「2つの99、まったく異なる2つの請求額」と表示される生成タイトルカードで、サブタイトルにはMing-3.0-audio-flashとEleven Realtime v1 Maxを対比させて記載。3つの番号付き行には「Ming-3.0-audio-flash:126Bのオープンウェイト、H800を4~8台、料金表なし」「Eleven Realtime v1 Max:1分あたり0.08ドル+LLM利用料、90以上の言語」「精度99.8% vs 98.8%、最初の音声までの時間1.12秒 vs 0.57秒」と記載。フッターには「精度とレイテンシはArtificial Analysisによる。Elevenの価格は同社のAPI料金ページによる。」と記載。
Guides & Insights

Ming-3.0-audio-flash 対 Eleven Realtime v1 Max:2つの「99」、1分$0.08なのはそのうち1つだけ

著者

jinhao.song

公開日

最新モデル · 20すべてのモデルを見る →
ベンチマーク:Artificial Analysis · 毎日更新
すべての記事に戻る

Ming-3.0-audio-flashとEleven Realtime v1 Maxはどちらも音声推論スコアが約99%だと主張しているが、その類似性は、それぞれの数値がどのように算出されたかを見た瞬間に終わる。ElevenLabsはRealtime v1 Maxの自社の料金表に「音声推論で99%、最初の音声が出るまでの時間570ms」と記載している。Artificial Analysisが同じモデルを測定した値は98.8%、0.567秒だ。inclusionAIのカードはMing-3.0-audio-flashについてBigBenchAudioで99.40だと主張している。Artificial Analysisの測定値はBig Bench Audioで99.8%、1.12秒だ。一方のベンダーは自社モデルを丸めの一段階分だけ低く見積もり、もう一方は0.4ポイント低く見積もっていた。どちらも信憑性があるほど近いが、どちらも意思決定に使うべき数値ではない。

判断の基準となる数字はそれぞれ異なります。Eleven Realtime v1 Maxでは1分あたり0.08ドルにLLM利用料が加わり、Artificial Analysisの実測レートでは入力音声1時間あたりおよそ4.80ドルです。Ming-3.0-audio-flashの場合は80GBのH800が4台です。というのも、料金表がまったく存在しないからです——それはMITライセンスの1260億パラメータのMixture-of-Expertsチェックポイントで、自分でダウンロードして提供するものです。この比較における他のすべては、この分岐から導かれます。一方は音声エージェントへのサブスクリプションで、もう一方は自分が所有するマシンです。

それぞれが実際に何なのか

Eleven Realtime v1 Max は、チェックポイントという意味でのモデルではありません。ドキュメントでは、各 Realtime モデルを完全な音声エージェントとして説明しています。音声認識、音声アクティビティ検出とターンテイキング、LLM、テキスト読み上げを備え、組み立てるのではなく選択する形でパッケージ化されています。Max は多段階のタスクにわたって正確で思慮深い応答を実現する位置づけで、2つの Realtime モデルのうちツール呼び出しを記載している唯一のモデルです。90以上の言語に対応し、OpenAI 互換の Realtime API から利用でき、Max と小さい方のモデルを切り替えるのは再構築ではなくモデル選択の変更です。

Ming-3.0-audio-flash は逆の構成です。音声エンコーダーとプロジェクターが混合エキスパート言語バックボーンに供給し、入力は音声とテキスト指示、出力はテキスト、またはオプションの Talker による合成音声付きテキストです。カードに記載されている組み込みのターン検出、セッション管理、ツール呼び出しレイヤーはありません。カードが主張しているのは入力側の広さです。中国語と英語(アクセントや方言を含む)、非音声サウンド、音響シーン、音楽、長時間録音です。

• パラメータ — Ming-3.0-audio-flash:合計126B、ステップごとに6.5Bがアクティブ。Eleven Realtime v1 Max:非公開。

• 形状 — Ming:自分でサーブするチェックポイント。Eleven:選択するホスト型エージェント。

• コンテキスト — Ming: 設定で131,072トークンと宣言されています。Eleven: 非公開。単位となるのはトークンウィンドウではなくセッションです。

• 対応言語 — Ming: 中国語と英語。Eleven: Eleven v4 の言語リストに基づく 90 以上。

• 音声出力 — Ming:オプションで、Talker経由、内蔵音声と参照音声に対応。Eleven:製品の中核であり、音声はライブラリから選択します。

• ツール呼び出し — Ming: 記載なし。Eleven: Max には記載されているが、Mini には記載なし。

• ライセンス — Ming:モデルの重みにはMIT。Eleven:商用API契約です。

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.

その2つの数字と、なぜそれらが逆方向に食い違うのか

ElevenLabsのカードにある「99%」は、ほぼ間違いなくArtificial Analysisの実行結果で得られた98.8を丸めたもので、ベンダー自身の料金ページにレイテンシの数値付きで掲載されています。これは異例なほど率直です。ほとんどのベンダーは、モデルを開発したラボが選んだベンチマークを引用するからです。これはまた、2つの情報源が独立ではないことも意味します。ベンダーは第三者を引用しているのであって、並行して独自のハーネスを実行しているわけではありません。したがって、両者が一致するとき、それは構造上そうなっているだけです。

Mingの数値は別のケースだ。10月のモデルカードには、「BigBenchAudio」で99.40を示す評価画像が、はるかに弱い長尺音声の結果と並べて掲載されていた。今日の99.8はArtificial Analysisから直接得たもので、カードは今朝それを引用するよう編集された。99.40と99.8の差は訂正ではない。同じ名前でも、ハーネス、プロンプト、項目サブセットが異なるベンチマークの2回の実行結果だ。どちらも誤りではない。どちらも、詳細が変われば10分の1単位で動く類の数値であり、42モデルが90台に密集する表の頂点で1ポイントのリードがあっても競争上の堀にならないのはそのためだ。

リーダーボードの順位付けが確かに示しているのは、トップグループに属するということだ。音声推論では、99.8のMing-3.0-audio-flashと98.8のEleven Realtime v1 Maxは1点差で、ボードが測定する他の何によっても隔てられていない。最初の音声までの時間では、両者は2倍の差がある。1.12秒対0.567秒だ。会話の間合いの中で答える必要があるモデルにとって、それはシステムが生き生きと感じられるかを決める数値であり、安っぽく見える選択肢が明らかに劣っているとは限らない唯一の点だ。

比較がどこで破綻するか、それは会話において破綻する

音声推論とは、音声として出題される多肢選択問題です。音声エージェントは別の問題であり、いつ話し始めるか、ポーズの間ずっと黙っているか、割り込みをどう受け止めるか、バックチャネルを出すかどうかを見極める必要があります。Artificial Analysis はそれを Full Duplex Bench で別途測定しており、これがこの対決全体で最も非対称な部分です。

Eleven Realtime v1 Maxは、公開されているFull Duplex Benchスコアが0.941で、割り込み処理が0.99、ターン交代が1.0、ポーズ処理が0.978、あいづちが0.796です。また、航空・小売・通信のタスクシミュレーションにおけるtau-voiceスコアは0.578で、これはかなり分の悪い数字であり、99%を一般的な評価と受け取る人にとっては有益な修正材料になります。Ming-3.0-audio-flashにはFull Duplex Benchスコアもtau-voiceスコアもなく、誰かが話しかぶせたときの挙動について公開された測定値もありません。それは、このチェックポイントがそうしたテストに落ちるということではありません。誰もそれらのテストを実行しておらず、モデルカードにも、それらを意味あるものにする仕組みが説明されていないということです。ターン検出とバージインは、モデルの周囲に構築するものであり、モデルに同梱されているものではありません。

その非対称性には実践的な形がある。Eleven Realtime v1 Max を選ぶと、公表された(中程度ではあるが)タスク完了スコアを備えた、解決済みの会話ループが手に入る。Ming-3.0-audio-flash を選ぶと、異常に優れた耳とテキストインターフェースが手に入り、ループ——VAD、エンドポインティング、割り込み処理、音声の背後にある LLM のターン——は自分の作業として残る。この2つの製品は同じレイヤーの代替品ではなく、精度での直接比較は、両者がそうであるかのような含みを静かに生む。

1時間の算術を、正直に。

Eleven Realtime v1 Max では、連続入力音声1時間の課金は1分あたり $0.08、つまり $4.80 に、同梱の LLM が消費する分が加算されます。Artificial Analysis が測定したこのモデルの入力音声1時間あたりのコストはちょうど $4.80 で、これはカードの記載を裏付けています。月1,000時間なら、LLM のトークン分と、ドキュメントに TTS と STT については記載があるものの Realtime 音声エージェントについては記載がない並行接続数の上限を除いて、$4,800 になります。

Ming側にはそのような数値がないため、比較には何らかの仮定が必要であり、その仮定は明示されるべきだ。inclusionAIのリファレンス128Kサービングプロファイルは、4台の80 GB H800にまたがるテンソル並列を使用している。長い音声入力を与えるとOOMを引き起こし、8 GPUへのフォールバックを余儀なくされる可能性がある。仮に1 GPU時間2ドル——見積もりではなく暫定値——とすると、4枚で1時間8ドル、8枚で16ドルであり、いずれも稼働率、常時稼働サービスに付きまとうアイドル時間、それを運用するエンジニアのコストを考慮する前の金額だ。容量いっぱいまで埋めれば、4 GPU構成は1時間4.80ドルと競合する。10%しか埋まらなければ、同じ土俵にすらない。

コスト論はそれに尽きる。そしてそれは、どちらのベンダーの価格設定というよりも稼働率にかかっている。安定して大量の音声トラフィックがあり、既存のGPUリソースを持つチームなら、計算は成り立つ。火曜日の午後にアイデアを試しているチームには成り立たず、午前3時のトラフィック水準で算出した1時間あたりの数字に意味があるふりをすべきではない。

• 従量制 — Eleven Realtime v1 Max: 1分あたり$0.08、1時間あたり約$4.80、これにLLMの利用料が加算されます。

• セルフホスト — Ming-3.0-audio-flash:料金表なし、リファレンス構成は 4 × 80 GB H800、フォールバックは 8 GPU。

• あと1時間追加する場合の限界費用 — Eleven:4.80ドル。Ming:カードが飽和するまでは実質ゼロ、その後はステップ関数。

• 最初の1時間の費用 — Eleven:4.80ドル。Ming:ハードウェア、サービングスタック、統合。

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.'

言語は、仕様書が誤解を招く領域だ

ElevenLabsは90以上の言語に対応すると述べており、TTSとSTTのスタック全体でそれを実現しています。Ming-3.0-audio-flashは中国語と英語に対応するとしながら、その数をはるかに上回る重要性を持つ条件を付け加えています。「多様なアクセントや方言を含む」という点です。ベンダー自身の10月の表も、比較対象のオムニモデルより方言のエラー率が劇的に優れていることでこれを裏付けています。福建語(ホッケン語)は12.84で、Qwen3.8-Omni Flashの28.08、Gemini 3.8 Flashの81.62に対して優位です。上海語は11.15で、21.10と88.64に対して優位です。あなたの音声が地域アクセントのある標準中国語であれば、それは言語数の比較では決して捉えられない能力であり、Elevenの90以上の言語リストからは福建語での性能が分かりません。

逆もまったく同様です。音声がスペイン語、ポルトガル語、日本語、アラビア語であれば、Ming-3.0-audio-flash はまったく対象外です。これはカバレッジの微妙な判断ではありません。ほぼ完全な分割であり、自分がどちらの列にいるかを判断する最も速い方法です。

テキスト側の半分については、両方とも1つのキーに。

OrcaRouterはMing-3.0-audio-flashを提供しておらず、Eleven Realtime v1 Maxも提供していません — これらはセルフホスト型チェックポイントとベンダー自身のリアルタイム製品であり、どちらも当社がエンドポイントを提供できるモデルではありません。当社が提供するのは、どちらかが想定するパイプラインの残りの部分です。セルフホスト型音声モデルで構築する音声システムは、主にテキスト呼び出しです。音声モデルに何を聞き取るべきかを伝えるプロンプト、そのタブ区切りの言語ラベルを構造化出力に変換するパーサー、文字起こしから書かれる要約、難しい呼び出しをより強力なモデルへ送るルーターです。これらは1つのキーで利用できる200以上のモデルによって0%のマークアップで、プロバイダーが劣化した際の自動フェイルオーバーを備えた形で処理されます — だからこそ、未検証の音声モデルをトラフィックの一部に置いても、残りが動き続ける状態を安全に保てるのです。

どちらを選ぶべきですか

今月ボイスエージェントが必要なら、Eleven Realtime v1 Maxを選べ。90以上の言語、解決済みの会話ループ、ツール呼び出し、公開された分単位の価格、OpenAI互換のセッションを備える。ただし、tau-voiceのタスク完了スコアが0.578であること、バックチャネル挙動がFull Duplex Benchプロファイルの中で最も弱い部分であること、そして検査できないスタックを借りていることを受け入れよ。

音声が中国語か英語で、難しいケースがなまりや方言で、チームが80GB GPU 4台とサービングスタックを運用でき、会話レイヤーを自前で構築する用意があるなら、Ming-3.0-audio-flashを選ぼう。ただし、モデル自身が公開した数値では長い録音と話者ダイアライゼーションで後退していること、最初の音声が出るまでの時間がElevenの2倍であること、99.8はリーダーボードの順位であってあなたのワークロードに関する約束ではないことを受け入れる必要がある。

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.

そして答えが「両方の組み合わせ」——対応する言語にはホスト型エージェントを、訛りの強いトラフィックにはセルフホスト型モデルを——だとしても、それは妥協ではなく、実際の本番音声システムの大半が取っている形そのものです。間違いは99パーセンタイルの数字で選ぶことです。表のその端では、その数字は、自分の録音データのほうがより速く教えてくれる以上のことを、もはや何も教えてくれないからです。