
Ming-3.0-audio-flash vs Eleven Realtime v1 Max: dos 99, solo uno de ellos cuesta $0.08 por minuto
- OrcaNUEVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 por 1M de tokens · 185 tok/s
- tencentNUEVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 por 1M de tokens · 228 tok/s
- GoogleNUEVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 89 tok/s
- AnthropicNUEVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 98 tok/s
- orcaNUEVOOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 89 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 por 1M de tokens · 79 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 por 1M de tokens · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 118 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligencia
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 199 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencia
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 113 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligencia
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 por 1M de tokens · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligencia
Ming-3.0-audio-flash y Eleven Realtime v1 Max ambos afirman una puntuación de razonamiento del habla de alrededor del 99 %, y la similitud termina en el momento en que observas cómo se generó cada cifra. ElevenLabs coloca «99 % en razonamiento del habla, 570 ms hasta el primer audio» en su propia tarjeta de precios para Realtime v1 Max; Artificial Analysis mide el mismo modelo en 98,8 % y 0,567 segundos. La tarjeta de inclusionAI afirma 99,40 en BigBenchAudio para Ming-3.0-audio-flash; Artificial Analysis mide 99,8 % en Big Bench Audio y 1,12 segundos. Un proveedor subestimó su propio modelo en un paso de redondeo y el otro subestimó el suyo en cuatro décimas. Ambos están lo bastante cerca para ser creíbles y ninguno es la cifra sobre la que deberías tomar una decisión.
La cifra decisiva es distinta en cada caso. Para Eleven Realtime v1 Max es de $0.08 por minuto más el uso de LLM, lo que equivale aproximadamente a $4.80 por hora de audio de entrada según la tarifa medida por Artificial Analysis. Para Ming-3.0-audio-flash son cuatro H800 de 80 GB, porque no hay ninguna lista de precios — es un checkpoint de mezcla de expertos de 126 mil millones de parámetros bajo licencia MIT que descargas y sirves. Todo lo demás en esta comparación se deriva de esa división: uno es una suscripción a un agente de voz, el otro es una máquina que posees.
Lo que realmente es cada uno
Eleven Realtime v1 Max no es un modelo en el sentido de los checkpoints. La documentación describe cada modelo Realtime como un agente de voz completo —reconocimiento de voz, detección de actividad de voz y gestión de turnos, un LLM y conversión de texto a voz— empaquetado para que lo selecciones en lugar de ensamblarlo. Max está posicionado para ofrecer respuestas precisas y meditadas en tareas de varios pasos y es el único de los dos modelos Realtime que incluye llamadas a herramientas. Habla más de 90 idiomas, es accesible mediante una API Realtime compatible con OpenAI, y cambiar entre Max y su versión más pequeña es un cambio de selección de modelo en lugar de una reconstrucción.
Ming-3.0-audio-flash es la disposición opuesta. Un codificador de audio y un proyector alimentan un backbone de lenguaje de mezcla de expertos; las entradas son audio más una instrucción de texto; las salidas son texto, o texto con habla sintetizada mediante un Talker opcional. No hay detección de turnos integrada, ni gestión de sesiones, ni una capa de llamada a herramientas descrita en la ficha. Lo que sí afirma la ficha es amplitud en el lado de entrada: chino e inglés, incluidos acentos y dialectos, sonidos no verbales, escenas acústicas, música y grabaciones largas.
• Parámetros — Ming-3.0-audio-flash: 126B en total, 6,5B activos por paso. Eleven Realtime v1 Max: no divulgado.
• Forma — Ming: un checkpoint que sirves. Eleven: un agente alojado que seleccionas.
• Contexto — Ming: 131,072 tokens declarados en la configuración. Eleven: sin publicar; la sesión es la unidad, no la ventana de tokens.
• Idiomas — Ming: chino e inglés. Eleven: más de 90 según la lista de idiomas de Eleven v4.
• Salida de voz — Ming: opcional, mediante el Talker, con voces integradas y de referencia. Eleven: el núcleo del producto; la voz se elige de una biblioteca.
• Llamada a herramientas — Ming: no descrito. Eleven: incluido para Max, no para Mini.
• Licencia — Ming: MIT sobre los pesos. Eleven: un acuerdo comercial de API.

Los dos números, y por qué discrepan en direcciones opuestas
El "99%" de la tarjeta de ElevenLabs es casi con toda seguridad un 98,8 redondeado de una ejecución de Artificial Analysis, publicada en la propia página de precios del proveedor junto con la cifra de latencia. Eso es inusualmente transparente: la mayoría de los proveedores citan un benchmark que eligió el laboratorio que creó el modelo. También significa que las dos fuentes no son independientes —el proveedor cita al tercero, no ejecuta un arnés paralelo—, así que cuando coinciden, coinciden por construcción.
La cifra de Ming es un caso distinto. La tarjeta de modelo de octubre incluía una imagen de evaluación que mostraba 99,40 en «BigBenchAudio» junto con un panorama mucho más débil en audio de larga duración. El 99,8 de hoy proviene directamente de Artificial Analysis, y la tarjeta se editó esta mañana para citarlo. La diferencia entre 99,40 y 99,8 no es una corrección; son dos ejecuciones de un benchmark con el mismo nombre y distintos arneses, prompts y subconjuntos de elementos. Ninguna de las dos es incorrecta. Ambas son el tipo de cifra que se mueve en décimas cuando cambian los detalles, por lo que una ventaja de un punto en lo más alto de una tabla donde 42 modelos se agrupan en los noventa no constituye un foso defensivo.
Lo que sí establece el orden de la tabla de clasificación es la pertenencia al grupo superior. En razonamiento del habla, Ming-3.0-audio-flash con 99.8 y Eleven Realtime v1 Max con 98.8 están separados por un punto y por nada más que la tabla mida. En tiempo hasta el primer audio están separados por un factor de dos: 1.12 segundos frente a 0.567. Para un modelo que tiene que responder dentro de una pausa conversacional, ese es el número que decide si el sistema se siente vivo, y es el único lugar donde la opción que parece barata no es obviamente la peor.
Donde la comparación falla, y falla en la conversación.
El razonamiento del habla son preguntas de opción múltiple entregadas como audio. Un agente de voz es un problema distinto: saber cuándo empezar a hablar, cuándo permanecer en silencio durante una pausa, cómo aceptar una interrupción, si emitir una señal de retroalimentación. Artificial Analysis lo mide por separado en Full Duplex Bench, y esta es la parte menos simétrica de todo el enfrentamiento.
Eleven Realtime v1 Max tiene una puntuación publicada de 0.941 en Full Duplex Bench, con una gestión de interrupciones de 0.99, toma de turnos de 1.0, gestión de pausas de 0.978 y backchannels de 0.796. También tiene una puntuación tau-voice de 0.578 en simulaciones de tareas de aerolíneas, comercio minorista y telecomunicaciones — una cifra mucho menos halagüeña, y una corrección útil para cualquiera que lea el 99% como un veredicto general. Ming-3.0-audio-flash no tiene puntuación en Full Duplex Bench, ni puntuación tau-voice, ni ninguna medición publicada de cómo se comporta cuando alguien le habla por encima. No es que el checkpoint fuera a suspender esas pruebas. Es que nadie las ha ejecutado, y la tarjeta del modelo no describe la maquinaria que las haría significativas: la detección de turnos y el barge-in son cosas que se construyen alrededor de él, no cosas con las que se distribuya.
Esa asimetría tiene una forma práctica. Elegir Eleven Realtime v1 Max te compra un bucle conversacional resuelto con una puntuación de finalización de tareas publicada (aunque mediocre). Elegir Ming-3.0-audio-flash te compra un oído inusualmente fuerte y una interfaz de texto, y deja el bucle —VAD, detección de fin de turno, gestión de interrupciones, el turno del LLM que hay detrás de la voz— como tu trabajo. Los dos productos no son sustitutos en la misma capa, y una comparación directa en precisión insinúa de forma sutil que sí lo son.
La aritmética de una hora, hecha con honestidad
Una hora de audio de entrada continuo en Eleven Realtime v1 Max se factura a $0.08 por minuto, lo que equivale a $4.80, más lo que consuma el LLM incluido. El costo medido por Artificial Analysis por hora de audio de entrada para el modelo es exactamente $4.80, lo que corrobora la ficha. A 1,000 horas al mes, eso son $4,800 antes de los tokens del LLM y antes de cualquier límite de concurrencia, que la documentación enumera para TTS y STT, pero no para agentes de voz de Realtime.
El lado de Ming no tiene esa cifra, así que cualquier comparación requiere una suposición, y la suposición debe ser visible. El perfil de servicio de referencia de 128K de inclusionAI usa paralelismo de tensores en cuatro H800 de 80 GB; las entradas de audio largas pueden provocar OOM en esa configuración y forzar el respaldo de ocho GPU. Con un hipotético $2 por GPU-hora —un valor provisional, no una cotización—, cuatro tarjetas cuestan $8 por hora y ocho cuestan $16, ambos antes de la utilización, antes del tiempo inactivo que conlleva cualquier servicio siempre activo y antes de un ingeniero para operarlo. A plena capacidad, la configuración de cuatro GPU es competitiva con $4.80 por hora. Al diez por ciento de capacidad, no compite en la misma liga.
Ese es todo el argumento de costes, y depende de la utilización, no de los precios de ninguno de los proveedores. Un equipo con tráfico de audio constante y de gran volumen y capacidad de GPU ya existente puede hacer que las cuentas cuadren. Un equipo que prueba una idea un martes por la tarde no puede, y no debería fingir que la cifra por hora que calcula con niveles de tráfico de las 3 de la mañana significa algo.
• Por consumo — Eleven Realtime v1 Max: $0.08/min, aproximadamente $4.80 por hora, más el uso de LLM.
• Autoalojado — Ming-3.0-audio-flash: sin tarifa; referencia de 4 × 80 GB H800, alternativa de 8 GPU.
• Coste marginal de una hora más — Eleven: $4.80. Ming: efectivamente cero hasta que las tarjetas se saturen, luego una función escalonada.
• Coste de la primera hora — Eleven: 4,80 $. Ming: el hardware, la pila de servicio y la integración.

Es en el terreno de los idiomas donde las fichas técnicas resultan engañosas.
ElevenLabs afirma 90+ idiomas y lo dice en serio en toda la pila de TTS y STT. Ming-3.0-audio-flash dice chino e inglés, y luego lo matiza de una manera que importa más que la cifra: "incluidos acentos y dialectos variados". La propia tabla de octubre del proveedor lo respalda con tasas de error por dialecto drásticamente mejores que las de los modelos omni con los que lo compara: hokkienés con 12,84 frente a 28,08 de Qwen3.8-Omni Flash y 81,62 de Gemini 3.8 Flash; shanghainés con 11,15 frente a 21,10 y 88,64. Si tu audio es mandarín con un acento regional, eso es una capacidad que ninguna comparación de cantidad de idiomas captura, y la lista de 90+ de Eleven no te dice cómo se desenvuelve con el hokkienés.
Lo contrario es igual de cierto: si tu audio está en español, portugués, japonés o árabe, Ming-3.0-audio-flash no tiene nada que alegar. No es una cuestión reñida en cuanto a cobertura. Es una partición casi total, y es la forma más rápida de decidir en qué columna estás.
Ambos en una misma tecla, para la mitad que es texto.
OrcaRouter no sirve Ming-3.0-audio-flash, ni tampoco sirve Eleven Realtime v1 Max: esos son un checkpoint autoalojado y un producto en tiempo real propio de un proveedor, y ninguno es un modelo para el que podamos darte un endpoint. Lo que sí servimos es el resto de la canalización que cualquiera de los dos implica. Un sistema de voz construido sobre un modelo de audio autoalojado consiste principalmente en llamadas de texto: el prompt que le indica al modelo de audio qué debe escuchar, el analizador que convierte su etiqueta de idioma delimitada por tabulaciones en una salida estructurada, el resumen redactado a partir de la transcripción, el enrutador que envía una llamada difícil a un modelo más potente. Esos se ejecutan a través de más de 200 modelos con una sola clave, con un 0 % de recargo, con conmutación por error automática cuando un proveedor se degrada — lo que hace que sea seguro poner un modelo de audio no probado detrás de parte de tu tráfico mientras el resto sigue funcionando.
¿Cuál elegir?
Elige Eleven Realtime v1 Max si quieres un agente de voz este mes: más de 90 idiomas, un bucle conversacional resuelto, llamada a herramientas, un precio por minuto publicado y una sesión compatible con OpenAI. Acepta que su puntuación de finalización de tareas en tau-voice es de 0,578, que su comportamiento de retroalimentación es la parte más débil de su perfil de Full Duplex Bench y que estás alquilando una pila que no puedes inspeccionar.
Elige Ming-3.0-audio-flash si tu audio es chino o inglés, tus casos difíciles son acentos o dialectos, tu equipo puede ejecutar cuatro GPU de 80 GB y una pila de servicio, y estás dispuesto a crear la capa de conversación tú mismo. Acepta que las cifras publicadas por el propio modelo muestran que cede terreno en grabaciones largas y en diarización de hablantes, que su tiempo hasta el primer audio es el doble que el de Eleven, y que su 99.8 es una posición en la clasificación, no una promesa sobre tu carga de trabajo.

Y si la respuesta es «un poco de ambos» —un agente alojado para los idiomas que cubre, un modelo autoalojado para el tráfico con acentos marcados—, eso no es una solución intermedia: es la forma que adoptan la mayoría de los sistemas de voz en producción. El error está en elegir basándose en los 99, porque en ese extremo de la tabla el número ha dejado de decirte algo que tus propias grabaciones no te dirían más rápido.
