Ming-3.0-tts مقابل ElevenLabs: يفوز Eleven v4 في Arena بفارق 140 نقطة ويخسر الاختبار الوحيد الذي يحدد ما إذا كان نصك سيُقرأ بشكل صحيح

إذا سألت غرفةً من مهندسي الذكاء الاصطناعي الصوتي أن يختاروا بين Ming-3.0-tts وEleven v4، فستحصل على ElevenLabs في كل مرة تقريبًا، وتتفق معهم الساحة: 1,328 نقطة إيلو لـ Eleven v4 في Provider Voice مقابل 1,188 لنموذج Ant Group، وهو فارق قدره 140 نقطة ليس خطأ تقريبًا ولا تعادلًا ولا نتيجة عابرة لأعداد الأصوات. ثم افتح لوحة النطق، حيث يطلب المختبر نفسه من مراجعين بشريين تقييم ما إذا كان كل مقطع مميز في جملة إنجليزية قد نُطق بشكل صحيح، فيحل Ming-3.0-tts بنسبة 93.2% مقابل 91.7% لـ Eleven v4 — المركز الأول مقابل الثالث. النموذج الذي يبدو أسوأ بشكل ملحوظ للمستمعين هو أيضًا، وفق مقياس مستقل، أكثر موثوقية في نطق الكلمات التي يجب أن تُقال بدقة. تُجمع إخفاقات الذكاء الاصطناعي الموثقة وحوادث الوكلاء الكامنة وراء إصدارات مثل هذا الإصدار في OrcaRouter AI Incident Archive حيث يحمل كل مدخل مصادره الخاصة ودرجة خطورته ودرجة ثقته وعلامة كونه محل نزاع.

هذا ليس تناقضًا، وفهم سبب كونه ليس كذلك هو كل قيمة هذه المقارنة. تبيع ElevenLabs صوتًا. أما Ming-3.0-tts فهو نقطة حفظ تشغّلها بنفسك. إن المساحة المشتركة التي يتنافسان فيها فعلًا أضيق مما يوحي به تسويق أيٍّ من المورّدَين، وداخل تلك المساحة المشتركة تتغير الإجابة بحسب نوع النص الذي تغذّيهما به.

ما الذي تُطلقه ElevenLabs فعليًا

تدير ElevenLabs الآن خطين حاليين من الطرازات. Eleven v4 هو الطراز العاطفي عالي الدقة: أكثر من 90 لغة، وحد أقصى يبلغ 10,000 حرف لكل طلب، وحوار متعدد المتحدثين، واستنساخ صوتي يبدأ من فئة Starter بسعر 6 دولارات للاستنساخات الفورية وفئة Creator بسعر 22 دولارًا للاستنساخات الاحترافية. Eleven v4 Turbo هو الشقيق الفوري، باللغات نفسها التي تزيد على 90 لغة، مع زمن استدلال وسيط منشور يبلغ نحو 100 ميلي ثانية باستثناء الحمل الزائد للتطبيق والشبكة، وتسعير API بنحو نصف تسعير v4. يعتمد التسعير على الأرصدة بواقع رصيد واحد لكل حرف، مع خطط تتراوح من المجانية عند 10,000 رصيد إلى 990 دولارًا شهريًا مقابل ستة ملايين؛ وتُطبّع الساحة v4 عند 80 دولارًا لكل مليون حرف وTurbo عند 40 دولارًا.

Ming-3.0-tts كائن مختلف تمامًا: نقطة تحقق بحجم 2.96 GB مرخّصة بموجب MIT من فريق inclusionAI التابع لـ Ant Group، مبنية على عمود فقري Qwen2.5-0.5B مع رأس ترقيعي بمحوّل انتشار، صدرت كأوزان في 24 سبتمبر 2026 وأصبحت قابلة للتشغيل عندما وصلت شيفرة الاستدلال إلى GitHub في 19 أكتوبر. يغطي سبع لغات إضافة إلى السيشوانية والكانتونية، ويستنسخ صوتًا من صوت مرجعي مع نصه المكتوب، ويصمم أصواتًا من أوصاف نصية، ويستقبل 14 وسمًا مضمّنًا لما وراء اللغة. لا توجد نقطة نهاية مستضافة، ولا اشتراك، ولا عدّاد لكل حرف.

خط النماذج الثاني لدى ElevenLabs يهم هنا ونادرًا ما يُذكَر في المقارنات: Eleven v3، عند 1,072 Elo، ولا يزال قيد الإنتاج، وv3 Conversational عند 1,062 للاستخدام في الوقت الفعلي. الفريق الذي يختار "ElevenLabs" كثيرًا ما يختار v3 لأنه أرخص أو لأن تكاملهم يسبق v4. كلاهما يسجّل أقل من Ming-3.0-tts في لوحة التفضيلات. المقارنة مع v4، وv4 فئة مختلفة فعلاً عن خط v3 الذي تشغّله معظم عمليات النشر الحالية.

فجوة التفضيلات حقيقية، وهي ليست حيث تعتقد.

• تصنيف إيلو لأصوات المزوّدين — Ming-3.0-tts ‏1,188 (1,174–1,202) مقابل Eleven v4 ‏1,328 (1,314–1,342). Eleven v4 هو الثاني من بين 97؛ وMing في المرتبة 18. ويتصدّر Eleven v4 Turbo القائمة عند 1,330.

• إيلو الصوت المُتحكَّم فيه، نفس الأصوات الثمانية المستنسخة لكل نظام — Ming-3.0-tts ‏1,068 (1,052–1,084) مقابل Eleven v4 ‏1,156 (1,143–1,169) وTurbo ‏1,158. وتضيق الفجوة من 140 إلى 88 نقطة.

اقرأ السطر الثاني مرة أخرى. عندما يحاكي النظامان الصوت نفسه، يتبخر أكثر من نصف تفوق ElevenLabs. يقيس Provider Voice المنتج بأكمله — كتالوج الأصوات الأصلية، وأسلوب الإلقاء الافتراضي، وخيارات الإيقاع الصوتي التي اختارها المورّد لك — وقد أنفقت ElevenLabs سنوات على ذلك الكتالوج، بينما تطرح Ming خمسة أصوات إنجليزية مقابل أكثر من مئة صوت بالصينية. يزيل Controlled Voice ذلك كله ويسأل فقط عن مدى جودة محاكاة كل نظام لصوت أُعطي له. لا يزال ElevenLabs يفوز بفارق مريح، لكن حجم الفارق مختلف، وهو يقيس كفاءة مختلفة.

بالنسبة لفريق يستنسخ نبرة علامته التجارية الخاصة، فإن الرقم البالغ 88 نقطة هو الرقم المعني. أما بالنسبة لفريق يريد اختيار نبرة من كتالوج وطرحها، فإن الرقم البالغ 140 نقطة هو المعني، وهو يعكس ميزة لا يستطيع Ming سدّ الفجوة فيها دون بناء مكتبة نبرات لم يُظهر أي مؤشر على أنه يبنيها.

حيث ينقلب الترتيب

تُولي لوحة النطق وزنًا كبيرًا لفئتين، وتفوز Ming-3.0-tts بكلتيهما بفارق واضح.

• الحفاظ على التسلسلات الدقيقة — الرموز، والمسارات، وعناوين البريد الإلكتروني، والمعرّفات. Ming-3.0-tts 90.6%، الأول من 31، مقابل Eleven v4 عند 78.8% وEleven v4 Turbo عند 73.9%. هذا فارق 12 نقطة في الفئة التي تحدد ما إذا كان رقم طلب أو مسار مستودع أو عنوان بريد إلكتروني لعميل يخرج سليمًا.

• توسيع الاختصارات — الأرقام والتواريخ والوحدات والتدوين. Ming 96.5%، الأول من 31، مقابل Eleven v4 عند 94.1% وTurbo عند 91.9%.

وحيثما تفوز ElevenLabs، فإنها تفوز بكل وضوح:

• المصطلحات المستقلة — أسماء العلامات التجارية والأماكن والأسماء التقنية. Eleven v4 93.2%، Ming 88.5%. يحتل Ming المرتبة 21 من أصل 31 هنا، وهو السطر الأكثر أهمية على الإطلاق في هذا المقال لأي شخص ينتج محتوى صوتيًا تسويقيًا أو صوت دعم باللغة الإنجليزية.

• ملائم سياقيًا — الكلمات المتجانسة كتابةً والمختلفة نطقًا مثل «wound». Eleven v4 ‏94.1%، Ming ‏91.0%.

إذن الانقسام داخل اختبار واحد هو: يقرأ Ming بياناتك على نحو صحيح ويخطئ في نطق علامتك التجارية، بينما يقرأ ElevenLabs علامتك التجارية على نحو صحيح ويشوّه معرّفاتك. كلا الفشلين مسموع، ولا يظهر أيٌّ منهما في تصويت على التفضيل، لأن المستمع الذي لا يعرف النطق الصحيح لأحد المصطلحات لا يجد سبيلًا إلى وصفه بالخطأ.

المجموع الكلي — 93.2 مقابل 91.7 — تعادل من الناحية العملية. ففواصل الثقة متداخلة (91.5–94.9 لـ Ming، و90.0–93.4 لـ v4)، وأحجام العينات مختلفة (1,800 مقطع مقابل 2,051)، وتقدّم بنقطة ونصف على لوحة تضم 31 نموذجًا ليس ادعاءً يستحق بناء قرار عليه. ما يستحق البناء عليه هو التقسيم حسب الفئة، لأن الفواصل هناك تنفصل.

التكلفة، محوّلة بأمانة

تفرض ElevenLabs فوترة بواحد كريدت لكل حرف، مع v4 بالسعر القياسي، ونسختي Turbo وFlash بنصف إلى واحد كريدت حسب الخطة. على جدول الخطط المنشور، تبلغ التكلفة الفعلية لكل دقيقة من TTS نحو 0.17–0.36 دولارًا حسب الفئة، والرقم المعياري لمنصة arena هو 80 دولارًا لكل مليون حرف لـ v4 و40 دولارًا لـ Turbo.

عند الاختبار على حجم واقعي: مليون حرف يعادل نحو 20 ساعة من الكلام النهائي بوتيرة سرد عادية. وبسعر $80، يصبح ذلك $4 لكل ساعة صوت نهائية، وهو رخيص إلى أن يتوقف عن ذلك — فكتالوج يضم 5,000 وصف منتج بواقع 600 حرف لكل منها يساوي ثلاثة ملايين حرف، أو $240 على v4 و$120 على Turbo. هذه فاتورة شهرية لعملية محتوى تعيد توليد نصوصها.

Ming-3.0-tts ليس له سعر لكل حرف لأنه لا توجد خدمة مستضافة. التكلفة هي وقت GPU عند القياس المسجل 44.3 حرفًا في الثانية، مما يضع مليون حرف عند نحو 6.3 ساعات من التوليد على بطاقة من فئة H800، بالإضافة إلى التحميل. يعتمد ما إذا كان ذلك يتفوق على $80 كليًا على ما تدفعه بالفعل مقابل الحوسبة وكم من وقت الهندسة يستهلكه مسار الاستضافة الذاتية. بالنسبة لوصف منتج واحد شهريًا، فإن ElevenLabs أرخص بمعامل يجعل المقارنة سخيفة. أما بالنسبة لإعادة التوليد الليلية لمجموعة نصية كبيرة، فتتغير الحسابات.

هناك خيار ثالث لا تقترحه صفحة أسعار أي من البائعين، وهو المكان الذي تثبت فيه طبقة التوجيه قيمتها. لا تستضيف OrcaRouter Ming-3.0-tts ولا توفر ElevenLabs، لذا لا يمكن الوصول إلى أي من طرفي هذه المقارنة من خلالنا؛ فـ Ming يأتي من مستودع Ant و ElevenLabs من واجهة برمجة التطبيقات الخاصة به. ما نوفره بالفعل هو معاينات G​oogle's G​emini T​TS و tts-1 و gpt-4o-mini-tts من O​penAI's إلى جانب أكثر من 200 نموذج نصي، جميعها بسعر قائمة المزود دون إضافة هامش، مع تجاوز فشل تلقائي عبر المزودين خلف مفتاح واحد. إذا كان الصوت مرحلة واحدة في خط أنابيب تكون مراحله السابقة نصية — التلخيص والترجمة وإنشاء النصوص — فهذا هو الجزء الذي يتوحد اليوم، ويصل تغيير سعر المزود في نفس اليوم بدلاً من تجديد العقد التالي.

الفارق الهندسي الذي يحسم أكثر من تصنيف Elo

يمنحك ElevenLabs طلبًا واستجابةً وحدّ تزامن يتدرّج من 2 في الطبقة المجانية إلى 15 في Scale، ومورّدًا يرد عندما يتعطّل. ويمنحك Ming-3.0-tts نقطة تحقق بسعة 2.96 GB، وصورة Docker تستخدم PyTorch 2.6 وCUDA 12.4، وصنف Python، وجداول تقييم Ant. وتُدرج خارطة طريق المستودع الاستدلال المُسرّع عبر vLLM-Omni كمكتمل، لكنها تُدرج التقرير التقني على أنه لم يبدأ بعد.

فيما يلي حقيقتان تشغيليتان، وهما ليستا صغيرتين.

أولاً، يتطلب Ming-3.0-tts موجة مرجعية ونصها المكتوب للاستنساخ — --prompt_wav_path و--prompt_text هما الوسيطان في مثال المستودع نفسه. يستنسخ ElevenLabs من عشر ثوانٍ من الصوت في خطة Starter وما فوقها، دون نص مكتوب ودون خط معالجة محلي. إذا كانت سير عمل الاستنساخ لديك تعتمد على أن "يرفع العميل مذكرة صوتية"، فإن هذا الفرق قرار متعلق بالمنتج لا تفصيل تقني.

ثانيًا، القدرات في Ming هي أوضاع مهام، وليست مفاتيح قابلة للتركيب. تقول وثائق Ant نفسها إن القدرات تُعرض كمهام منفصلة ولا يمكن دمجها بحرية، ما يعني أن الطلب الذي يريد الاستنساخ بالإضافة إلى المشاعر بالإضافة إلى لهجة ليس بالضرورة طلبًا يقبله النموذج كنداء واحد. تعرض ElevenLabs المشاعر ووسوم الصوت في الطلب نفسه مع الصوت المستنسخ. بالنسبة لوكيل يحتاج الثلاثة دفعة واحدة، هذا هو القيد الأهم ولا يظهر على أي لوحة صدارة.

ملاحظة حول أي رقم من ElevenLabs يجب الوثوق به

تشتهر صفحة أسعار ElevenLabs بأنها تروّج لـ v4 بوصفه أحدث نماذجها وأكثرها تعبيرًا عن العاطفة، في حين لا يزال جدول المقارنة لديها يدرج v3، كما تمنح الساحة v3 وv3 Conversational وv4 وv4 Turbo درجات منفصلة بوصفها أربعة أنظمة متمايزة، بفارق 260 نقطة بين الأعلى والأدنى. إن "ElevenLabs" ليس منافسًا واحدًا في هذه المقارنة؛ بل هو خط منتجات، والفجوة بين أفضل نموذج حالي لديه وأسوئه أكبر من الفجوة بين Ming-3.0-tts وأي منهما. وأي مقارنة تستخدم رقمًا واحدًا لـ ElevenLabs إنما تختار رقمًا يجامل البائع أو يعاقبه بحسب الرقم الذي وقع عليه اختيارها.

ماذا نفعل، بشكل ملموس؟

إذا كان الصوت محادثةً موجّهة إلى العملاء — وكيل هاتفي، أو مساعد تفاعلي، أو أي حالة يصل فيها أول مقطع صوتي بينما ينتظر أحدهم — فاستخدم Eleven v4 Turbo. فادّعاء زمن الوصول منشور، وطبقات التزامن منشورة، ولا يمتلك Ming-3.0-tts أي مسار بثّ على الإطلاق.

إذا كان الصوت تسويقًا بالإنجليزية، أو سردًا تقوده العلامة التجارية، أو أي محتوى يكون فيه اسم علم هو محور الجملة، فاستخدم Eleven v4 وخصص ميزانية لقاموس النطق. إن نسبة Ming البالغة 88.5% في المصطلحات المستقلة تحتل المرتبة 21 من 31، وسيكون ذلك مسموعًا عند أول اسم علامة تجارية.

إذا كان الصوت تشغيليًا — تأكيدات الطلبات، والقراءة التقنية بصوت عالٍ، والتدريب الداخلي، وأي شيء مليء بالمعرّفات والوحدات والترميز — فإن Ming-3.0-tts هو الأداة الأفضل، وليس الأمر متقاربًا بشكل خاص في الفئتين اللتين تغطيان تلك النطاقات. وهو أيضًا الخيار الوحيد من بين الاثنين الذي يمكنك الاحتفاظ به إذا غيّر مورّد شروطه، لأن MIT لا تنتهي صلاحيتها.

ما كان سيغيّر الإجابة هو الشيء نفسه الذي ظل قائمًا طوال شهر: فلا يزال Ant لم ينشر تقريرًا تقنيًا، ولا يزال Ming بلا نقطة نهاية مستضافة. وبمجرد أن يتحقق أيٌّ منهما، تصبح فجوة الـ88 نقطة في الصوت المتحكَّم فيه هي الرقم الذي يجب إعادة قياسه، لأنها الأقرب إلى ما سيختبره فعليًا أي فريق يستنسخ صوته الخاص.