Ming-3.0-tts vs ElevenLabs: Eleven v4 gana la Arena por 140 puntos y pierde la única prueba que decide si tu texto se lee correctamente

Pregunte a una sala de ingenieros de IA de voz que elijan entre Ming-3.0-tts y Eleven v4 y casi siempre elegirán ElevenLabs, y la arena les da la razón: 1.328 puntos Elo para Eleven v4 en Provider Voice frente a 1.188 del modelo de Ant Group, una diferencia de 140 puntos que no es un error de redondeo, un empate ni un artefacto temporal del recuento de votos. Luego abra el panel de pronunciación, donde el mismo laboratorio pregunta a revisores humanos si cada fragmento resaltado de una oración en inglés se pronunció correctamente, y Ming-3.0-tts se sitúa en el 93,2 % frente al 91,7 % de Eleven v4: el primer puesto frente al tercero. Un modelo que suena notablemente peor para los oyentes también es, según una medida independiente, más fiable a la hora de pronunciar las palabras que deben decirse exactamente. Los fallos de IA y los incidentes de agentes documentados que hay detrás de lanzamientos como este se recopilan en el OrcaRouter AI Incident Archive, donde cada entrada incluye sus propias fuentes, su nivel de gravedad, su grado de confianza y su indicador de disputa.

Eso no es una contradicción, y entender por qué no lo es constituye todo el valor de esta comparación. ElevenLabs vende una voz. Ming-3.0-tts es un checkpoint que ejecutas tú. La superposición en la que compiten de verdad es más estrecha de lo que insinúa el marketing de cualquiera de los dos proveedores, y dentro de esa superposición la respuesta cambia según el tipo de texto que les proporciones.

Lo que ElevenLabs realmente lanza

ElevenLabs ahora gestiona dos líneas de modelos actuales. Eleven v4 es el modelo emotivo y de alta fidelidad: más de 90 idiomas, un límite de 10.000 caracteres por solicitud, diálogo con varios hablantes y clonación de voz que comienza en el nivel Starter de $6 para clones instantáneos y en el nivel Creator de $22 para los profesionales. Eleven v4 Turbo es el hermano en tiempo real, con los mismos más de 90 idiomas, una latencia de inferencia mediana publicada de aproximadamente 100 milisegundos, excluyendo la sobrecarga de la aplicación y de la red, y precios de API de aproximadamente la mitad que los de v4. Los precios funcionan con créditos, a un crédito por carácter, con planes desde gratis con 10.000 créditos hasta $990 al mes por seis millones; la arena normaliza v4 a $80 por millón de caracteres y Turbo a $40.

Ming-3.0-tts es un objeto completamente distinto: un checkpoint de 2,96 GB con licencia MIT del equipo inclusionAI de Ant Group, construido sobre una base Qwen2.5-0.5B con una cabeza de parches de transformer de difusión, publicado como pesos el 24 de septiembre de 2026 y hecho ejecutable cuando el código de inferencia llegó a GitHub el 19 de octubre. Cubre siete idiomas además de sichuanés y cantonés, clona una voz a partir de audio de referencia y su transcripción, diseña voces a partir de descripciones textuales y admite 14 etiquetas paralingüísticas en línea. No hay endpoint alojado, ni suscripción, ni cobro por caracteres.

La segunda línea de modelos de ElevenLabs es relevante aquí y rara vez se menciona en las comparaciones: Eleven v3, con 1.072 Elo, sigue en producción, y v3 Conversational, con 1.062, para uso en tiempo real. Un equipo que elige "ElevenLabs" a menudo elige v3 porque es más barato o porque su integración es anterior a v4. Ambos obtienen una puntuación inferior a Ming-3.0-tts en la tabla de preferencias. La comparación es con v4, y v4 es un nivel genuinamente diferente de la línea v3 que ejecutan la mayoría de los despliegues existentes.

La brecha de preferencias es real, y no está donde crees.

Elo de voz por proveedor — Ming-3.0-tts 1,188 (1,174–1,202) frente a Eleven v4 1,328 (1,314–1,342). Eleven v4 es 2.º de 97; Ming es 18.º. Eleven v4 Turbo lidera la tabla con 1,330.

• Elo de voz controlado, las mismas ocho voces clonadas para cada sistema — Ming-3.0-tts 1,068 (1,052–1,084) frente a Eleven v4 1,156 (1,143–1,169) y Turbo 1,158. La diferencia se reduce de 140 a 88 puntos.

Vuelve a leer la segunda línea. Cuando ambos sistemas clonan la misma voz, más de la mitad de la ventaja de ElevenLabs se desvanece. Provider Voice mide el producto en su conjunto —el catálogo de voces nativas, la entrega predeterminada, las decisiones de prosodia que un proveedor tomó por ti— y ElevenLabs ha pasado años trabajando en ese catálogo, mientras que Ming ofrece cinco voces en inglés frente a más de cien en chino. Controlled Voice elimina todo eso y solo pregunta qué tan bien imita cada sistema una voz que se le ha entregado. ElevenLabs sigue ganando, con holgura, pero el margen es de un tamaño distinto y está midiendo una competencia diferente.

Para un equipo que clona su propia voz de marca, el número de 88 puntos es el relevante. Para un equipo que quiere elegir una voz de un catálogo y lanzarla, el número de 140 puntos lo es, y refleja una ventaja que Ming no puede cerrar sin construir una biblioteca de voces que no ha mostrado señales de estar construyendo.

Donde el ranking se invierte

El jurado de pronunciación pondera con fuerza dos categorías, y Ming-3.0-tts se impone en ambas sin discusión.

• Preservación de secuencias exactas: códigos, rutas, correos electrónicos e identificadores. Ming-3.0-tts 90,6 %, el primero de 31, frente a Eleven v4 con 78,8 % y Eleven v4 Turbo con 73,9 %. Se trata de una diferencia de 12 puntos en la categoría que determina si un número de pedido, una ruta de repositorio o la dirección de correo electrónico de un cliente se mantiene intacto.

• Ampliación de abreviaturas: números, fechas, unidades y notación. Ming 96,5 %, el primero de 31, frente a Eleven v4 con 94,1 % y Turbo con 91,9 %.

Y donde ElevenLabs gana, gana con claridad:

• Términos independientes — nombres de marcas, lugares y técnicos. Eleven v4 93,2 %, Ming 88,5 %. Ming ocupa el puesto 21 de 31 aquí, lo que constituye la línea más importante de este artículo para cualquiera que produzca audio de marketing o de soporte en inglés.

• Adecuado según el contexto — heterónimos como «wound». Eleven v4 94,1 %, Ming 91,0 %.

Así que la división dentro de una misma prueba es esta: Ming lee tus datos correctamente y pronuncia mal tu marca; ElevenLabs lee tu marca correctamente y destroza tus identificadores. Ambas fallas son audibles y ninguna aparece en una votación de preferencia, porque un oyente que no conoce la pronunciación correcta de un término no tiene forma de marcarlo como incorrecto.

El agregado —93,2 frente a 91,7— es un empate en la práctica. Los intervalos de confianza se solapan (91,5–94,9 para Ming, 90,0–93,4 para v4), los tamaños de muestra difieren (1.800 fragmentos frente a 2.051), y una ventaja de 1,5 puntos en un tablero de 31 modelos no es una afirmación sobre la que valga la pena basar una decisión. Lo que sí vale la pena tener en cuenta es el desglose por categorías, porque ahí los intervalos se separan.

Coste, convertido honestamente

ElevenLabs cobra un crédito por carácter, con v4 a la tarifa estándar y las variantes Turbo y Flash a entre medio crédito y un crédito según el plan. En la tabla de planes publicada, el costo efectivo por minuto de TTS se sitúa alrededor de $0,17–$0,36 según el nivel, y la cifra normalizada de la arena es de $80 por millón de caracteres para v4 y $40 para Turbo.

Aplicado a volumen real: un millón de caracteres equivale aproximadamente a 20 horas de locución terminada a un ritmo de narración normal. A $80, eso son $4 por hora de audio terminado, lo cual es barato hasta que deja de serlo: un catálogo de 5.000 descripciones de producto de 600 caracteres cada una son tres millones de caracteres, o $240 en v4 y $120 en Turbo. Eso es una factura mensual para una operación de contenido que regenera sus textos.

Ming-3.0-tts no tiene un precio por carácter porque no hay un servicio alojado. El costo es tiempo de GPU a los 44,3 caracteres por segundo medidos, lo que sitúa un millón de caracteres en unas 6,3 horas de generación en una tarjeta de la clase H800, más la carga. Que eso supere o no los $80 depende enteramente de lo que ya pagues por cómputo y de cuánto tiempo de ingeniería consuma la vía autoalojada. Para una única descripción de producto al mes, ElevenLabs es más barato por un factor que hace que la comparación sea absurda. Para una regeneración nocturna de un corpus grande, la aritmética cambia.

Existe una tercera opción que no sugerirá la página de precios de ninguno de los dos proveedores, y es ahí donde una capa de enrutamiento justifica su existencia. OrcaRouter no aloja Ming-3.0-tts ni ofrece ElevenLabs, así que no se puede acceder a ninguno de los dos lados de esta comparativa a través de nosotros; Ming procede del repositorio de Ant y ElevenLabs, de su propia API. Lo que sí ofrecemos son las versiones preliminares de G​emini T​TS de G​oogle y tts-1 y gpt-4o-mini-tts de O​penAI, junto con más de 200 modelos de texto, todos al precio de lista del proveedor sin añadir ningún margen, con conmutación por error automática entre proveedores detrás de una sola clave. Si la voz es una etapa de un flujo de procesamiento cuyas etapas anteriores son texto —resumen, traducción, generación de guiones—, esa es la parte que se consolida hoy, y un cambio de precio del proveedor se aplica el mismo día en lugar de en la próxima renovación del contrato.

La diferencia de ingeniería que decide más que el Elo

ElevenLabs te ofrece una solicitud, una respuesta, un límite de concurrencia que escala de 2 en el nivel gratuito a 15 en Scale, y un proveedor que responde cuando algo falla. Ming-3.0-tts te ofrece un checkpoint de 2.96 GB, una imagen de Docker que usa PyTorch 2.6 y CUDA 12.4, una clase de Python y las tablas de evaluación de Ant. La hoja de ruta del repositorio enumera la inferencia acelerada con vLLM-Omni como completada, pero el informe técnico como aún no iniciado.

A continuación se presentan dos hechos operativos, y no son menores.

Primero, Ming-3.0-tts requiere una forma de onda de referencia y su transcripción para la clonación: los --prompt_wav_path y --prompt_text argumentos del propio ejemplo del repositorio. ElevenLabs clona a partir de diez segundos de audio en Starter y planes superiores, sin transcripción y sin pipeline local. Si tu flujo de trabajo de clonación consiste en «que un cliente suba una nota de voz», esa diferencia es una decisión de producto más que un detalle técnico.

En segundo lugar, las capacidades de Ming son modos de tarea, no conmutadores combinables. La propia documentación de Ant indica que las habilidades se exponen como tareas separadas y no pueden combinarse libremente, lo que significa que una solicitud que quiera clonación más emoción más un dialecto no es necesariamente una solicitud que el modelo acepte como una sola llamada. ElevenLabs expone la emoción y las etiquetas de audio en la misma solicitud que la voz clonada. Para un agente que necesita las tres a la vez, esta es la restricción que más importa y no aparece en ninguna tabla de clasificación.

Una nota sobre en qué cifra de ElevenLabs confiar

La página de precios de ElevenLabs promociona v4 como su modelo más reciente y más emotivo, mientras que su tabla comparativa todavía incluye v3, y la arena puntúa por separado v3, v3 Conversational, v4 y v4 Turbo como cuatro sistemas distintos con una diferencia de 260 puntos entre el primero y el último. "ElevenLabs" no es un único competidor en esta comparación; es una línea de productos, y la brecha entre su mejor y su peor modelo actual es mayor que la brecha entre Ming-3.0-tts y cualquiera de ellos. Cualquier comparación que use un solo número para ElevenLabs está eligiendo un número que favorece o penaliza al proveedor según cuál haya elegido.

Qué hacer, concretamente

Si el audio es una conversación de cara al cliente —un agente telefónico, un asistente interactivo, cualquier caso en el que la primera sílaba llegue mientras alguien espera—, usa Eleven v4 Turbo. La cifra de latencia está publicada, los niveles de concurrencia están publicados y Ming-3.0-tts no tiene ninguna ruta de streaming.

Si el audio es marketing en inglés, narración centrada en la marca o cualquier contenido en el que un nombre propio sea el punto de la frase, usa Eleven v4 y reserva presupuesto para el diccionario de pronunciación. El 88,5 % de Ming en términos aislados lo sitúa en el puesto 21 de 31, y se notará en el primer nombre de marca.

Si el audio es operativo —confirmaciones de pedido, lectura técnica en voz alta, formación interna, cualquier contenido denso en identificadores, unidades y notación—, Ming-3.0-tts es el mejor instrumento, y la diferencia no es especialmente estrecha en las dos categorías que abarcan esos tramos. También es el único de los dos que puedes conservar si un proveedor cambia sus condiciones, porque MIT no caduca.

Lo que cambiaría la respuesta es lo mismo que ha sido durante un mes: Ant aún no ha publicado un informe técnico, y Ming todavía no tiene un endpoint alojado. En cuanto llegue cualquiera de los dos, la brecha de 88 puntos en voz controlada es la cifra que hay que volver a medir, porque es la más cercana a lo que realmente experimentará un equipo que clona su propia voz.