כרטיס כותרת שנוצר ועליו כתוב ״שני 99, שני חיובים שונים לחלוטין״, עם כתובית שמציינת את Ming-3.0-audio-flash מול Eleven Realtime v1 Max. שלוש שורות ממוספרות מציינות ״Ming-3.0-audio-flash: משקלים פתוחים של 126B, 4 עד 8 כרטיסי H800, ללא מחירון״, ״Eleven Realtime v1 Max: $0.08 לדקה בתוספת שימוש ב-LLM, יותר מ-90 שפות״ ו״דיוק 99.8% לעומת 98.8%, זמן עד לאודיו הראשון 1.12 שניות לעומת 0.57 שניות״. הכיתוב בתחתית מציין ״הדיוק והשהיה לפי Artificial Analysis; המחיר של Eleven לפי עמוד התמחור של ה-API שלה.״
Guides & Insights

Ming-3.0-audio-flash לעומת Eleven Realtime v1 Max: שני 99, רק אחד מהם עולה $0.08 לדקה

מחבר

jinhao.song

תאריך פרסום

מודלים אחרונים · 20צפו בכל המודלים →
בנצ'מרקים: Artificial Analysis · מתעדכן יומית
חזרה לכל הפוסטים

Ming-3.0-audio-flash וEleven Realtime v1 Max שניהם טוענים לציון הסקה בדיבור של כ-99%, והדמיון נגמר ברגע שמסתכלים על איך נוצר כל מספר. ElevenLabs מציגה "99% בהסקה בדיבור, 570ms עד לאודיו הראשון" בכרטיס התמחור שלה עבור Realtime v1 Max; Artificial Analysis מודדת את אותו מודל ב-98.8% וב-0.567 שניות. הכרטיס של inclusionAI טוען ל-99.40 ב-BigBenchAudio עבור Ming-3.0-audio-flash; Artificial Analysis מודדת 99.8% ב-Big Bench Audio וב-1.12 שניות. ספק אחד הציג את המודל שלו כנמוך יותר בשל שלב עיגול, והאחר הציג את שלו כנמוך יותר בארבע עשיריות. שניהם קרובים מספיק כדי להיות אמינים, ואף אחד מהם אינו המספר שעליו כדאי לקבל החלטה.

מספר ההחלטה שונה לכל אחד. עבור Eleven Realtime v1 Max זה $0.08 לדקה בתוספת שימוש ב-LLM, שהם בערך $4.80 לשעה של אודיו קלט בקצב שנמדד על ידי Artificial Analysis. עבור Ming-3.0-audio-flash מדובר בארבעה H800s בנפח 80 GB, כי אין מחירון בכלל — זהו צ'קפוינט Mixture-of-Experts עם 126 מיליארד פרמטרים ברישיון MIT שאותו מורידים ומשרתים. כל השאר בהשוואה הזו נובע מהפיצול הזה: האחד הוא מנוי לסוכן קולי, והאחר הוא מכונה שבבעלותכם.

מה כל אחד הוא בפועל

Eleven Realtime v1 Max אינו מודל במובן של צ'קפוינט. התיעוד מתאר כל מודל Realtime כסוכן קולי שלם — זיהוי דיבור, זיהוי פעילות דיבור ותורות שיחה, מודל שפה (LLM) והמרת טקסט לדיבור — ארוז כך שתבחרו בו במקום להרכיב אותו. Max ממוצב למענה מדויק ומהורהר במשימות מרובות-שלבים, והוא היחיד מבין שני מודלי ה-Realtime שמציין קריאה לכלים. הוא דובר יותר מ-90 שפות, נגיש דרך Realtime API תואם OpenAI, ומעבר בין Max לאחיו הקטן יותר הוא שינוי בבחירת מודל ולא בנייה מחדש.

Ming-3.0-audio-flash הוא הסדר ההפוך. מקודד אודיו ופרויקטור מזינים עמוד שדרה לשוני של תערובת מומחים; הקלטים הם אודיו בתוספת הוראת טקסט; הפלטים הם טקסט, או טקסט עם דיבור מסונתז דרך Talker אופציונלי. אין זיהוי תורות מובנה, אין ניהול סשנים, ואין שכבת קריאה לכלים המתוארת בכרטיס. מה שהכרטיס כן טוען הוא רוחב בצד הקלט: סינית ואנגלית כולל מבטאים וניבים, צליל לא-דיבור, סצנות אקוסטיות, מוזיקה והקלטות ארוכות.

• פרמטרים — Ming-3.0-audio-flash: 126B בסך הכול, 6.5B פעילים בכל שלב. Eleven Realtime v1 Max: לא נחשף.

• צורה — Ming: צ'קפוינט שאתה מגיש. Eleven: סוכן מתארח שאתה בוחר.

• הקשר — Ming: 131,072 טוקנים שהוצהרו בקונפיגורציה. Eleven: לא פורסם; הסשן הוא היחידה, לא חלון הטוקנים.

• שפות — Ming: סינית ואנגלית. Eleven: 90+ לפי רשימת השפות של Eleven v4.

• פלט קולי — Ming: אופציונלי, דרך ה-Talker, עם קולות מובנים וקולות ייחוס. Eleven: הליבה של המוצר; הקול נבחר מתוך ספרייה.

• קריאה לכלים — Ming: לא מתואר. Eleven: רשום עבור Max, לא עבור Mini.

• רישיון — Ming: MIT על המשקלים. Eleven: הסכם API מסחרי.

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.

שני המספרים, ומדוע הם חלוקים בכיוונים מנוגדים

ה־"99%" בכרטיס של ElevenLabs הוא כמעט בוודאות 98.8 מעוגל מתוצאה של הרצה של Artificial Analysis, שפורסמה בעמוד התמחור של הספק עצמו יחד עם נתון השהיה. זה גילוי לב יוצא דופן: רוב הספקים מצטטים מדד ביצועים שהמעבדה שבנתה את המודל בחרה. זה גם אומר ששני המקורות אינם בלתי־תלויים — הספק מצטט את הצד השלישי, ולא מריץ מערך בדיקות מקביל — ולכן כשהם מסכימים, הם מסכימים מכוח הבנייה.

הנתון של מינג הוא מקרה אחר. כרטיס המודל מאוקטובר נשא תמונת הערכה שהציגה 99.40 ב-"BigBenchAudio" לצד תמונה חלשה בהרבה של אודיו ארוך. ה-99.8 של היום מגיע ישירות מ-Artificial Analysis, והכרטיס נערך הבוקר כדי לצטט אותו. הפער בין 99.40 ל-99.8 אינו תיקון; אלו שתי הרצות של מבחן בעל אותו שם עם מערכי בדיקה, הנחיות ותת-קבוצות פריטים שונים. אף אחד מהם אינו שגוי. שניהם מסוג המספרים שזזים בעשיריות כאשר הפרטים משתנים, ולכן יתרון של נקודה אחת בראש טבלה שבה 42 מודלים מתקבצים בשנות התשעים אינו חפיר.

מה שסדר טבלת המובילים כן קובע הוא השתייכות לקבוצה העליונה. בהסקה דיבורית, Ming-3.0-audio-flash עם 99.8 ו-Eleven Realtime v1 Max עם 98.8 מופרדים בנקודה אחת, ושום דבר אחר שהטבלה מודדת. בזמן עד לאודיו הראשון הם מופרדים בגורם של שניים: 1.12 שניות לעומת 0.567. עבור מודל שצריך לענות בתוך הפוגה שיחתית, זה המספר שמכריע אם המערכת מרגישה חיה, וזה המקום היחיד שבו האפשרות הזולה למראה אינה בבירור הגרועה יותר.

במקום שבו ההשוואה נשברת, והיא נשברת בשיחה

הסקת דיבור היא שאלות אמריקאיות המועברות כאודיו. סוכן קולי הוא בעיה אחרת: לדעת מתי להתחיל לדבר, מתי לשתוק לאורך הפסקה, איך להתמודד עם קטיעה והאם להשמיע תגובת האזנה. Artificial Analysis מודדת זאת בנפרד ב־Full Duplex Bench, וזה החלק הפחות סימטרי בכל ההתמודדות.

ל-Eleven Realtime v1 Max יש ציון Full Duplex Bench שפורסם של 0.941, עם טיפול בהפרעות של 0.99, חילופי תורות של 1.0, טיפול בהפוגות של 0.978 ובקאצ'אנלים של 0.796. יש לו גם ציון tau-voice של 0.578 בסימולציות משימות בתחומי תעופה, קמעונאות ותקשורת — מספר הרבה פחות מחמיא, ותיקון מועיל למי שקורא את ה-99% כפסק דין כללי. ל-Ming-3.0-audio-flash אין ציון Full Duplex Bench, אין ציון tau-voice, ואין מדידה שפורסמה של האופן שבו הוא מתנהג כשמישהו מדבר מעליו. זה לא שה-checkpoint ייכשל במבחנים האלה. זה שאף אחד לא הרץ אותם, וכרטיס המודל לא מתאר את המנגנון שיהפוך אותם למשמעותיים: זיהוי תורות והתפרצות לדיבור הם דברים שבונים סביבו, לא דברים שהוא מגיע איתם.

לאי-הסימטריה הזו יש צורה מעשית. בחירה ב-Eleven Realtime v1 Max קונה לך לולאת שיחה פתורה, עם ציון השלמת משימות מפורסם (אם כי בינוני). בחירה ב-Ming-3.0-audio-flash קונה לך אוזן חזקה באופן יוצא דופן וממשק טקסט, ומשאירה את הלולאה — VAD, endpointing, טיפול בהפרעות, ותור ה-LLM שמאחורי הקול — כעבודה שלך. שני המוצרים אינם תחליפים באותה שכבה, והשוואה ישירה על דיוק מרמזת בשקט שהם כן.

האריתמטיקה של שעה, שנעשתה ביושר

שעה של אודיו קלט רציף ב-Eleven Realtime v1 Max מחויבת ב-0.08 דולר לדקה, שהם 4.80 דולר, בתוספת כל מה שה-LLM המצורף צורך. העלות הנמדדת של Artificial Analysis לשעת אודיו קלט עבור המודל היא בדיוק 4.80 דולר, מה שמאשש את כרטיס התמחור. ב-1,000 שעות בחודש מדובר ב-4,800 דולר לפני טוקנים של LLM ולפני מגבלות מקביליות כלשהן, שהתיעוד מפרט עבור TTS ו-STT אך לא עבור סוכני קול Realtime.

לצד Ming אין מספר כזה, ולכן כל השוואה מחייבת הנחה, וההנחה צריכה להיות גלויה. פרופיל השירות המוזכר של inclusionAI בגודל 128K משתמש בקבילות טנזורית על פני ארבעה H800s של 80 GB; קלטי שמע ארוכים עלולים לגרום ל-OOM בו ולאלץ את מסלול הגיבוי של שמונה GPUs. בתעריף היפותטי של $2 לשעת GPU — מספר ממלא מקום, לא הצעת מחיר — ארבעה כרטיסים עולים $8 לשעה ושמונה עולים $16, ושניהם לפני ניצול, לפני זמן הסרק שכל שירות תמיד-פעיל נושא, ולפני מהנדס שיתפעל אותו. בניצול מלא, תצורת ארבעת ה-GPUs תחרותית מול $4.80 לשעה. בניצול של עשרה אחוזים, היא בכלל לא באותה שיחה.

זה כל טיעון העלות, והוא תלוי בניצול ולא בתמחור של אף אחד מהספקים. צוות עם תעבורת אודיו יציבה בנפח גבוה וכושר GPU קיים יכול לגרום לחשבון להסתדר. צוות שבוחן רעיון ביום שלישי אחר הצהריים לא יכול, ולא צריך להעמיד פנים שנתון העלות לשעה שהוא מחשב ברמות תעבורה של 3 לפנות בוקר אומר משהו.

• מדוד — Eleven Realtime v1 Max: $0.08 לדקה, כ-$4.80 לשעה, בתוספת שימוש ב-LLM.

• באירוח עצמי — Ming-3.0-audio-flash: אין מחירון; 4 × 80 GB H800 כהפניה, חלופת 8-GPU.

• עלות שולית של שעה נוספת — Eleven: $4.80. Ming: אפס למעשה עד שהכרטיסים מגיעים לרוויה, ואז פונקציית מדרגה.

• עלות השעה הראשונה — Eleven: $4.80. Ming: החומרה, מערכת ההגשה והאינטגרציה.

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.'

השפות הן התחום שבו גיליונות המפרט מטעים.

ElevenLabs מציינת 90+ שפות ומתכוונת לכך בכל מחסנית ה-TTS וה-STT. Ming-3.0-audio-flash מציין סינית ואנגלית, ואז מסייג זאת באופן שחשוב יותר מהמספר: "כולל מבטאים ודיאלקטים מגוונים". טבלת אוקטובר של הספק עצמו מגבה זאת עם שיעורי שגיאה בדיאלקטים שנמוכים באופן דרמטי מאלה של מודלי ה-omni שאיתם היא משווה — הוקיין ב-12.84 לעומת 28.08 עבור Qwen3.8-Omni Flash ו-81.62 עבור Gemini 3.8 Flash, שנגחאי ב-11.15 לעומת 21.10 ו-88.64. אם האודיו שלך הוא מנדרינית עם מבטא אזורי, זו יכולת שאף השוואת מספר שפות לא לוכדת, ורשימת ה-90+ של Eleven לא מספרת לך איך היא מתמודדת עם הוקיין.

ההפך נכון באותה המידה: אם האודיו שלכם הוא ספרדית, פורטוגזית, יפנית או ערבית, ל-Ming-3.0-audio-flash אין שום כיסוי כלל. זה לא מקרה גבולי מבחינת כיסוי. זהו חלוקה כמעט מוחלטת, וזו הדרך המהירה ביותר להחליט באיזו עמודה אתם נמצאים.

שניהם על מקש אחד, עבור החצי שהוא טקסט

OrcaRouter אינו מספק את Ming-3.0-audio-flash, והוא גם לא מספק את Eleven Realtime v1 Max — אלה הם צ'קפוינט ב-self-hosting ומוצר realtime של הספק עצמו, ואף אחד מהם אינו מודל שאנחנו יכולים לספק לכם נקודת קצה עבורו. מה שכן אנחנו מספקים הוא שאר הצינור שכל אחד מהם מרמז עליו. מערכת קולית שנבנית על מודל אודיו ב-self-hosting היא בעיקר קריאות טקסט: הפרומפט שאומר למודל האודיו למה להקשיב, המפענח שהופך את תווית השפה המופרדת בטאבים שלו לפלט מובנה, הסיכום שנכתב מהתמלול, והראוטר ששולח קריאה קשה למודל חזק יותר. אלה עוברים דרך למעלה מ-200 מודלים מאחורי מפתח אחד, ב-0% תוספת מחיר, עם מעבר אוטומטי לגיבוי כשספק נחלש — וזה מה שהופך את זה לבטוח להעמיד מודל אודיו לא מוכח מאחורי חלק מהתעבורה שלכם בזמן שהשאר ממשיך לעבוד.

איזה אחד לבחור

קח את {{1}}Eleven Realtime v1 Max{{/1}} אם אתה רוצה סוכן קולי החודש: {{2}}90+ שפות{{/2}}, לופ שיחתי פתור, קריאה לכלים, מחיר מפורסם לדקה וסשן תואם OpenAI. קבל את העובדה שציון השלמת המשימות שלה ב-tau-voice הוא {{3}}0.578{{/3}}, שהתנהגות הבקלוץ' שלה היא החלק החלש ביותר בפרופיל ה-Full Duplex Bench שלה, ושאותה אתה שוכר סטאק שאינך יכול לבדוק.

בחר ב-Ming-3.0-audio-flash אם האודיו שלך הוא בסינית או באנגלית, המקרים הקשים שלך הם מבטאים או ניבים, הצוות שלך יכול להריץ ארבעה כרטיסי GPU של 80 GB ומערכת הגשה, ואתה מוכן לבנות את שכבת השיחה בעצמך. קבל את העובדה שהמספרים שפרסם המודל בעצמו מראים שהוא מאבד קרקע בהקלטות ארוכות ובהפרדת דוברים, שזמן האודיו הראשון שלו כפול מזה של Eleven, ושהמספר 99.8 הוא דירוג בטבלת המובילים ולא הבטחה לגבי עומס העבודה שלך.

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.

ואם התשובה היא "קצת מזה וקצת מזה" — סוכן מתארח עבור השפות שהוא מכסה, ומודל באחסון עצמי עבור התעבורה עתירת המבטאים — זו אינה פשרה, זו הצורה שרוב מערכות הדיבור בסביבת ייצור מקבלות בפועל. הטעות היא לבחור לפי אחוזוני ה-99, כי בקצה הזה של הטבלה המספר כבר הפסיק לספר לך משהו שההקלטות שלך עצמך לא היו מספרות לך מהר יותר.