Ming-3.0-tts vs. ElevenLabs: Eleven v4 gewinnt die Arena mit 140 Punkten Vorsprung und verliert den einen Test, der entscheidet, ob Ihr Text korrekt vorgelesen wird

Bitten Sie einen Raum voller Sprach-KI-Ingenieure, zwischen Ming-3.0-tts und Eleven v4 zu wählen, und fast immer fällt die Wahl auf ElevenLabs; und die Arena gibt ihnen recht: 1.328 Elo für Eleven v4 bei Provider Voice gegenüber 1.188 für das Modell von Ant Group – eine Lücke von 140 Punkten, die kein Rundungsfehler, kein Gleichstand und kein vorübergehendes Artefakt der Stimmenzählung ist. Öffnen Sie dann das Aussprache-Board, auf dem dasselbe Labor menschliche Prüfer fragt, ob jede hervorgehobene Passage in einem englischen Satz korrekt gesprochen wurde, und Ming-3.0-tts liegt bei 93,2 % gegenüber 91,7 % für Eleven v4 – Platz eins gegen Platz drei. Ein Modell, das für Zuhörer merklich schlechter klingt, ist nach einem unabhängigen Maßstab auch zuverlässiger darin, die Wörter zu sagen, die exakt gesagt werden müssen. Die dokumentierten KI-Ausfälle und Agenten-Vorfälle hinter Releases wie diesem finden sich in dem OrcaRouter AI Incident Archive, wo jeder Eintrag eigene Quellen, Schweregrad, Konfidenzgrad und eine Kennzeichnung als umstritten enthält.

Das ist kein Widerspruch, und zu verstehen, warum nicht, ist der ganze Wert dieses Vergleichs. ElevenLabs verkauft eine Stimme. Ming-3.0-tts ist ein Checkpoint, den man selbst ausführt. Die Überschneidung, in der sie tatsächlich konkurrieren, ist schmaler, als das Marketing beider Anbieter suggeriert, und innerhalb dieser Überschneidung ändert sich die Antwort je nach Art des Textes, den man ihnen gibt.

Was ElevenLabs tatsächlich ausliefert

ElevenLabs betreibt jetzt zwei aktuelle Modellreihen. Eleven v4 ist die emotionale High-Fidelity-Variante: über 90 Sprachen, ein Limit von 10.000 Zeichen pro Anfrage, Dialoge mit mehreren Sprechern und Voice-Cloning, das beim 6-$-Starter-Tarif für Instant-Clones und beim 22-$-Creator-Tarif für professionelle Clones beginnt. Eleven v4 Turbo ist das Echtzeit-Pendant mit denselben über 90 Sprachen, einer veröffentlichten medianen Inferenzlatenz von etwa 100 Millisekunden ohne Anwendungs- und Netzwerk-Overhead und API-Preisen bei etwa der Hälfte von v4. Die Preisgestaltung läuft über Credits mit einem Credit pro Zeichen, mit Tarifen von kostenlos bei 10.000 Credits bis 990 $ pro Monat für sechs Millionen; die Arena normalisiert v4 auf 80 $ pro Million Zeichen und Turbo auf 40 $.

Ming-3.0-tts ist ein völlig anderes Objekt: ein 2,96 GB großer, MIT-lizenzierter Checkpoint vom inclusionAI-Team von Ant Group, aufgebaut auf einem Qwen2.5-0.5B-Backbone mit einem Diffusion-Transformer-Patch-Head, am 24. September 2026 als Gewichte veröffentlicht und lauffähig gemacht, als der Inferenzcode am 19. Oktober auf GitHub erschien. Es deckt sieben Sprachen plus Sichuanesisch und Kantonesisch ab, klont eine Stimme aus Referenzaudio plus Transkript, entwirft Stimmen aus Textbeschreibungen und unterstützt 14 Inline-paralinguistische Tags. Es gibt keinen gehosteten Endpunkt, kein Abonnement und keine Abrechnung pro Zeichen.

ElevenLabs' zweite Modellreihe ist hier relevant und wird in Vergleichen selten erwähnt: Eleven v3 mit 1.072 Elo, noch in Produktion, und v3 Conversational mit 1.062 für den Echtzeiteinsatz. Ein Team, das sich für „ElevenLabs“ entscheidet, wählt oft v3, weil es günstiger ist oder weil seine Integration älter als v4 ist. Beide liegen auf dem Präferenz-Board unter Ming-3.0-tts. Der Vergleich bezieht sich auf v4, und v4 ist eine wirklich andere Stufe als die v3-Reihe, auf der die meisten bestehenden Deployments laufen.

Die Präferenzlücke ist real – und sie liegt nicht dort, wo Sie denken.

• Anbieter-Voice-Elo — Ming-3.0-tts 1.188 (1.174–1.202) vs. Eleven v4 1.328 (1.314–1.342). Eleven v4 ist 2. von 97; Ming ist 18. Eleven v4 Turbo führt die Rangliste mit 1.330 an.

• Kontrolliertes Voice-Elo, dieselben acht geklonten Stimmen für jedes System – Ming-3.0-tts 1.068 (1.052–1.084) vs. Eleven v4 1.156 (1.143–1.169) und Turbo 1.158. Der Abstand verringert sich von 140 auf 88 Punkte.

Lesen Sie die zweite Zeile noch einmal. Wenn beide Systeme dieselbe Stimme klonen, verflüchtigt sich mehr als die Hälfte des ElevenLabs-Vorsprungs. Provider Voice misst das gesamte Produkt – den nativen Stimmenkatalog, die Standarddarbietung, die Prosodie-Entscheidungen, die ein Anbieter für Sie getroffen hat – und ElevenLabs hat jahrelang an diesem Katalog gearbeitet, während Ming fünf englische Stimmen gegenüber über hundert auf Chinesisch anbietet. Controlled Voice lässt das weg und fragt nur, wie gut jedes System eine Stimme nachahmt, die ihm vorgegeben wird. ElevenLabs gewinnt noch immer, deutlich, aber der Abstand ist anders groß und es wird eine andere Kompetenz gemessen.

Für ein Team, das seine eigene Markenstimme klont, ist die Zahl 88 die relevante. Für ein Team, das eine Stimme aus einem Katalog auswählen und ausliefern möchte, ist es die Zahl 140, und sie spiegelt einen Vorsprung wider, den Ming nicht aufholen kann, ohne eine Stimmbibliothek aufzubauen, für deren Aufbau Ming keinerlei Anzeichen gezeigt hat.

Wo sich die Rangfolge umkehrt

Das Aussprache-Board gewichtet zwei Kategorien stark, und Ming-3.0-tts gewinnt beide deutlich.

• Exakte Zeichenfolgen beibehalten — Codes, Pfade, E-Mails, Bezeichner. Ming-3.0-tts 90,6 %, Erster von 31, gegenüber Eleven v4 mit 78,8 % und Eleven v4 Turbo mit 73,9 %. Das ist ein Abstand von 12 Punkten in der Kategorie, die darüber entscheidet, ob eine Bestellnummer, ein Repository-Pfad oder eine Kunden-E-Mail-Adresse unversehrt herauskommt.

• Erweiterte Kurzschrift — Zahlen, Datumsangaben, Einheiten, Notation. Ming 96,5 %, Erster von 31, gegenüber Eleven v4 mit 94,1 % und Turbo mit 91,9 %.

Und wo ElevenLabs gewinnt, gewinnt es eindeutig:

• Eigenständige Begriffe — Marken-, Orts- und technische Namen. Eleven v4 93,2 %, Ming 88,5 %. Ming belegt hier Rang 21 von 31 — für alle, die englischsprachiges Marketing- oder Support-Audio produzieren, ist das die mit Abstand wichtigste Aussage in diesem Artikel.

• Kontextuell angemessen — Heteronyme wie „wound“. Eleven v4 94,1 %, Ming 91,0 %.

Die Aufteilung innerhalb eines Tests ist also folgende: Ming liest deine Daten korrekt und spricht deinen Markennamen falsch aus; ElevenLabs spricht deinen Markennamen korrekt aus und verunstaltet deine Identifikatoren. Beide Fehler sind hörbar, und keiner von beiden zeigt sich in einer Präferenzabstimmung, weil eine Zuhörerin oder ein Zuhörer, die bzw. der die korrekte Aussprache eines Begriffs nicht kennt, keine Möglichkeit hat, sie als falsch zu markieren.

Der Gesamtwert – 93,2 gegenüber 91,7 – ist praktisch ein Gleichstand. Die Konfidenzintervalle überschneiden sich (91,5–94,9 für Ming, 90,0–93,4 für v4), die Stichprobengrößen unterscheiden sich (1.800 Spans gegenüber 2.051), und ein Vorsprung von 1,5 Punkten auf einem Board mit 31 Modellen ist keine Aussage, auf die man eine Entscheidung stützen sollte. Worauf man sich stützen kann, ist die Aufteilung nach Kategorien, denn dort trennen sich die Intervalle.

Kosten, ehrlich umgerechnet

ElevenLabs berechnet einen Credit pro Zeichen, wobei v4 zum Standardtarif und die Turbo- und Flash-Varianten je nach Tarif mit einem halben bis einem Credit abgerechnet werden. In der veröffentlichten Tariftabelle liegt der effektive Preis pro Minute für TTS je nach Stufe bei etwa 0,17–0,36 US-Dollar, und der normalisierte Wert der Arena beträgt 80 US-Dollar pro Million Zeichen für v4 und 40 US-Dollar für Turbo.

Auf reales Volumen gerechnet: Eine Million Zeichen entsprechen bei normalem Erzähltempo ungefähr 20 Stunden fertiger Sprache. Bei 80 $ sind das 4 $ pro fertiger Audiostunde – günstig, bis es das nicht mehr ist: Ein Katalog mit 5.000 Produktbeschreibungen à 600 Zeichen umfasst drei Millionen Zeichen, also 240 $ mit v4 und 120 $ mit Turbo. Das ist eine Monatsrechnung für einen Content-Betrieb, der seine Texte immer wieder neu generiert.

Ming-3.0-tts hat keinen Preis pro Zeichen, weil es keinen gehosteten Dienst gibt. Die Kosten bestehen aus GPU-Zeit bei den gemessenen 44,3 Zeichen pro Sekunde, was eine Million Zeichen auf etwa 6,3 Stunden Generierung auf einer Grafikkarte der H800-Klasse bringt, plus Ladezeiten. Ob das $80 unterbietet, hängt ganz davon ab, was Sie bereits für Rechenleistung zahlen und wie viel Entwicklungszeit der Self-Hosted-Weg verbraucht. Für eine einzelne Produktbeschreibung pro Monat ist ElevenLabs um einen Faktor günstiger, der den Vergleich lächerlich macht. Für eine nächtliche Neugenerierung eines großen Korpus ändert sich die Rechnung.

Es gibt eine dritte Option, die keine der Preisübersichten der Anbieter vorschlagen wird, und genau dort spielt eine Routing-Ebene ihre Stärken aus. OrcaRouter hostet Ming-3.0-tts nicht und führt ElevenLabs nicht im Angebot, daher ist keine der beiden Seiten dieses Duells über uns erreichbar; Ming stammt aus Ants Repository und ElevenLabs aus seiner eigenen API. Was wir jedoch anbieten, sind Googles Gemini-TTS-Vorschauen und OpenAIs tts-1 und gpt-4o-mini-tts neben mehr als 200 Textmodellen, alle zum Listenpreis des Anbieters ohne Aufschlag, mit automatischem Failover über Anbieter hinweg hinter einem einzigen Schlüssel. Wenn die Stimme eine Stufe in einer Pipeline ist, deren frühere Stufen Text sind – Zusammenfassung, Übersetzung, Skripterstellung –, dann ist das der Teil, der sich heute konsolidieren lässt, und eine Preisänderung eines Anbieters schlägt noch am selben Tag durch statt erst bei der nächsten Vertragsverlängerung.

Der technische Unterschied, der mehr entscheidet als das Elo.

ElevenLabs bietet Ihnen eine Anfrage, eine Antwort, ein Parallelitätslimit, das von 2 im kostenlosen Tarif bis 15 bei Scale reicht, und einen Anbieter, der antwortet, wenn es kaputtgeht. Ming-3.0-tts bietet Ihnen einen 2,96 GB großen Checkpoint, ein Docker-Image mit PyTorch 2.6 und CUDA 12.4, eine Python-Klasse und Ants Evaluierungstabellen. Die Roadmap des Repositories führt die beschleunigte Inferenz mit vLLM-Omni als abgeschlossen auf, den technischen Bericht jedoch als noch nicht begonnen.

Es folgen zwei operative Fakten, und sie sind nicht unerheblich.

Zunächst benötigt Ming-3.0-tts zum Klonen eine Referenzwellenform und deren Transkript – die --prompt_wav_path und --prompt_text Argumente im eigenen Beispiel des Repositorys. ElevenLabs klont aus zehn Sekunden Audio im Tarif Starter und höher, ohne Transkript und ohne lokale Pipeline. Wenn Ihr Klon-Workflow darin besteht, dass „ein Kunde eine Sprachnotiz hochlädt“, ist dieser Unterschied eine Produktentscheidung und kein technisches Detail.

Zweitens sind Fähigkeiten in Ming Aufgabenmodi, keine kombinierbaren Schalter. Die eigene Dokumentation von Ant besagt, dass die Fähigkeiten als separate Aufgaben bereitgestellt werden und nicht frei kombiniert werden können, was bedeutet, dass eine Anfrage, die Klonen plus Emotion plus Dialekt möchte, nicht unbedingt eine Anfrage ist, die das Modell als einen Aufruf akzeptiert. ElevenLabs stellt Emotion und Audio-Tags in derselben Anfrage wie die geklonte Stimme bereit. Für einen Agenten, der alle drei gleichzeitig benötigt, ist dies die Einschränkung, die am meisten zählt, und sie taucht in keiner Rangliste auf.

Ein Hinweis dazu, welcher ElevenLabs-Zahl man vertrauen sollte

Die Preisseite von ElevenLabs bewirbt v4 als sein neuestes und emotionalstes Modell, während die Vergleichstabelle noch v3 aufführt, und die Arena bewertet v3, v3 Conversational, v4 und v4 Turbo separat als vier eigenständige Systeme mit einer Spanne von 260 Punkten zwischen dem obersten und dem untersten. „ElevenLabs“ ist in diesem Vergleich kein einzelner Konkurrent, sondern eine Produktlinie, und der Abstand zwischen seinem besten und seinem schlechtesten aktuellen Modell ist größer als der Abstand zwischen Ming-3.0-tts und jedem der beiden. Jeder Vergleich, der für ElevenLabs eine einzige Zahl verwendet, entscheidet sich für eine Zahl, die den Anbieter je nach gewählter Zahl schmeichelt oder benachteiligt.

Was konkret zu tun ist

Wenn es sich bei dem Audio um eine kundenorientierte Konversation handelt – einen Telefonagenten, einen interaktiven Assistenten, alles, bei dem die erste Silbe ankommt, während jemand wartet –, verwenden Sie Eleven v4 Turbo. Die Latenzangabe ist veröffentlicht, die Concurrency-Stufen sind veröffentlicht, und Ming-3.0-tts hat überhaupt keinen Streaming-Pfad.

Wenn es sich um englische Marketing-Audioinhalte, markengeführte Narration oder irgendetwas handelt, bei dem ein Eigenname der Kern des Satzes ist, verwenden Sie Eleven v4 und planen Sie das Aussprachewörterbuch ein. Mings 88,5 % bei Einzelbegriffen liegen auf Platz 21 von 31 und das wird beim ersten Markennamen hörbar sein.

Wenn es um den operativen Einsatz von Audio geht — Bestellbestätigungen, technisches Vorlesen, interne Schulungen, alles mit vielen Kennungen, Einheiten und Notation —, ist Ming-3.0-tts das bessere Instrument, und zwar nicht gerade knapp bei den beiden Kategorien, die diese Bereiche abdecken. Es ist außerdem das einzige der beiden, das Sie behalten können, wenn ein Anbieter seine Bedingungen ändert, weil MIT nicht abläuft.

Was die Antwort ändern würde, ist dasselbe, was es seit einem Monat ist: Ant hat immer noch keinen technischen Bericht veröffentlicht, und Ming hat immer noch keinen gehosteten Endpunkt. Sobald eines davon verfügbar ist, ist die 88-Punkte-Lücke bei kontrollierter Stimme die Zahl, die neu gemessen werden muss, denn sie ist diejenige, die dem, was ein Team, das seine eigene Stimme klont, tatsächlich erleben wird, am nächsten kommt.