
Ming-3.0-audio-flash مقابل Eleven Realtime v1 Max: نتيجتان 99، واحدة فقط منهما تكلّف 0.08 دولار في الدقيقة
- OrcaجديدOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 لكل مليون رمز · 185 tok/s
- tencentجديدTencent: Hy4 Flash2026-11-16$0.02 / $0.07 لكل مليون رمز · 228 tok/s
- GoogleجديدGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 لكل مليون رمز · 89 tok/s
- AnthropicجديدAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 لكل مليون رمز · 98 tok/s
- orcaجديدOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 لكل مليون رمز · 89 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 لكل مليون رمز · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 لكل مليون رمز · 79 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 لكل مليون رمز · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 لكل مليون رمز · 118 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 لكل مليون رمز · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 لكل مليون رمز · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 لكل مليون رمز · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447الذكاء
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 لكل مليون رمز · 199 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929الذكاء
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 لكل مليون رمز · 113 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733الذكاء
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 لكل مليون رمز · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740الذكاء
Ming-3.0-audio-flash وEleven Realtime v1 Max يزعم كلاهما الحصول على درجة استدلال كلامي تبلغ نحو 99%، وينتهي التشابه بمجرد النظر إلى كيفية إنتاج كل رقم. تضع ElevenLabs عبارة «99% في الاستدلال الكلامي، و570ms للوصول إلى أول صوت» على بطاقة التسعير الخاصة بها لـ Realtime v1 Max؛ بينما تقيس Artificial Analysis النموذج نفسه عند 98.8% و0.567 ثانية. تدّعي بطاقة inclusionAI تسجيل 99.40 على BigBenchAudio لـ Ming-3.0-audio-flash؛ بينما تقيس Artificial Analysis 99.8% على Big Bench Audio و1.12 ثانية. قلّل أحد المورّدين من قيمة نموذجه بمقدار خطوة تقريب، وقلّل الآخر من قيمته بأربعة أعشار. كلاهما قريب بما يكفي ليكون موثوقًا، وليس أيٌّ منهما الرقم الذي ينبغي أن تبني عليه قرارك.
رقم القرار يختلف لكل منهما. بالنسبة إلى Eleven Realtime v1 Max فهو 0.08 دولار في الدقيقة بالإضافة إلى استخدام LLM، أي نحو 4.80 دولارات لكل ساعة من الصوت المُدخل بمعدل القياس لدى Artificial Analysis. أما بالنسبة إلى Ming-3.0-audio-flash فهو أربع وحدات H800 بسعة 80 GB، لأنه لا توجد بطاقة تسعير على الإطلاق — فهو نقطة تفتيش mixture-of-experts بـ126 مليار معامل تحت رخصة MIT تقوم بتنزيلها وتشغيلها. كل شيء آخر في هذه المقارنة يتبع ذلك الانقسام: أحدهما اشتراك في وكيل صوتي، والآخر آلة تملكها.
ما هو كل واحد منها في الحقيقة
إن Eleven Realtime v1 Max ليس نموذجًا بالمعنى المقصود بـ checkpoint. تصف الوثائق كل نموذج Realtime بأنه وكيل صوتي متكامل — يتضمن التعرف على الكلام، وكشف النشاط الصوتي وتناوب الأدوار، ونموذجًا لغويًا كبيرًا، وتحويل النص إلى كلام — معبأ بحيث تختاره جاهزًا بدلًا من أن تجمعه بنفسك. صُمّم Max لتقديم ردود دقيقة ومدروسة عبر المهام متعددة الخطوات، وهو النموذج الوحيد من بين نموذجي Realtime الذي يدرج استدعاء الأدوات. يتحدث أكثر من 90 لغة، ويمكن الوصول إليه عبر Realtime API المتوافقة مع OpenAI، والتبديل بين Max ونظيره الأصغر هو تغيير في اختيار النموذج وليس إعادة بناء.
Ming-3.0-audio-flash هو الترتيب المعاكس. يغذّي مُرمِّز صوتي ومُسقِط عمودًا فقريًا لغويًا قائمًا على مزيج من الخبراء؛ المدخلات صوت مع تعليمة نصية؛ والمخرجات نص، أو نص مع كلام مُصنّع عبر Talker اختياري. لا توجد كشف مدمج لأدوار التناوب، ولا إدارة جلسات، ولا طبقة استدعاء أدوات موصوفة في البطاقة. ما تدّعيه البطاقة فعلًا هو الاتساع في جانب المدخلات: الصينية والإنجليزية بما في ذلك اللكنات واللهجات، والأصوات غير الكلامية، والمشاهد الصوتية، والموسيقى، والتسجيلات الطويلة.
• المعلمات — Ming-3.0-audio-flash: 126B إجمالاً، 6.5B نشطة لكل خطوة. Eleven Realtime v1 Max: غير مُفصح عنها.
• الشكل — Ming: نقطة تحقق تُقدّمها. Eleven: وكيل مستضاف تختاره.
• السياق — Ming: 131,072 رمزًا معلنًا في الإعدادات. Eleven: غير منشور؛ الجلسة هي الوحدة، وليس نافذة الرموز.
• اللغات — Ming: الصينية والإنجليزية. Eleven: أكثر من 90 وفقًا لقائمة لغات Eleven v4.
• إخراج الصوت — Ming: اختياري، عبر Talker، مع أصوات مدمجة وأصوات مرجعية. Eleven: جوهر المنتج؛ يُختار الصوت من مكتبة.
• استدعاء الأدوات — Ming: غير موصوف. Eleven: مُدرج لـ Max، وليس لـ Mini.
• الترخيص — Ming: ترخيص MIT على الأوزان. Eleven: اتفاقية API تجارية.

الرقمان، ولماذا يختلفان في اتجاهين متعاكسين
بطاقة ElevenLabs التي تُظهر "99%" هي على الأرجح تقريب للرقم 98.8 من تشغيل أجرته Artificial Analysis، نُشر على صفحة التسعير الخاصة بالمورّد مع إرفاق رقم زمن الاستجابة. وهذا صريح على نحو غير معتاد: فمعظم المورّدين يستشهدون بمعيار اختاره المختبر الذي بنى النموذج. ويعني ذلك أيضًا أن المصدرين ليسا مستقلين — فالمورّد يستشهد بالطرف الثالث، لا يجري إطار اختبار موازيًا — لذا عندما يتفقان، فإنهما يتفقان بحكم التركيب.
رقم Ming حالة مختلفة. احتوت بطاقة النموذج لشهر أكتوبر على صورة تقييم تُظهر 99.40 على «BigBenchAudio» إلى جانب صورة أضعف بكثير للصوت الطويل. أما 99.8 اليوم فيأتي من Artificial Analysis مباشرة، وقد عُدّلت البطاقة هذا الصباح لتقتبسه. الفجوة بين 99.40 و99.8 ليست تصحيحًا؛ بل هما نتيجتا تشغيلين لمعيار يحمل الاسم نفسه، لكن بأدوات اختبار ومطالبات ومجموعات فرعية من العناصر مختلفة. ولا يُعد أي منهما خاطئًا. كلاهما من نوع الأرقام التي تتغير بأعشار عندما تتغير التفاصيل، وهذا سبب أن تقدمًا بنقطة واحدة في صدارة جدول تتكدس فيه 42 نموذجًا في التسعينيات ليس خندقًا تنافسيًا.
ما يثبته ترتيب لوحة الصدارة هو العضوية في المجموعة الأعلى. في الاستدلال الكلامي، يفصل بين Ming-3.0-audio-flash عند 99.8 وEleven Realtime v1 Max عند 98.8 نقطة واحدة، ولا شيء آخر تقيسه اللوحة. أما في زمن الوصول إلى أول صوت فيفصل بينهما عامل قدره اثنان: 1.12 ثانية مقابل 0.567. بالنسبة لنموذج يجب أن يجيب خلال وقفة محادثة، هذا هو الرقم الذي يحدد ما إذا كان النظام يبدو حيًا، وهو الموضع الوحيد الذي لا يكون فيه الخيار الذي يبدو رخيصًا أسوأ بشكل واضح.
حيث تنهار المقارنة، وتنهار في المحادثة.
الاستدلال الكلامي هو أسئلة اختيار من متعدد تُقدَّم صوتيًا. أما الوكيل الصوتي فهو مشكلة مختلفة: معرفة متى يبدأ التحدث، ومتى يبقى صامتًا خلال التوقف، وكيف يتعامل مع المقاطعة، وما إذا كان يُصدر إشارة خلفية. تقيس Artificial Analysis ذلك بشكل منفصل على Full Duplex Bench، وهذا هو الجزء الأقل تماثلًا في المواجهة بأكملها.
يمتلك Eleven Realtime v1 Max درجة منشورة في Full Duplex Bench قدرها 0.941، مع التعامل مع المقاطعات عند 0.99، وتبادل الأدوار عند 1.0، والتعامل مع فترات التوقف عند 0.978، والإشارات الخلفية عند 0.796. كما لديه درجة tau-voice قدرها 0.578 عبر محاكاات مهام شركات الطيران والبيع بالتجزئة والاتصالات — وهو رقم أقل إطراءً بكثير، وتصحيح مفيد لأي شخص يقرأ نسبة 99% كحكم عام. لا يمتلك Ming-3.0-audio-flash أي درجة في Full Duplex Bench، ولا درجة tau-voice، ولا أي قياس منشور لسلوكه عندما يقاطعه شخص بالكلام. ليس الأمر أن نقطة التحقق تلك ستفشل في تلك الاختبارات. بل إنه لم يُشغّلها أحد، وبطاقة النموذج لا تصف الآلية التي من شأنها أن تجعلها ذات معنى: فكشف الأدوار والمقاطعة أثناء الكلام أمران تبنيها حوله، وليستا مضمّنتين فيه.
لهذا التفاوت شكلٌ عملي. فاختيار Eleven Realtime v1 Max يمنحك حلقة محادثة مكتملة الحلّ مع درجة مُنشورة — وإن كانت متوسطة — لإنجاز المهام. أما اختيار Ming-3.0-audio-flash فيمنحك أذنًا قوية على نحو غير معتاد وواجهة نصية، ويترك لك الحلقة — كشف النشاط الصوتي (VAD)، وتحديد نقاط الانتهاء، ومعالجة المقاطعة، ودور النموذج اللغوي الكبير الكامن خلف الصوت — لتكون من عملك. إنّ هذين المنتجين ليسا بديلين في الطبقة نفسها، والمقارنة المباشرة على الدقة توحي ضمنًا بأنهما كذلك.
حسابُ ساعةٍ، إذا أُجريَ بصدق
تُحتسب ساعة من الصوت المدخل المتواصل على Eleven Realtime v1 Max بسعر 0.08 دولار في الدقيقة، أي 4.80 دولارات، بالإضافة إلى ما يستهلكه نموذج LLM المضمَّن. وتبلغ التكلفة المقاسة لدى Artificial Analysis لكل ساعة من الصوت المدخل لهذا النموذج 4.80 دولارات بالضبط، وهو ما يؤكِّد بطاقة التسعير. وعند 1,000 ساعة شهريًا، يبلغ ذلك 4,800 دولار قبل رموز LLM وقبل أي حدود للتزامن، وهي حدود توردها الوثائق لـ TTS وSTT ولكن ليس لوكلاء الصوت في Realtime.
لا يملك جانب Ming رقمًا كهذا، لذا تتطلب أي مقارنة افتراضًا، وينبغي أن يكون الافتراض ظاهرًا. يستخدم ملف تعريف الخدمة المرجعي 128K الخاص بـ inclusionAI التوازي على مستوى الموتر عبر أربع بطاقات H800 سعة 80 غيغابايت؛ ويمكن أن تؤدي مدخلات الصوت الطويلة إلى نفاد الذاكرة (OOM) في ذلك التكوين وتفرض اللجوء الاحتياطي إلى ثماني وحدات GPU. بسعر افتراضي قدره دولاران لكل ساعة GPU — وهو رقم مؤقت وليس عرض سعر — تكلف أربع بطاقات 8 دولارات في الساعة وتكلف ثماني بطاقات 16 دولارًا، وكلاهما قبل معدل الاستخدام، وقبل وقت الخمول الذي يتحمله أي خدمة تعمل باستمرار، وقبل احتساب مهندس لتشغيلها. عند التشغيل بكامل الطاقرة، يكون تكوين وحدات GPU الأربع منافسًا لـ 4.80 دولارات في الساعة. أما عند التشغيل بنسبة عشرة في المئة، فلا مجال لمقارنته بها.
هذه هي حجة التكلفة كاملة، وهي تعتمد على الاستخدام لا على تسعير أيٍّ من المورّدين. فريق لديه حركة صوتية ثابتة وعالية الحجم وقدرة GPU موجودة يمكنه أن يجعل الحساب ينجح. أما فريق يختبر فكرة عصر يوم الثلاثاء فلا يمكنه ذلك، ولا ينبغي له أن يتظاهر بأن رقم التكلفة لكل ساعة الذي يحسبه عند مستويات حركة الساعة الثالثة صباحًا يعني أي شيء.
• محسوب حسب الاستخدام — Eleven Realtime v1 Max: $0.08/دقيقة، أي نحو $4.80/ساعة، بالإضافة إلى استخدام LLM.
• مستضاف ذاتيًا — Ming-3.0-audio-flash: لا يوجد جدول تسعير؛ مرجع 4 × 80 GB H800، وبديل بـ8 وحدات GPU.
• التكلفة الحدية لساعة إضافية — Eleven: 4.80 دولار. Ming: صفر فعليًا حتى تتشبع البطاقات، ثم دالة درجية.
• تكلفة الساعة الأولى — Eleven: $4.80. Ming: العتاد، ومكدس الخدمة، والتكامل.

اللغات هي حيث تُضلِّل أوراق المواصفات.
تقول ElevenLabs إنها تدعم أكثر من 90 لغة، وهي تعني ذلك عبر منظومة TTS وSTT. ويعلن Ming-3.0-audio-flash دعمه للصينية والإنجليزية، ثم يوضح ذلك بصيغة تهم أكثر من العدد: "بما في ذلك لكنات ولهجات متنوعة". ويؤكد جدول المورّد نفسه الصادر في أكتوبر ذلك بمعدلات خطأ في اللهجات أفضل بكثير من نماذج omni التي يقارن بها — الهوكين عند 12.84 مقابل 28.08 لـ Qwen3.8-Omni Flash و81.62 لـ Gemini 3.8 Flash، والشنغهاينية عند 11.15 مقابل 21.10 و88.64. إذا كانت ملفاتك الصوتية بالماندرين مع لكنة إقليمية، فهذه قدرة لا تلتقطها أي مقارنة لعدد اللغات، وقائمة Eleven التي تضم أكثر من 90 لغة لا تخبرك كيف يؤدي أداؤه مع الهوكين.
والعكس صحيح تمامًا: إذا كان صوتك بالإسبانية أو البرتغالية أو اليابانية أو العربية، فإن Ming-3.0-audio-flash لا يدّعي أي تغطية على الإطلاق. ليست هذه مسألة متقاربة في التغطية، بل هي تقسيم شبه تام، وهي أسرع طريقة وحيدة لمعرفة العمود الذي تنتمي إليه.
كلاهما على مفتاح واحد، للنصف الذي هو نص.
لا يقدّم OrcaRouter نموذج Ming-3.0-audio-flash، ولا يقدّم كذلك Eleven Realtime v1 Max — فالأول نقطة تفتيش مستضافة ذاتيًا والثاني منتج فوري خاص بأحد المورّدين، ولا أيٌّ منهما نموذج يمكننا أن نزوّدك بنقطة نهاية له. ما نقدّمه هو بقية خط المعالجة الذي يستلزمه أيٌّ منهما. نظام صوتي مبني على نموذج صوتي مستضاف ذاتيًا يتكوّن في الغالب من نداءات نصية: التوجيه النصي الذي يخبر نموذج الصوت بما ينبغي أن يستمع إليه، والمحلّل الذي يحوّل تسمية اللغة المفصولة بعلامة جدولة إلى مخرجات منظّمة، والملخّص المكتوب من النص المنسوخ، والموجّه الذي يرسل نداءً صعبًا إلى نموذج أقوى. تمرّ تلك عبر أكثر من 200 نموذج خلف مفتاح واحد، بهامش ربح 0%، مع تحويل تلقائي عند تدهور أحد المزوّدين — وهذا ما يجعل من الآمن وضع نموذج صوتي غير مُختبَر خلف جزء من حركة المرور لديك بينما يستمر الباقي في العمل.
أيّ واحد تختار
خذ Eleven Realtime v1 Max إذا كنت تريد وكيلاً صوتياً هذا الشهر: أكثر من 90 لغة، وحلقة محادثة مُنجزة، واستدعاء أدوات، وسعر معلن لكل دقيقة، وجلسة متوافقة مع OpenAI. تقبّل أن درجة إكمال المهام في tau-voice لديه هي 0.578، وأن سلوك الإشارات الخلفية هو أضعف جزء في ملفه على Full Duplex Bench، وأنك تستأجر حزمة لا يمكنك فحصها.
اختر Ming-3.0-audio-flash إذا كان صوتك بالصينية أو الإنجليزية، وكانت حالاتك الصعبة تتعلق باللكنات أو اللهجات، وكان فريقك قادرًا على تشغيل أربع وحدات GPU بسعة 80 GB ومنظومة تقديم، وكنت مستعدًا لبناء طبقة المحادثة بنفسك. تقبّل أن الأرقام المنشورة للنموذج نفسه تُظهر أنه يتراجع في التسجيلات الطويلة وتحديد المتحدثين، وأن زمنه حتى أول صوت ضعف زمن Eleven، وأن 99.8 لديه هي ترتيب في لوحة صدارة وليست وعدًا بشأن عبء عملك.

وإذا كانت الإجابة هي «مزيج من الاثنين» — وكيل مستضاف للغات التي يغطيها، ونموذج مستضاف ذاتيًا لحركة المرور الكثيفة باللكنات — فهذا ليس حلًا وسطًا، بل هو الشكل الذي تتخذه معظم أنظمة الكلام الإنتاجية فعليًا. والخطأ هو الاختيار بناءً على نسب الـ99، لأنه عند هذا الطرف من الجدول لم يعد الرقم يخبرك بشيء لن تخبرك به تسجيلاتك الخاصة بشكل أسرع.
