-klein-4b	$۰.۰۱۰	تولید مقرون‌به‌صرفه
cf.flux-2-dev	$۰.۰۱۰	توسعه و آزمایش
cf.flux-2-klein-9b	$۰.۰۱۵	خروجی با کیفیت بالاتر

---

منابع مرتبط

• مستندات مدل‌های ElevenLabs
• مستندات مدل‌های Cloudflare
• مرجع API صوتی
• مرجع API تصاویر
• مرجع API Embeddings
• مستندات رسمی ElevenLabs API