Ming-3.0-tts vs ElevenLabs: Eleven v4 Memenangkan Arena dengan 140 Poin dan Kalah dalam Satu Uji yang Menentukan Apakah Teks Anda Dibaca dengan Benar

Minta sekelompok engineer voice-AI memilih antara Ming-3.0-tts dan Eleven v4, dan hampir selalu mereka akan memilih ElevenLabs, dan arena setuju dengan mereka: 1.328 Elo untuk Eleven v4 di Provider Voice berbanding 1.188 untuk model Ant Group, selisih 140 poin yang bukan kesalahan pembulatan, seri, atau artefak sementara dari jumlah suara. Lalu buka papan pengucapan, tempat lab yang sama menanyakan kepada peninjau manusia apakah setiap rentang yang disorot dalam kalimat bahasa Inggris diucapkan dengan benar, dan Ming-3.0-tts berada di 93,2% berbanding 91,7% milik Eleven v4 — peringkat pertama melawan peringkat ketiga. Model yang terdengar jelas lebih buruk bagi pendengar juga, menurut ukuran independen, lebih andal dalam mengucapkan kata-kata yang harus diucapkan secara persis. Kegagalan AI dan insiden agen yang terdokumentasi di balik rilis seperti ini dikumpulkan dalam the OrcaRouter AI Incident Archive di mana setiap entri membawa sumbernya sendiri, tingkat keparahan, nilai keyakinan, dan penanda diperdebatkan.

Itu bukan kontradiksi, dan memahami mengapa tidak demikian adalah seluruh nilai perbandingan ini. ElevenLabs menjual suara. Ming-3.0-tts adalah checkpoint yang Anda jalankan. Tumpang tindih tempat mereka benar-benar bersaing lebih sempit daripada yang disiratkan pemasaran kedua vendor, dan di dalam tumpang tindih itu jawabannya berubah tergantung jenis teks yang Anda berikan kepada mereka.

Apa yang sebenarnya dirilis oleh ElevenLabs

ElevenLabs kini mengoperasikan dua lini model terkini. Eleven v4 adalah model emotif dengan fidelitas tinggi: 90+ bahasa, batas 10.000 karakter per permintaan, dialog multi-pembicara, dan kloning suara yang dimulai dari paket Starter $6 untuk klon instan dan paket Creator $22 untuk klon profesional. Eleven v4 Turbo adalah saudara real-time-nya, dengan 90+ bahasa yang sama, latensi inferensi median yang dipublikasikan sekitar 100 milidetik tidak termasuk overhead aplikasi dan jaringan, serta harga API sekitar setengah dari v4. Penagihan berbasis kredit dengan satu kredit per karakter, dengan paket mulai dari gratis pada 10.000 kredit hingga $990 per bulan untuk enam juta; arena menormalisasi v4 menjadi $80 per juta karakter dan Turbo menjadi $40.

Ming-3.0-tts adalah objek yang sama sekali berbeda: checkpoint berlisensi MIT berukuran 2,96 GB dari tim inclusionAI milik Ant Group, dibangun di atas backbone Qwen2.5-0.5B dengan head patch diffusion-transformer, dirilis sebagai bobot pada 24 September 2026 dan baru dapat dijalankan ketika kode inferensinya tersedia di GitHub pada 19 Oktober. Model ini mencakup tujuh bahasa ditambah bahasa Sichuan dan Kanton, mengkloning suara dari audio referensi beserta transkripnya, merancang suara dari deskripsi teks, dan menerima 14 tag paralinguistik inline. Tidak ada endpoint hosting, tidak ada langganan, dan tidak ada meteran per karakter.

Lini model kedua ElevenLabs penting di sini dan jarang disebut dalam perbandingan: Eleven v3, dengan 1.072 Elo, masih dalam produksi, dan v3 Conversational dengan 1.062 untuk penggunaan waktu nyata. Tim yang memilih "ElevenLabs" sering kali memilih v3 karena lebih murah atau karena integrasi mereka sudah ada sebelum v4. Keduanya mendapat skor di bawah Ming-3.0-tts pada papan preferensi. Perbandingannya adalah dengan v4, dan v4 benar-benar berada di tingkat yang berbeda dari lini v3 yang dijalankan sebagian besar deployment yang ada.

Kesenjangan preferensi itu nyata, dan bukan di tempat yang Anda pikirkan.

• Elo Suara Penyedia — Ming-3.0-tts 1.188 (1.174–1.202) vs Eleven v4 1.328 (1.314–1.342). Eleven v4 berada di peringkat ke-2 dari 97; Ming ke-18. Eleven v4 Turbo memimpin papan peringkat dengan 1.330.

• Elo Suara Terkontrol, delapan suara kloning yang sama untuk setiap sistem — Ming-3.0-tts 1.068 (1.052–1.084) vs Eleven v4 1.156 (1.143–1.169) dan Turbo 1.158. Kesenjangan menyempit dari 140 menjadi 88 poin.

Baca ulang baris kedua. Ketika kedua sistem mengkloning suara yang sama, lebih dari setengah keunggulan ElevenLabs menguap. Provider Voice mengukur keseluruhan produk — katalog suara bawaannya, penyampaian default, pilihan prosodi yang dibuat vendor untuk Anda — dan ElevenLabs telah menghabiskan bertahun-tahun untuk katalog itu, sementara Ming menyediakan lima suara bahasa Inggris dibandingkan lebih dari seratus suara bahasa Mandarin. Controlled Voice menyingkirkan semua itu dan hanya menanyakan seberapa baik setiap sistem meniru suara yang diberikan kepadanya. ElevenLabs tetap menang dengan cukup jelas, tetapi selisihnya berbeda besarnya dan yang diukur adalah kompetensi yang berbeda.

For a team cloning its own brand voice, the 88-point number is the relevant one. Bagi tim yang mengkloning suara mereknya sendiri, angka 88 poin adalah angka yang relevan. Bagi tim yang ingin memilih suara dari katalog dan langsung merilisnya, angka 140 poin adalah yang relevan, dan angka itu mencerminkan keunggulan yang tidak bisa ditutup Ming tanpa membangun pustaka suara yang sama sekali belum ia tunjukkan tanda-tanda akan membangunnya.

Di mana peringkatnya terbalik

Papan penilaian pengucapan memberi bobot besar pada dua kategori, dan Ming-3.0-tts memenangkan keduanya secara mutlak.

• Mempertahankan Rangkaian Persis — kode, jalur, email, pengenal. Ming-3.0-tts 90.6%, peringkat pertama dari 31, dibandingkan dengan Eleven v4 pada 78.8% dan Eleven v4 Turbo pada 73.9%. Itu adalah selisih 12 poin pada kategori yang menentukan apakah nomor pesanan, jalur repositori, atau alamat email pelanggan tetap utuh.

• Memperluas Singkatan — angka, tanggal, satuan, notasi. Ming 96,5%, pertama dari 31, dibandingkan Eleven v4 pada 94,1% dan Turbo pada 91,9%.

Dan ketika ElevenLabs menang, ia menang dengan meyakinkan:

• Istilah Mandiri — nama merek, tempat, dan teknis. Eleven v4 93,2%, Ming 88,5%. Ming berada di peringkat ke-21 dari 31 di sini, yang merupakan baris paling penting dalam artikel ini bagi siapa pun yang memproduksi audio pemasaran atau dukungan berbahasa Inggris.

• Sesuai Konteks — heteronim seperti "wound." Eleven v4 94,1%, Ming 91,0%.

Jadi perpecahan dalam satu pengujian adalah: Ming membaca data Anda dengan benar tetapi salah melafalkan merek Anda; ElevenLabs membaca merek Anda dengan benar tetapi merusak pengenal Anda. Kedua kegagalan itu terdengar dan tidak satu pun muncul dalam pemungutan suara preferensi, karena pendengar yang tidak tahu pelafalan yang benar dari suatu istilah tidak punya cara untuk menandainya salah.

Agregat — 93,2 berbanding 91,7 — pada praktiknya adalah seri. Interval kepercayaannya saling tumpang tindih (91,5–94,9 untuk Ming, 90,0–93,4 untuk v4), ukuran sampelnya berbeda (1.800 span berbanding 2.051), dan keunggulan 1,5 poin pada papan peringkat 31 model bukanlah klaim yang layak dijadikan dasar keputusan. Yang layak dijadikan dasar adalah pemisahan per kategori, karena di situlah intervalnya terpisah.

Biaya, dikonversi secara jujur

ElevenLabs menagih satu kredit per karakter, dengan v4 pada tarif standar dan varian Turbo serta Flash pada setengah hingga satu kredit bergantung paket. Pada tabel paket yang dipublikasikan, biaya efektif TTS per menit sekitar $0.17–$0.36 bergantung tingkat, dan angka ternormalisasi arena adalah $80 per juta karakter untuk v4 dan $40 untuk Turbo.

Dihitung terhadap volume nyata: satu juta karakter kira-kira 20 jam ucapan jadi pada tempo narasi normal. Dengan $80, itu $4 per jam audio jadi, yang murah sampai tidak lagi — katalog berisi 5.000 deskripsi produk masing-masing 600 karakter adalah tiga juta karakter, atau $240 pada v4 dan $120 pada Turbo. Itu tagihan bulanan untuk operasi konten yang menghasilkan ulang naskahnya.

Ming-3.0-tts tidak memiliki harga per karakter karena tidak ada layanan hosted. Biayanya adalah waktu GPU pada laju terukur 44,3 karakter per detik, yang membuat satu juta karakter menjadi sekitar 6,3 jam generasi pada kartu kelas H800, ditambah waktu pemuatan. Apakah itu lebih murah daripada $80 sepenuhnya bergantung pada berapa yang sudah Anda bayar untuk komputasi dan berapa banyak waktu engineering yang dikonsumsi jalur self-hosted. Untuk satu deskripsi produk per bulan, ElevenLabs lebih murah dengan faktor yang membuat perbandingannya tidak masuk akal. Untuk regenerasi korpus besar setiap malam, perhitungannya berubah.

Ada opsi ketiga yang tidak akan disarankan oleh halaman harga kedua vendor mana pun, dan di sinilah lapisan routing membuktikan nilainya. OrcaRouter tidak menghosting Ming-3.0-tts dan tidak menyediakan ElevenLabs, jadi tidak ada pihak dalam perbandingan ini yang bisa dijangkau melalui kami; Ming berasal dari repositori Ant dan ElevenLabs dari API-nya sendiri. Yang kami sediakan adalah pratinjau G​emini T​TS dari G​oogle serta tts-1 dan gpt-4o-mini-tts dari O​penAI bersama lebih dari 200 model tekssemuanya dengan harga daftar penyedia tanpa tambahan markup, dengan failover otomatis antappenyedia di balik satu kunci. Jika suara adalah salah satu tahap dalam pipeline yang tahap-tahap sebelumnya berupa teks — peringkasan, penerjemahan, pembuatan skrip — itulah bagian yang terkonsolidasi hari ini, dan perubahan harga penyedia langsung berlaku pada hari yang sama, bukan pada pembaruan kontrak berikutnya.

Perbedaan rekayasa yang lebih menentukan daripada Elo

ElevenLabs memberi Anda permintaan, respons, batas konkurensi yang berkisar dari 2 pada tingkat gratis hingga 15 pada Scale, dan vendor yang merespons saat terjadi masalah. Ming-3.0-tts memberi Anda checkpoint 2,96 GB, image Docker yang menggunakan PyTorch 2.6 dan CUDA 12.4, kelas Python, dan tabel evaluasi Ant. Peta jalan repositori mencantumkan inferensi dipercepat vLLM-Omni sebagai selesai, tetapi laporan teknisnya masih belum dimulai.

Berikut dua fakta operasional, dan keduanya bukan hal kecil.

Pertama, Ming-3.0-tts memerlukan bentuk gelombang referensi dan transkripnya untuk kloning — argumen --prompt_wav_path dan --prompt_text dalam contoh milik repositori itu sendiri. ElevenLabs melakukan kloning dari sepuluh detik audio pada paket Starter ke atas, tanpa transkrip dan tanpa pipeline lokal. Jika alur kerja kloning Anda adalah "seorang pelanggan mengunggah memo suara," perbedaan itu adalah keputusan produk, bukan detail teknis.

Kedua, kemampuan di Ming adalah mode tugas, bukan sakelar yang dapat dikombinasikan. Dokumentasi Ant sendiri menyatakan bahwa kemampuan-kemampuan tersebut diekspos sebagai tugas terpisah dan tidak dapat digabungkan secara bebas, yang berarti permintaan yang menginginkan kloning plus emosi plus dialek belum tentu merupakan permintaan yang diterima model sebagai satu panggilan. ElevenLabs mengekspos emosi dan tag audio dalam permintaan yang sama dengan suara hasil kloning. Bagi agen yang membutuhkan ketiganya sekaligus, inilah kendala yang paling penting dan tidak muncul di papan peringkat mana pun.

Catatan tentang angka ElevenLabs mana yang dapat dipercaya

Halaman harga ElevenLabs mempromosikan v4 sebagai model terbaru dan paling emotif, sementara tabel perbandingannya masih mencantumkan v3, dan arena secara terpisah menilai v3, v3 Conversational, v4, dan v4 Turbo sebagai empat sistem berbeda dengan selisih 260 poin antara peringkat teratas dan terbawah. "ElevenLabs" bukan satu pesaing tunggal dalam perbandingan ini; ia adalah lini produk, dan selisih antara model terbaik dan terburuknya saat ini lebih besar daripada selisih antara Ming-3.0-tts dan salah satu dari keduanya. Perbandingan apa pun yang menggunakan satu angka untuk ElevenLabs berarti memilih angka yang menguntungkan atau merugikan vendor tersebut, tergantung angka mana yang dipilih.

Apa yang harus dilakukan, secara konkret

Jika audionya adalah percakapan yang berhadapan langsung dengan pelanggan — agen telepon, asisten interaktif, apa pun yang suku kata pertamanya harus terdengar saat seseorang sedang menunggu — gunakan Eleven v4 Turbo. Klaim latensinya dipublikasikan, tier konkurensinya dipublikasikan, dan Ming-3.0-tts sama sekali tidak memiliki jalur streaming.

Jika audionya adalah pemasaran berbahasa Inggris, narasi yang dipimpin merek, atau apa pun yang menjadikan kata benda diri sebagai inti kalimat, gunakan Eleven v4 dan anggarkan untuk kamus pengucapan. Angka 88,5% Ming pada istilah mandiri berada di peringkat 21 dari 31 dan itu akan terdengar pada nama merek pertama.

Jika audionya bersifat operasional — konfirmasi pesanan, pembacaan teknis secara lisan, pelatihan internal, apa pun yang padat dengan pengenal, satuan, dan notasi — Ming-3.0-tts adalah instrumen yang lebih baik dan tidak terlalu dekat pada dua kategori yang mencakup rentang tersebut. Ini juga satu-satunya dari keduanya yang dapat Anda pertahankan jika vendor mengubah ketentuannya, karena MIT tidak kedaluwarsa.

Yang akan mengubah jawabannya adalah hal yang sama seperti selama sebulan terakhir: Ant masih belum menerbitkan laporan teknis, dan Ming masih belum memiliki endpoint yang dihosting. Begitu salah satunya terwujud, selisih 88 poin pada suara terkontrol adalah angka yang perlu diukur ulang, karena itulah yang paling mendekati apa yang benar-benar akan dialami oleh sebuah tim yang mengkloning suaranya sendiri.