Ming-3.0-tts vs ElevenLabs : Eleven v4 remporte l’Arène avec 140 points d’avance et échoue au seul test qui détermine si votre texte est lu correctement

Demandez à une salle d'ingénieurs en voix-IA de choisir entre Ming-3.0-tts et Eleven v4 et vous obtiendrez ElevenLabs presque à chaque fois, et l'arène leur donne raison : 1 328 Elo pour Eleven v4 sur Provider Voice contre 1 188 pour le modèle d'Ant Group, un écart de 140 points qui n'est ni une erreur d'arrondi, ni une égalité, ni un artefact temporaire des décomptes de votes. Ouvrez ensuite le tableau de prononciation, où le même laboratoire demande à des évaluateurs humains si chaque segment surligné d'une phrase anglaise a été prononcé correctement, et Ming-3.0-tts se situe à 93,2 % contre 91,7 % pour Eleven v4 — première place contre troisième. Un modèle qui sonne sensiblement moins bien aux oreilles des auditeurs est aussi, selon une mesure indépendante, plus fiable pour prononcer exactement les mots qui doivent l'être. Les défaillances et incidents d'agents IA documentés qui sous-tendent des publications comme celle-ci sont recueillis dans l'OrcaRouter AI Incident Archive, où chaque entrée comporte ses propres sources, un niveau de gravité, une note de confiance et un indicateur de contestation.

Ce n’est pas une contradiction, et comprendre pourquoi il n’y en a pas là est toute la valeur de cette comparaison. ElevenLabs vend une voix. Ming-3.0-tts est un checkpoint que vous exécutez. La zone de recouvrement où ils sont réellement en concurrence est plus étroite que ne le laisse entendre le marketing de l’un ou l’autre fournisseur, et à l’intérieur de cette zone, la réponse change selon le type de texte que vous leur fournissez.

Ce qu'ElevenLabs livre réellement

ElevenLabs exploite désormais deux gammes de modèles actuelles. Eleven v4 est le modèle émotif à haute fidélité : plus de 90 langues, une limite de 10 000 caractères par requête, le dialogue multi-locuteurs et le clonage vocal disponible dès l'offre Starter à 6 $ pour les clones instantanés et l'offre Creator à 22 $ pour les clones professionnels. Eleven v4 Turbo est le pendant temps réel, avec les mêmes 90 langues et plus, une latence d'inférence médiane publiée d'environ 100 millisecondes hors surcoût applicatif et réseau, et une tarification API à environ la moitié de celle de v4. La tarification repose sur des crédits, à raison d'un crédit par caractère, avec des formules allant de la gratuité à 10 000 crédits jusqu'à 990 $ par mois pour six millions ; l'arène normalise v4 à 80 $ par million de caractères et Turbo à 40 $.

Ming-3.0-tts est un tout autre objet : un checkpoint de 2,96 Go sous licence MIT de l’équipe inclusionAI d’Ant Group, construit sur une base Qwen2.5-0.5B avec une tête de patch diffusion-transformer, publié sous forme de poids le 24 septembre 2026 et devenu exécutable lorsque le code d’inférence a été mis en ligne sur GitHub le 19 octobre. Il couvre sept langues, plus le sichuanais et le cantonais, clone une voix à partir d’un audio de référence et de sa transcription, conçoit des voix à partir de descriptions textuelles et accepte 14 balises paralinguistiques intégrées. Aucun point de terminaison hébergé, aucun abonnement, aucune facturation au caractère.

La deuxième gamme de modèles d'ElevenLabs compte ici et est rarement mentionnée dans les comparaisons : Eleven v3, à 1,072 Elo, toujours en production, et v3 Conversational, à 1,062 pour un usage en temps réel. Une équipe qui choisit « ElevenLabs » choisit souvent v3 parce que c'est moins cher ou parce que son intégration est antérieure à v4. Les deux obtiennent un score inférieur à Ming-3.0-tts sur le tableau de préférences. La comparaison porte sur v4, et v4 appartient à une catégorie véritablement différente de la gamme v3 que font tourner la plupart des déploiements existants.

L’écart de préférences est bien réel, et il n’est pas là où vous le pensez.

• Elo des voix du fournisseur — Ming-3.0-tts 1 188 (1 174–1 202) contre Eleven v4 1 328 (1 314–1 342). Eleven v4 est 2e sur 97 ; Ming est 18e. Eleven v4 Turbo mène le classement avec 1 330.

• Elo vocal contrôlé, les mêmes huit voix clonées pour chaque système — Ming-3.0-tts 1 068 (1 052–1 084) vs Eleven v4 1 156 (1 143–1 169) et Turbo 1 158. L’écart se resserre de 140 à 88 points.

Relisez la deuxième ligne. Lorsque les deux systèmes clonent la même voix, plus de la moitié de l’avantage d’ElevenLabs s’évapore. Provider Voice mesure l’ensemble du produit — le catalogue de voix natives, le rendu par défaut, les choix de prosodie qu’un fournisseur a faits pour vous — et ElevenLabs a consacré des années à ce catalogue, tandis que Ming propose cinq voix anglaises, contre plus d’une centaine en chinois. Controlled Voice écarte ces éléments et mesure uniquement la fidélité avec laquelle chaque système imite une voix qui lui a été fournie. ElevenLabs gagne toujours, confortablement, mais l’écart est d’une autre ampleur, et c’est une compétence différente qui est mesurée.

Pour une équipe qui clone sa propre voix de marque, le chiffre de 88 points est celui qui compte. Pour une équipe qui veut choisir une voix dans un catalogue et la déployer, c’est le chiffre de 140 points qui compte, et il reflète un avantage que Ming ne peut pas combler sans construire une bibliothèque de voix dont Ming n’a montré aucun signe de construction.

Là où le classement s’inverse

Le classement de prononciation accorde un poids important à deux catégories, et Ming-3.0-tts les remporte toutes les deux haut la main.

• Préservation des séquences exactes — codes, chemins, e-mails, identifiants. Ming-3.0-tts 90,6 %, premier sur 31, contre Eleven v4 à 78,8 % et Eleven v4 Turbo à 73,9 %. Soit un écart de 12 points sur la catégorie qui détermine si un numéro de commande, un chemin de référentiel ou une adresse e-mail client ressort intact.

Développer les abréviations — nombres, dates, unités, notation. Ming 96,5 %, premier sur 31, contre Eleven v4 à 94,1 % et Turbo à 91,9 %.

Et là où ElevenLabs l'emporte, elle l'emporte nettement :

• Termes autonomes — noms de marque, de lieu et termes techniques. Eleven v4 93,2 %, Ming 88,5 %. Ming se classe 21e sur 31 ici, ce qui constitue la phrase la plus importante de cet article pour quiconque produit de l’audio marketing ou d’assistance en anglais.

• Contextuellement approprié — les hétéronymes comme « wound ». Eleven v4 94,1 %, Ming 91,0 %.

Ainsi, la répartition au sein d’un même test est la suivante : Ming lit correctement vos données et prononce mal votre marque ; ElevenLabs lit correctement votre marque et massacre vos identifiants. Les deux défaillances sont audibles et aucune n’apparaît dans un vote de préférence, car un auditeur qui ne connaît pas la prononciation correcte d’un terme n’a aucun moyen de le signaler comme erroné.

L’agrégat — 93,2 contre 91,7 — équivaut en pratique à une égalité. Les intervalles de confiance se chevauchent (91,5–94,9 pour Ming, 90,0–93,4 pour v4), les tailles d’échantillon diffèrent (1 800 spans contre 2 051), et une avance de 1,5 point sur un classement de 31 modèles ne constitue pas une affirmation sur laquelle il vaut la peine de fonder une décision. Ce sur quoi il vaut la peine de s’appuyer, c’est la répartition par catégorie, car c’est là que les intervalles se séparent.

Coût, converti honnêtement

ElevenLabs facture un crédit par caractère, avec v4 au tarif standard et les variantes Turbo et Flash à entre un demi et un crédit selon le forfait. Dans le tableau des forfaits publié, le coût effectif par minute de la TTS s’établit autour de 0,17–0,36 $ selon le niveau, et le chiffre normalisé de l’arena est de 80 $ par million de caractères pour v4 et de 40 $ pour Turbo.

À l’échelle d’un volume réel : un million de caractères représente environ 20 heures de parole finalisée à un rythme de narration normal. À 80 $, cela revient à 4 $ par heure d’audio finalisé, ce qui est bon marché jusqu’à ce que ça ne le soit plus — un catalogue de 5 000 descriptions produit de 600 caractères chacune représente trois millions de caractères, soit 240 $ sur v4 et 120 $ sur Turbo. C’est une facture mensuelle pour une activité de contenu qui régénère ses textes.

Ming-3.0-tts n’a pas de tarif au caractère, car il n’existe pas de service hébergé. Le coût correspond au temps GPU, au débit mesuré de 44,3 caractères par seconde, ce qui place un million de caractères à environ 6,3 heures de génération sur une carte de classe H800, plus le chargement. Savoir si cela est plus avantageux que 80 $ dépend entièrement de ce que vous payez déjà pour le calcul et du temps d’ingénierie que consomme la voie auto-hébergée. Pour une seule description de produit par mois, ElevenLabs est moins cher dans une proportion qui rend la comparaison absurde. Pour une régénération nocturne d’un grand corpus, l’arithmétique change.

Il existe une troisième option que la page tarifaire d'aucun des deux fournisseurs ne suggérera, et c'est là qu'une couche de routage justifie son utilité. OrcaRouter n'héberge pas Ming-3.0-tts et ne propose pas ElevenLabs ; aucun des deux camps de cette confrontation n'est donc accessible via nous ; Ming provient du dépôt d'Ant et ElevenLabs de sa propre API. Ce que nous proposons, ce sont les aperçus TTS de Gemini de Google et tts-1 et gpt-4o-mini-tts d'OpenAI, aux côtés de plus de 200 modèles de texte, tous au prix catalogue du fournisseur, sans marge ajoutée, avec un basculement automatique entre fournisseurs derrière une seule clé. Si la voix n'est qu'une étape d'un pipeline dont les étapes précédentes sont du texte — résumé, traduction, génération de script —, c'est la partie qui se consolide dès aujourd'hui, et un changement de prix d'un fournisseur s'applique le jour même plutôt qu'à la prochaine renégociation de contrat.

La différence d’ingénierie qui détermine plus que l’Elo

ElevenLabs vous donne une requête, une réponse, une limite de concurrence qui passe de 2 avec l’offre gratuite à 15 avec Scale, et un fournisseur qui répond quand ça casse. Ming-3.0-tts vous donne un checkpoint de 2,96 Go, une image Docker utilisant PyTorch 2.6 et CUDA 12.4, une classe Python et les tableaux d’évaluation d’Ant. La feuille de route du dépôt indique l’inférence accélérée vLLM-Omni comme terminée, mais le rapport technique comme encore non commencé.

Deux faits opérationnels suivent, et ils ne sont pas anodins.

Premièrement, Ming-3.0-tts nécessite une forme d'onde de référence et sa transcription pour le clonage — les --prompt_wav_path et --prompt_text arguments dans l'exemple du dépôt lui-même. ElevenLabs clone à partir de dix secondes d'audio dès l'offre Starter, sans transcription ni pipeline local. Si votre flux de clonage consiste à « un client téléverse un mémo vocal », cette différence relève d'une décision produit plutôt que d'un détail technique.

Deuxièmement, dans Ming, les capacités sont des modes de tâche, et non des commutateurs composables. La documentation d’Ant elle-même indique que les aptitudes sont exposées sous forme de tâches distinctes et ne peuvent pas être librement combinées, ce qui signifie qu’une requête qui veut du clonage, plus de l’émotion, plus un dialecte n’est pas nécessairement une requête que le modèle accepte en un seul appel. ElevenLabs expose l’émotion et les balises audio dans la même requête que la voix clonée. Pour un agent qui a besoin des trois à la fois, c’est la contrainte qui compte le plus, et elle n’apparaît sur aucun classement.

Une note sur le numéro ElevenLabs auquel se fier

La page tarifaire d'ElevenLabs met en avant v4 comme son modèle le plus récent et le plus expressif, tandis que son tableau comparatif liste encore v3, et l’arène note séparément v3, v3 Conversational, v4 et v4 Turbo comme quatre systèmes distincts, avec un écart de 260 points entre le premier et le dernier. « ElevenLabs » n’est pas un concurrent unique dans cette comparaison ; c’est une gamme de produits, et l’écart entre son meilleur et son pire modèle actuel est plus grand que l’écart entre Ming-3.0-tts et l’un ou l’autre. Toute comparaison qui utilise un seul chiffre pour ElevenLabs choisit un chiffre qui flatte ou pénalise le fournisseur selon celui qu’elle a retenu.

Que faire, concrètement

Si l’audio est une conversation destinée aux clients — un agent téléphonique, un assistant interactif, tout cas où la première syllabe arrive pendant que quelqu’un attend — utilisez Eleven v4 Turbo. La promesse de latence est publiée, les paliers de concurrence sont publiés, et Ming-3.0-tts n’a aucune voie de streaming du tout.

Si l’audio est du marketing en anglais, une narration portée par la marque, ou tout contenu où un nom propre est l’élément central de la phrase, utilisez Eleven v4 et prévoyez un budget pour le dictionnaire de prononciation. Le score de 88,5 % de Ming sur les termes isolés le classe 21e sur 31, et cela s’entendra dès le premier nom de marque.

Si l’audio est opérationnel — confirmations de commande, lecture technique à voix haute, formation interne, tout ce qui est dense en identifiants, unités et notation — Ming-3.0-tts est le meilleur instrument, et l’écart n’est pas particulièrement serré sur les deux catégories qui couvrent ces segments. C’est aussi le seul des deux que vous pouvez conserver si un fournisseur modifie ses conditions, car MIT n’expire pas.

Ce qui changerait la réponse, c'est la même chose que depuis un mois : Ant n'a toujours pas publié de rapport technique, et Ming n'a toujours pas de point de terminaison hébergé. Dès que l'un ou l'autre se concrétisera, l'écart de 88 points sur la voix contrôlée est le chiffre à remesurer, car c'est celui qui est le plus proche de ce qu'une équipe qui clone sa propre voix vivra réellement.