Carte de titre générée portant « Deux 99, deux factures complètement différentes », avec un sous-titre nommant Ming-3.0-audio-flash face à Eleven Realtime v1 Max. Trois lignes numérotées indiquent « Ming-3.0-audio-flash : 126B de poids ouverts, 4 à 8 H800, pas de grille tarifaire », « Eleven Realtime v1 Max : 0,08 $ par minute plus utilisation du LLM, plus de 90 langues » et « Précision 99,8 % contre 98,8 %, temps jusqu’au premier audio 1,12 s contre 0,57 s ». Le pied de page indique « Précision et latence selon Artificial Analysis ; prix d’Eleven selon sa page de tarification de l’API. »
Guides & Insights

Ming-3.0-audio-flash vs Eleven Realtime v1 Max : deux 99, mais un seul coûte 0,08 $ la minute

Auteur

jinhao.song

Date de publication

Derniers modèles · 20Voir tous les modèles →
Benchmarks : Artificial Analysis · mis à jour quotidiennement
Retour à tous les articles

Ming-3.0-audio-flash et Eleven Realtime v1 Max revendiquent tous deux un score de raisonnement vocal d’environ 99 %, et la similitude s’arrête dès que l’on regarde comment chaque chiffre a été produit. ElevenLabs affiche « 99 % en raisonnement vocal, 570 ms jusqu’au premier son » sur sa propre carte tarifaire pour Realtime v1 Max ; Artificial Analysis mesure le même modèle à 98,8 % et 0,567 seconde. La fiche d’inclusionAI annonce 99,40 sur BigBenchAudio pour Ming-3.0-audio-flash ; Artificial Analysis mesure 99,8 % sur Big Bench Audio et 1,12 seconde. Un fournisseur a sous-vendu son propre modèle d’un cran d’arrondi et l’autre a sous-vendu le sien de quatre dixièmes. Les deux sont suffisamment proches pour être crédibles et aucun des deux n’est le chiffre sur lequel vous devriez prendre une décision.

Le chiffre qui tranche diffère selon le cas. Pour Eleven Realtime v1 Max, c'est 0,08 $ la minute, plus l'utilisation du LLM, soit environ 4,80 $ de l'heure pour l'audio d'entrée au tarif mesuré par Artificial Analysis. Pour Ming-3.0-audio-flash, ce sont quatre H800 de 80 Go, car il n'existe aucune grille tarifaire — c'est un checkpoint mixture-of-experts de 126 milliards de paramètres sous licence MIT que vous téléchargez et servez. Tout le reste de cette comparaison découle de cette distinction : l'un est un abonnement à un agent vocal, l'autre est une machine que vous possédez.

Ce que chacun est réellement

Eleven Realtime v1 Max n'est pas un modèle au sens de checkpoint. La documentation décrit chaque modèle Realtime comme un agent vocal complet — reconnaissance vocale, détection d'activité vocale et gestion des tours de parole, un LLM, et synthèse vocale — packagé de sorte qu'on le sélectionne plutôt qu'on ne l'assemble. Max est positionné pour des réponses précises et réfléchies sur des tâches à plusieurs étapes et est le seul des deux modèles Realtime à mentionner l'appel d'outils. Il parle plus de 90 langues, est accessible via une API Realtime compatible OpenAI, et le passage entre Max et son petit frère est un changement de sélection de modèle plutôt qu'une reconstruction.

Ming-3.0-audio-flash est la disposition inverse. Un encodeur audio et un projecteur alimentent un socle linguistique à mélange d’experts ; les entrées sont de l’audio plus une instruction textuelle ; les sorties sont du texte, ou du texte avec de la parole synthétisée via un Talker optionnel. Il n’y a pas de détection de tour intégrée, pas de gestion de session, pas de couche d’appel d’outils décrite dans la fiche. Ce que la fiche revendique, en revanche, c’est l’étendue du côté des entrées : le chinois et l’anglais, y compris les accents et les dialectes, les sons non vocaux, les scènes acoustiques, la musique et les enregistrements longs.

• Paramètres — Ming-3.0-audio-flash : 126 B au total, 6,5 B actifs par étape. Eleven Realtime v1 Max : non divulgué.

• Forme — Ming : un checkpoint que vous servez. Eleven : un agent hébergé que vous sélectionnez.

• Contexte — Ming : 131,072 tokens déclarés dans la configuration. Eleven : non publié ; l’unité est la session, pas la fenêtre de tokens.

• Langues — Ming : chinois et anglais. Eleven : 90+ selon la liste des langues d’Eleven v4.

• Sortie vocale — Ming : en option, via le Talker, avec des voix intégrées et de référence. Eleven : le cœur du produit ; la voix est choisie dans une bibliothèque.

• Appel d’outils — Ming : non décrit. Eleven : indiqué pour Max, pas pour Mini.

• Licence — Ming : MIT sur les poids. Eleven : un accord d’API commercial.

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.

Les deux chiffres, et pourquoi ils divergent dans des directions opposées

La mention « 99 % » sur la fiche ElevenLabs est presque certainement un 98,8 arrondi, issu d’une exécution d’Artificial Analysis publiée sur la page de tarification du fournisseur lui-même, avec la valeur de latence associée. C’est d’une transparence inhabituelle : la plupart des fournisseurs citent un benchmark choisi par le laboratoire qui a construit le modèle. Cela signifie aussi que les deux sources ne sont pas indépendantes — le fournisseur cite le tiers, et n’exécute pas un banc d’évaluation parallèle —, donc lorsqu’elles concordent, elles concordent par construction.

Le score de Ming est un cas différent. La fiche modèle d’octobre comportait une image d’évaluation affichant 99,40 sur « BigBenchAudio », à côté d’une image bien plus faible pour l’audio long. Le 99,8 d’aujourd’hui vient directement d’Artificial Analysis, et la fiche a été modifiée ce matin pour le reprendre. L’écart entre 99,40 et 99,8 n’est pas une correction ; ce sont deux exécutions d’un benchmark portant le même nom, avec des harnais, des prompts et des sous-ensembles d’éléments différents. Ni l’un ni l’autre n’est faux. Les deux sont le genre de chiffre qui bouge de quelques dixièmes quand les détails changent, ce qui explique pourquoi une avance d’un point en tête d’un tableau où 42 modèles se regroupent dans les années 90 ne constitue pas un rempart.

Ce que l’ordre du classement établit, c’est l’appartenance au groupe de tête. En raisonnement vocal, Ming-3.0-audio-flash à 99,8 et Eleven Realtime v1 Max à 98,8 sont séparés par un point et par rien d’autre que le tableau mesure. En temps jusqu’au premier audio, ils sont séparés par un facteur deux : 1,12 seconde contre 0,567. Pour un modèle qui doit répondre dans une pause conversationnelle, c’est le chiffre qui décide si le système semble vivant, et c’est le seul endroit où l’option d’apparence bon marché n’est pas de toute évidence la plus mauvaise.

Là où la comparaison échoue, et elle échoue sur la conversation

Le raisonnement sur la parole consiste en des questions à choix multiples diffusées en audio. Un agent vocal est un problème différent : savoir quand commencer à parler, quand rester silencieux pendant une pause, comment réagir à une interruption, s’il faut émettre un backchannel. Artificial Analysis mesure cela séparément sur Full Duplex Bench, et c’est la partie la moins symétrique de toute la confrontation.

Eleven Realtime v1 Max a un score publié au Full Duplex Bench de 0,941, avec la gestion des interruptions à 0,99, la gestion des tours de parole à 1,0, la gestion des pauses à 0,978 et les backchannels à 0,796. Il obtient aussi un score tau-voice de 0,578 sur des simulations de tâches dans les secteurs aérien, de la distribution et des télécommunications — un chiffre beaucoup moins flatteur, et un correctif utile pour quiconque interprète le 99 % comme un verdict général. Ming-3.0-audio-flash n'a pas de score Full Duplex Bench, pas de score tau-voice, et aucune mesure publiée de son comportement lorsque quelqu'un parle par-dessus. Ce n'est pas que le checkpoint échouerait à ces tests. C'est que personne ne les a exécutés, et la fiche modèle ne décrit pas les mécanismes qui leur donneraient un sens : la détection des tours de parole et le barge-in sont des éléments que l'on construit autour du modèle, pas des fonctionnalités qu'il fournit d'origine.

Cette asymétrie a une forme concrète. Choisir Eleven Realtime v1 Max vous offre une boucle conversationnelle déjà résolue, avec un score de réussite des tâches publié (bien que moyen). Choisir Ming-3.0-audio-flash vous offre une oreille exceptionnellement performante et une interface texte, et vous laisse la boucle — VAD, détection de fin de tour, gestion des interruptions, le tour LLM derrière la voix — à votre charge. Les deux produits ne sont pas substituables au même niveau, et une comparaison frontale sur la précision sous-entend discrètement qu’ils le sont.

L’arithmétique d’une heure, faite honnêtement

Une heure d’audio d’entrée en continu sur Eleven Realtime v1 Max est facturée à 0,08 $ la minute, soit 4,80 $, plus ce que consomme le LLM intégré. Le coût mesuré par Artificial Analysis par heure d’audio d’entrée pour le modèle est exactement de 4,80 $, ce qui corrobore la fiche tarifaire. À raison de 1 000 heures par mois, cela représente 4 800 $ avant les tokens du LLM et avant toute limite de concurrence, que la documentation indique pour TTS et STT, mais pas pour les agents vocaux Realtime.

Le côté Ming ne dispose pas d’un tel chiffre, donc toute comparaison exige une hypothèse, et cette hypothèse doit être visible. Le profil de service de référence 128K d’inclusionAI utilise le parallélisme tensoriel sur quatre H800 de 80 Go ; de longues entrées audio peuvent saturer leur mémoire (OOM) et forcer le repli sur huit GPU. À un tarif hypothétique de $2 par GPU-heure — une valeur de remplacement, pas un devis — quatre cartes coûtent $8 l’heure et huit coûtent $16, avant même de tenir compte du taux d’utilisation, du temps d’inactivité que comporte tout service toujours actif, et du coût d’un ingénieur pour l’exploiter. À pleine capacité, la configuration à quatre GPU est compétitive avec $4.80 l’heure. À dix pour cent de capacité, elle n’est plus comparable.

C’est tout l’argumentaire sur les coûts, et il repose sur le taux d’utilisation plutôt que sur la tarification de l’un ou l’autre fournisseur. Une équipe disposant d’un trafic audio stable et à fort volume ainsi que d’une capacité GPU existante peut faire fonctionner les calculs. Une équipe qui teste une idée un mardi après-midi ne le peut pas, et ne devrait pas prétendre que le chiffre horaire qu’elle calcule à des niveaux de trafic de 3 h du matin signifie quoi que ce soit.

• Facturé à l’usage — Eleven Realtime v1 Max : 0,08 $/min, environ 4,80 $/heure, plus l’utilisation du LLM.

• Auto-hébergé — Ming-3.0-audio-flash : pas de grille tarifaire ; référence 4 × 80 Go H800, repli à 8 GPU.

• Coût marginal d'une heure supplémentaire — Eleven : 4,80 $. Ming : pratiquement nul jusqu'à saturation des cartes, puis une fonction en escalier.

• Coût de la première heure — Eleven : 4,80 $. Ming : le matériel, la stack de service et l’intégration.

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.'

C’est sur les langues que les fiches techniques induisent en erreur.

ElevenLabs annonce plus de 90 langues et le dit sérieusement sur toute la chaîne TTS et STT. Ming-3.0-audio-flash annonce le chinois et l’anglais, puis le nuance d’une manière qui compte davantage que le nombre : « y compris des accents et dialectes variés ». Le tableau d’octobre du fournisseur lui-même le confirme, avec des taux d’erreur sur les dialectes nettement meilleurs que ceux des modèles omni auxquels il les compare — hokkien à 12,84 contre 28,08 pour Qwen3.8-Omni Flash et 81,62 pour Gemini 3.8 Flash, shanghaïen à 11,15 contre 21,10 et 88,64. Si votre audio est du mandarin avec un accent régional, c’est une capacité qu’aucune comparaison du nombre de langues ne peut capturer, et la liste de plus de 90 langues d’ElevenLabs ne vous dit pas comment il se comporte en hokkien.

L'inverse est tout aussi vrai : si votre audio est en espagnol, en portugais, en japonais ou en arabe, Ming-3.0-audio-flash ne revendique absolument rien. Ce n'est pas une différence marginale en matière de couverture. C'est une partition quasi totale, et c'est le moyen le plus rapide de déterminer dans quelle colonne vous vous situez.

Les deux sur une même touche, pour la moitié qui est du texte

OrcaRouter ne sert pas Ming-3.0-audio-flash, et ne sert pas non plus Eleven Realtime v1 Max — il s'agit d'un checkpoint auto-hébergé et du produit temps réel d'un fournisseur, et ni l'un ni l'autre n'est un modèle pour lequel nous pouvons vous fournir un endpoint. Ce que nous servons, c'est le reste du pipeline que l'un ou l'autre implique. Un système vocal bâti sur un modèle audio auto-hébergé est essentiellement fait d'appels texte : le prompt qui indique au modèle audio quoi écouter, le parseur qui transforme son étiquette de langue délimitée par des tabulations en sortie structurée, le résumé rédigé à partir de la transcription, le routeur qui envoie un appel difficile vers un modèle plus puissant. Ceux-ci passent par plus de 200 modèles derrière une seule clé, à 0 % de marge, avec bascule automatique en cas de dégradation d'un fournisseur — ce qui permet de placer sans risque un modèle audio non éprouvé derrière une partie de votre trafic pendant que le reste continue de fonctionner.

Lequel choisir

Choisissez Eleven Realtime v1 Max si vous voulez un agent vocal ce mois-ci : plus de 90 langues, une boucle conversationnelle résolue, l’appel d’outils, un tarif à la minute publié et une session compatible avec OpenAI. Acceptez que son score d’achèvement des tâches tau-voice soit de 0,578, que son comportement de rétroaction (backchannel) soit le point le plus faible de son profil Full Duplex Bench, et que vous louiez une stack que vous ne pouvez pas inspecter.

Choisissez Ming-3.0-audio-flash si votre audio est en chinois ou en anglais, si vos cas difficiles concernent les accents ou les dialectes, si votre équipe peut faire tourner quatre GPU de 80 Go et une pile de service, et si vous êtes prêt à construire vous-même la couche conversationnelle. Acceptez que les chiffres publiés par le modèle lui-même montrent qu’il perd du terrain sur les longs enregistrements et la diarisation des locuteurs, que son délai jusqu’au premier audio est deux fois celui d’Eleven, et que son 99,8 est un rang dans un classement plutôt qu’une promesse concernant votre charge de travail.

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.

Et si la réponse est « un peu des deux » — un agent hébergé pour les langues qu’il couvre, un modèle auto-hébergé pour le trafic à forte composante d’accent —, ce n’est pas un compromis, c’est la forme que prennent réellement la plupart des systèmes vocaux en production. L’erreur, c’est de choisir sur les 99, parce qu’à ce bout du tableau, le chiffre a cessé de vous dire quoi que ce soit que vos propres enregistrements ne vous diraient pas plus vite.