Eine generierte Titelkarte mit der Aufschrift „Zwei 99er, zwei völlig unterschiedliche Rechnungen“, mit einem Untertitel, der Ming-3.0-audio-flash gegen Eleven Realtime v1 Max nennt. Drei nummerierte Zeilen lauten: „Ming-3.0-audio-flash: 126B offene Gewichte, 4 bis 8 H800s, keine Preisliste“, „Eleven Realtime v1 Max: 0,08 $ pro Minute zuzüglich LLM-Nutzung, 90+ Sprachen“ und „Genauigkeit 99,8 % vs. 98,8 %, Zeit bis zum ersten Audio 1,12 s vs. 0,57 s“. Die Fußzeile lautet: „Genauigkeit und Latenz laut Artificial Analysis; Elevens Preis laut seiner API-Preisseite.“
Guides & Insights

Ming-3.0-audio-flash vs. Eleven Realtime v1 Max: Zwei 99er, doch nur eines davon kostet 0,08 US-Dollar pro Minute

Autor

jinhao.song

Veröffentlicht am

Neueste Modelle · 20Alle Modelle ansehen →
Benchmarks: Artificial Analysis · täglich aktualisiert
Zurück zu allen Beiträgen

Ming-3.0-audio-flash und Eleven Realtime v1 Max geben beide einen Speech-Reasoning-Wert von etwa 99 % an, und die Ähnlichkeit endet in dem Moment, in dem man betrachtet, wie die jeweilige Zahl zustande gekommen ist. ElevenLabs schreibt „99 % beim Speech Reasoning, 570 ms bis zur ersten Audioausgabe“ auf seine eigene Preiskarte für Realtime v1 Max; Artificial Analysis misst für dasselbe Modell 98,8 % und 0,567 Sekunden. Die Karte von inclusionAI behauptet 99,40 bei BigBenchAudio für Ming-3.0-audio-flash; Artificial Analysis misst 99,8 % bei Big Bench Audio und 1,12 Sekunden. Ein Anbieter hat sein eigenes Modell um einen Rundungsschritt zu niedrig angegeben, der andere um vier Zehntel. Beide liegen nahe genug beieinander, um glaubwürdig zu sein, und keiner der beiden Werte ist die Zahl, auf deren Grundlage Sie eine Entscheidung treffen sollten.

Die entscheidende Zahl ist bei jedem eine andere. Für Eleven Realtime v1 Max sind es 0,08 US-Dollar pro Minute plus LLM-Nutzung, was bei der von Artificial Analysis gemessenen Rate ungefähr 4,80 US-Dollar pro Stunde Eingangsaudio entspricht. Für Ming-3.0-audio-flash sind es vier 80-GB-H800s, weil es überhaupt keine Preisliste gibt – es ist ein Mixture-of-Experts-Checkpoint mit 126 Milliarden Parametern unter MIT-Lizenz, den man herunterlädt und selbst bereitstellt. Alles andere in diesem Vergleich folgt aus dieser Aufteilung: Das eine ist ein Abonnement für einen Sprachagenten, das andere eine Maschine, die man besitzt.

Was jedes einzelne tatsächlich ist

Eleven Realtime v1 Max ist kein Modell im Sinne eines Checkpoints. Die Dokumentation beschreibt jedes Realtime-Modell als vollständigen Sprachagenten – Spracherkennung, Sprachaktivitätserkennung und Sprecherwechsel, ein LLM sowie Sprachsynthese – so verpackt, dass man es auswählt, statt es zusammenzubauen. Max ist für präzise, durchdachte Antworten bei mehrstufigen Aufgaben positioniert und ist das einzige der beiden Realtime-Modelle, das Tool-Calling aufführt. Es spricht über 90 Sprachen, ist über eine OpenAI-kompatible Realtime-API erreichbar, und der Wechsel zwischen Max und seinem kleineren Pendant ist eine Änderung der Modellauswahl statt eines Neuaufbaus.

Ming-3.0-audio-flash ist die umgekehrte Anordnung. Ein Audio-Encoder und ein Projektor speisen ein Sprach-Backbone mit Mixture-of-Experts-Architektur; Eingaben sind Audio plus eine Textanweisung; Ausgaben sind Text oder Text mit synthetisierter Sprache über einen optionalen Talker. Es gibt keine integrierte Turn-Erkennung, keine Sitzungsverwaltung und keine in der Modellkarte beschriebene Tool-Calling-Schicht. Was die Modellkarte jedoch beansprucht, ist Breite auf der Eingabeseite: Chinesisch und Englisch einschließlich Akzenten und Dialekten, Nicht-Sprachgeräusche, akustische Szenen, Musik und lange Aufnahmen.

• Parameter — Ming-3.0-audio-flash: 126B insgesamt, 6,5B aktiv pro Schritt. Eleven Realtime v1 Max: nicht angegeben.

• Form — Ming: ein Checkpoint, den Sie bereitstellen. Eleven: ein gehosteter Agent, den Sie auswählen.

• Kontext — Ming: 131.072 Token, in der Konfiguration deklariert. Eleven: nicht veröffentlicht; die Einheit ist die Sitzung, nicht das Token-Fenster.

• Sprachen — Ming: Chinesisch und Englisch. Eleven: 90+ laut der Sprachenliste von Eleven v4.

• Sprachausgabe — Ming: optional, über den Talker, mit integrierten Stimmen und Referenzstimmen. Eleven: der Kern des Produkts; die Stimme wird aus einer Bibliothek ausgewählt.

• Tool-Aufruf — Ming: nicht beschrieben. Eleven: für Max aufgeführt, nicht für Mini.

• Lizenz — Ming: MIT für die Gewichte. Eleven: eine kommerzielle API-Vereinbarung.

A cropped screenshot of the ElevenLabs API pricing page showing the Realtime API block, described as a new class of Speech to Speech models for building natural-sounding voice agents. For Eleven Realtime v1 Max the rows read connected audio at $0.080 per additional minute, input tokens at $1.80 per million and output tokens at $9.00 per million, with included minutes rising from about 12 on the entry tier to 9,714 on the largest; the Eleven Realtime v1 Mini rows above show $0.20 input and $6.00 output tokens.

Die beiden Zahlen – und warum sie in entgegengesetzte Richtungen voneinander abweichen

Die „99 %“ auf der ElevenLabs-Karte sind mit ziemlicher Sicherheit eine gerundete 98,8 aus einem Artificial-Analysis-Durchlauf, veröffentlicht auf der eigenen Preisseite des Anbieters mit angehängter Latenzangabe. Das ist ungewöhnlich freimütig: Die meisten Anbieter nennen einen Benchmark, den das Labor ausgewählt hat, das das Modell gebaut hat. Das bedeutet außerdem, dass die beiden Quellen nicht unabhängig sind — der Anbieter zitiert den Dritten, statt einen parallelen Testaufbau zu betreiben —, sodass sie, wenn sie übereinstimmen, konstruktionsbedingt übereinstimmen.

Der Ming-Wert ist ein anderer Fall. Die Modellkarte vom Oktober enthielt ein Evaluationsbild, das 99,40 bei „BigBenchAudio“ neben einem deutlich schwächeren Langaudio-Bild zeigte. Die heutigen 99,8 stammen direkt von Artificial Analysis, und die Karte wurde heute Morgen bearbeitet, um diesen Wert zu zitieren. Die Lücke zwischen 99,40 und 99,8 ist keine Korrektur; es sind zwei Läufe eines Benchmarks mit demselben Namen und unterschiedlichen Harnesses, Prompts und Item-Subsets. Keiner davon ist falsch. Beide sind die Art von Zahl, die sich in Zehnteln bewegt, wenn sich die Details ändern, weshalb ein Vorsprung von einem Punkt an der Spitze einer Tabelle, in der sich 42 Modelle im Neunzigerbereich drängen, kein Burggraben ist.

Was die Rangfolge der Bestenliste tatsächlich belegt, ist die Zugehörigkeit zur Spitzengruppe. Beim sprachlichen Schlussfolgern trennen Ming-3.0-audio-flash mit 99,8 und Eleven Realtime v1 Max mit 98,8 ein Punkt und sonst nichts, was die Bestenliste misst. Bei der Zeit bis zum ersten Audio trennt sie ein Faktor von zwei: 1,12 Sekunden gegenüber 0,567. Für ein Modell, das innerhalb einer Gesprächspause antworten muss, ist das die Zahl, die entscheidet, ob sich das System lebendig anfühlt, und es ist die eine Stelle, an der die billig wirkende Option nicht offensichtlich die schlechtere ist.

Wo der Vergleich scheitert – und er scheitert an der Konversation.

Sprachliches Schlussfolgern sind Multiple-Choice-Fragen, die als Audio ausgegeben werden. Ein Sprachagent ist ein anderes Problem: zu wissen, wann man mit dem Sprechen beginnen sollte, wann man bei einer Pause still bleiben sollte, wie man mit einer Unterbrechung umgeht, ob man ein Backchannel-Signal senden sollte. Artificial Analysis misst das separat auf Full Duplex Bench, und dies ist der am wenigsten symmetrische Teil des gesamten Vergleichs.

Eleven Realtime v1 Max hat einen veröffentlichten Full Duplex Bench Score von 0.941, mit Unterbrechungsbehandlung bei 0.99, Turn-Taking bei 1.0, Pausenbehandlung bei 0.978 und Backchannels bei 0.796. Es hat außerdem einen tau-voice-Score von 0.578 über Aufgaben-Simulationen in den Bereichen Fluggesellschaft, Einzelhandel und Telekommunikation — eine deutlich weniger schmeichelhafte Zahl und eine nützliche Korrektur für alle, die die 99 % als allgemeines Urteil lesen. Ming-3.0-audio-flash hat keinen Full Duplex Bench Score, keinen tau-voice-Score und keine veröffentlichte Messung darüber, wie es sich verhält, wenn jemand dazwischenredet. Es ist nicht so, dass der Checkpoint diese Tests nicht bestehen würde. Es ist vielmehr so, dass sie niemand durchgeführt hat und die Modellkarte nicht die Mechanismen beschreibt, die sie aussagekräftig machen würden: Turn-Erkennung und Barge-in sind Dinge, die man um es herum baut, nicht Dinge, mit denen es ausgeliefert wird.

Diese Asymmetrie hat eine praktische Gestalt. Wer Eleven Realtime v1 Max wählt, bekommt eine gelöste Konversationsschleife mit einer veröffentlichten (wenn auch mittelmäßigen) Task-Completion-Bewertung. Wer Ming-3.0-audio-flash wählt, bekommt ein ungewöhnlich starkes Gehör und eine Textschnittstelle – und überlässt Ihnen die Schleife: VAD, Endpointing, Interrupt-Behandlung, den LLM-Turn hinter der Stimme. Die beiden Produkte sind auf derselben Ebene keine Substitute, und ein direkter Vergleich der Genauigkeit legt stillschweigend nahe, dass sie es seien.

Die Arithmetik einer Stunde, ehrlich gerechnet

Eine Stunde kontinuierliches Eingabe-Audio bei Eleven Realtime v1 Max wird mit 0,08 US-Dollar pro Minute abgerechnet, also 4,80 US-Dollar, plus das, was das mitgelieferte LLM verbraucht. Die von Artificial Analysis gemessenen Kosten pro Stunde Eingabe-Audio für das Modell betragen genau 4,80 US-Dollar, was die Karte bestätigt. Bei 1.000 Stunden pro Monat sind das 4.800 US-Dollar vor LLM-Tokens und vor etwaigen Parallelitätsgrenzen, die die Dokumentation für TTS und STT aufführt, nicht aber für Realtime-Sprachagenten.

Die Ming-Seite hat keine solche Zahl, daher erfordert jeder Vergleich eine Annahme, und die Annahme sollte sichtbar sein. Das Referenz-128K-Serving-Profil von inclusionAI nutzt Tensor-Parallelität über vier 80-GB-H800s; lange Audioeingaben können dabei den Speicher überlaufen lassen (OOM) und den Rückfall auf acht GPUs erzwingen. Bei hypothetischen 2 US-Dollar pro GPU-Stunde – ein Platzhalter, kein Angebot – kosten vier Karten 8 US-Dollar pro Stunde und acht 16 US-Dollar, beides vor Auslastung, vor der Leerlaufzeit, die jeder Always-on-Dienst mit sich bringt, und vor einem Ingenieur, der ihn betreibt. Bei voller Auslastung ist die Vier-GPU-Konfiguration wettbewerbsfähig mit 4,80 US-Dollar pro Stunde. Bei zehn Prozent Auslastung spielt sie nicht in derselben Liga.

Das ist das gesamte Kostenargument, und es hängt an der Auslastung und nicht an der Preisgestaltung des einen oder anderen Anbieters. Ein Team mit stetigem, hochvolumigem Audio-Traffic und vorhandener GPU-Kapazität kann die Rechnung zum Funktionieren bringen. Ein Team, das an einem Dienstagnachmittag eine Idee testet, kann das nicht – und sollte nicht so tun, als bedeute der Stundenwert, den es bei Traffic-Niveaus von 3 Uhr morgens berechnet, irgendetwas.

• Nutzungsbasiert — Eleven Realtime v1 Max: 0,08 $/Min., etwa 4,80 $/Stunde, zuzüglich LLM-Nutzung.

• Selbst gehostet — Ming-3.0-audio-flash: keine Preisliste; Referenz 4 × 80 GB H800, 8-GPU-Fallback.

• Grenzkosten einer weiteren Stunde — Eleven: 4,80 $. Ming: praktisch null, bis die Karten gesättigt sind, danach eine Sprungfunktion.

• Kosten für die erste Stunde — Eleven: 4,80 $. Ming: die Hardware, der Serving-Stack und die Integration.

A generated two-column scoreboard titled 'Ming-3.0-audio-flash vs Eleven Realtime v1 Max - the scoreboard'. The Ming column reads speech reasoning 99.8%, time to first audio 1.12 s, conversational score not published, languages Chinese and English, price basis no rate card, deployment 4 x 80GB H800. The Eleven column reads speech reasoning 98.8%, time to first audio 0.57 s, conversational score 0.941, languages 90+, price basis $0.08 per minute, deployment hosted API. The footer reads 'Accuracy and latency per Artificial Analysis; Eleven's per-minute price per its API pricing page.'

Sprachen sind der Punkt, an dem die Datenblätter in die Irre führen.

ElevenLabs gibt 90+ Sprachen an und meint das ernst über den gesamten TTS- und STT-Stack hinweg. Ming-3.0-audio-flash nennt Chinesisch und Englisch und schränkt das dann auf eine Weise ein, die wichtiger ist als die Anzahl: „einschließlich verschiedener Akzente und Dialekte“. Die eigene Oktober-Tabelle des Anbieters untermauert das mit Dialektfehlerraten, die deutlich besser sind als die der Omni-Modelle, mit denen verglichen wird — Hokkien mit 12,84 gegenüber 28,08 für Qwen3.8-Omni Flash und 81,62 für Gemini 3.8 Flash, Shanghainesisch mit 11,15 gegenüber 21,10 und 88,64. Wenn es sich bei Ihrem Audio um Mandarin mit regionalem Akzent handelt, ist das eine Fähigkeit, die kein noch so umfangreicher Sprachenanzahl-Vergleich erfasst, und die 90+-Liste von ElevenLabs sagt Ihnen nicht, wie es sich bei Hokkien schlägt.

Umgekehrt gilt genauso: Wenn Ihr Audio Spanisch, Portugiesisch, Japanisch oder Arabisch ist, hat Ming-3.0-audio-flash keinerlei Anspruch auf Abdeckung. Das ist keine knappe Entscheidung bei der Abdeckung. Es ist eine nahezu vollständige Aufteilung, und es ist der schnellste Weg zu entscheiden, in welcher Spalte Sie sich befinden.

Beides auf einer Taste, für die Hälfte, die Text ist

OrcaRouter stellt Ming-3.0-audio-flash nicht bereit und auch Eleven Realtime v1 Max nicht – dabei handelt es sich um einen selbst gehosteten Checkpoint bzw. das eigene Echtzeitprodukt eines Anbieters, und für keines von beiden können wir Ihnen einen Endpoint bereitstellen. Was wir bereitstellen, ist der restliche Teil der Pipeline, den eines von beiden mit sich bringt. Ein Voice-System, das auf einem selbst gehosteten Audiomodell basiert, besteht überwiegend aus Textaufrufen: der Prompt, der dem Audiomodell sagt, worauf es achten soll, der Parser, der sein tabulatorgetrenntes Sprachlabel in strukturierte Ausgabe umwandelt, die aus dem Transkript geschriebene Zusammenfassung, der Router, der einen schwierigen Aufruf an ein stärkeres Modell weiterleitet. Diese laufen über mehr als 200 Modelle hinter einem Schlüssel, bei 0 % Aufschlag, mit automatischem Failover, wenn die Leistung eines Anbieters nachlässt – genau das macht es sicher, ein unerprobtes Audiomodell hinter einen Teil Ihres Traffics zu stellen, während der Rest weiterläuft.

Welchen soll man wählen?

Nehmen Sie {{1}}Eleven Realtime v1 Max{{/1}}, wenn Sie diesen Monat einen Voice-Agenten wollen: {{2}}90+ Sprachen{{/2}}, eine gelöste Konversationsschleife, Tool Calling, einen veröffentlichten Preis pro Minute und eine OpenAI-kompatible Sitzung. Akzeptieren Sie, dass sein {{3}}tau-voice-Task-Completion-Score 0,578{{/3}} beträgt, dass sein Backchannel-Verhalten der schwächste Teil seines {{4}}Full Duplex Bench{{/4}}-Profils ist und dass Sie einen Stack mieten, den Sie nicht inspizieren können.

Wählen Sie Ming-3.0-audio-flash, wenn es bei Ihren Audiodaten um Chinesisch oder Englisch geht, Ihre schwierigen Fälle Akzente oder Dialekte sind, Ihr Team vier 80-GB-GPUs und einen Serving-Stack betreiben kann und Sie bereit sind, die Konversationsschicht selbst zu bauen. Akzeptieren Sie, dass die vom Modell selbst veröffentlichten Zahlen zeigen, dass es bei langen Aufnahmen und Sprecherdiarisierung an Boden verliert, dass seine Zeit bis zum ersten Audio doppelt so lang ist wie bei Eleven und dass seine 99,8 ein Ranglistenplatz und kein Versprechen für Ihre Arbeitslast ist.

A screenshot of the inclusionAI Ming-3.0-audio-flash model card on Hugging Face, showing the audio-to-audio tag, the MIT licence, a reported model size of 128B params, 2,572 downloads in the last month, and a model summary table listing the developer as inclusionAI, the model type as a native audio-language mixture-of-experts, and 126B total parameters with 6.5B activated per inference step.

Und wenn die Antwort „etwas von beidem“ lautet – ein gehosteter Agent für die Sprachen, die er abdeckt, ein selbst gehostetes Modell für den stark akzentbelasteten Traffic –, dann ist das kein Kompromiss, sondern die Form, die die meisten produktiven Sprachsysteme tatsächlich annehmen. Der Fehler besteht darin, anhand der 99er-Werte auszuwählen, denn an diesem Ende der Tabelle sagt Ihnen die Zahl nichts mehr, was Ihre eigenen Aufnahmen Ihnen nicht schneller sagen würden.