Ming-3.0-tts vs ElevenLabs：Eleven v4はアリーナで140ポイント差の勝利を収め、テキストが正しく読み上げられるかを決める唯一のテストで敗れた

音声AIエンジニアが集まった部屋で Ming-3.0-tts と Eleven v4 のどちらを選ぶか尋ねれば、ほぼ毎回 ElevenLabs という答えが返ってくるだろう。そしてアリーナも彼らに同意している。Provider Voice における Eleven v4 の Elo は1,328、Ant Group のモデルは1,188で、140ポイントの差は丸め誤差でも、引き分けでも、投票数の一時的な産物でもない。次に発音ボードを開くと、同じラボが、英文中のハイライトされた各スパンが正しく発話されたかどうかを人間のレビュアーに尋ねており、Ming-3.0-tts は93.2%で、Eleven v4 の91.7%に対して首位対3位につけている。聞き手には明らかに悪く聞こえるモデルが、独立した指標では、正確に発音しなければならない単語をより確実に発話しているのだ。このようなリリースの背後にある、記録されたAIの障害やエージェントのインシデントは、OrcaRouter AI Incident Archiveに収集されています。そこでは各エントリが独自の出典、重大度、信頼度グレード、異議ありフラグを備えています。

それは矛盾ではなく、なぜ矛盾でないかを理解することこそが、この比較の価値のすべてだ。ElevenLabsは声を売っている。Ming-3.0-ttsは自分で動かすチェックポイントだ。両者が本当に競合する領域は、どちらのベンダーのマーケティングが示唆するよりも狭く、その領域内でも、与えるテキストの種類によって答えは変わる。

ElevenLabsが実際に提供しているもの

ElevenLabsは現在、2つの現行モデル系統を展開しています。Eleven v4は感情表現が豊かで高忠実度なモデルです。90以上の言語、1リクエストあたり10,000文字の上限、マルチスピーカー対話に対応し、音声クローンは$6のStarterプランからインスタントクローンが、$22のCreatorプランからプロフェッショナル向けクローンが利用できます。Eleven v4 Turboはリアルタイム向けの兄弟モデルで、同じく90以上の言語に対応し、アプリケーションとネットワークのオーバーヘッドを除いた公開中央値推論レイテンシは約100ミリ秒、API料金はv4のおよそ半額です。料金はクレジット制で1文字1クレジット、プランは無料の10,000クレジットから月額$990で600万クレジットまでです。arenaはv4を100万文字あたり$80、Turboを$40に正規化しています。

Ming-3.0-ttsはまったくの別物だ。Ant GroupのinclusionAIチームによる、MITライセンスの2.96 GBのチェックポイントで、Qwen2.5-0.5Bをバックボーンに、diffusion-transformerパッチヘッドを備えている。2026年9月24日に重みとして公開され、10月19日に推論コードがGitHubで公開されたことで実行可能になった。7言語に加えて四川語と広東語に対応し、参照音声とその書き起こしから声をクローンし、テキスト記述から声を設計し、14個のインラインのパラ言語タグを受け付ける。ホスト型エンドポイントも、サブスクリプションも、文字単位の課金もない。

ElevenLabsの第2のモデルラインはここで重要であり、比較ではほとんど言及されません。Eleven v3はElo 1,072で現在も本番運用中、リアルタイム用途向けのv3 Conversationalは1,062です。「ElevenLabs」を選ぶチームは、より安価であるため、または自社の統合がv4以前のものであるために、しばしばv3を選んでいます。どちらも選好ボードではMing-3.0-ttsを下回るスコアです。比較対象はv4であり、v4は既存の導入の多くが稼働させているv3ラインとは明確に異なる階層です。

選好ギャップは実在する。そしてそれは、あなたが思っている場所にあるのではない。

• プロバイダー音声Elo — Ming-3.0-tts 1,188（1,174–1,202）対 Eleven v4 1,328（1,314–1,342）。Eleven v4は97中2位、Mingは18位。Eleven v4 Turboが1,330でボード首位。

• 統制されたVoice Elo、すべてのシステムで同じ8つのクローン音声 — Ming-3.0-tts 1,068（1,052–1,084）対 Eleven v4 1,156（1,143–1,169）および Turbo 1,158。差は140ポイントから88ポイントに縮小。

2行目をもう一度読んでください。両方のシステムが同じ声をクローンすると、ElevenLabsの優位性は半分以上消え失せます。Provider Voiceは製品全体を測定します。すなわち、ネイティブ音声のカタログ、デフォルトの話し方、ベンダーがユーザーに代わって行った韻律の選択です。そしてElevenLabsはそのカタログに何年も費やしてきた一方、Mingは中国語の100種類以上に対して英語音声を5種類しか提供していません。Controlled Voiceはそれを取り除き、渡された声を各システムがどれだけうまく模倣するかだけを問います。ElevenLabsは依然として余裕で勝ちますが、その差の大きさは異なり、測っている能力も別物です。

自社のブランドボイスをクローン化するチームにとって、関係するのは88点という数字だ。カタログからボイスを選んでリリースしたいチームにとっては140点という数字であり、それはMingが構築する兆しを一切見せていないボイスライブラリを構築しない限り埋められない優位性を反映している。

ランキングが逆転する場面

発音ボードは2つのカテゴリーを大きく重視しており、Ming-3.0-ttsはその両方で完全に勝利しています。

• 厳密なシーケンスの保持 — コード、パス、メールアドレス、識別子。Ming-3.0-tts は 90.6% で 31 モデル中 1 位、Eleven v4 は 78.8%、Eleven v4 Turbo は 73.9% でした。これは、注文番号、リポジトリパス、顧客のメールアドレスがそのまま出力されるかを左右するカテゴリにおける 12 ポイントの差です。

• 略記の展開 — 数値、日付、単位、表記。Ming 96.5%、31件中1件、Eleven v4の94.1%およびTurboの91.9%に対して。

そして、ElevenLabsが勝つ場面では、きっぱりと勝つ：

• スタンドアロン用語 — ブランド名、地名、技術名。Eleven v4 93.2%、Ming 88.5%。ここでMingは31件中21位であり、英語のマーケティング音声やサポート音声を制作する誰にとっても、この記事で最も重要な一行です。

• 文脈に適した — 「wound」のような同綴異音語。Eleven v4 94.1%、Ming 91.0%。

つまり、1つのテスト内で起きている分裂はこうです。Mingはあなたのデータを正しく読み上げる一方でブランド名を誤って発音し、ElevenLabsはブランド名を正しく読み上げる一方で識別子をめちゃくちゃにします。どちらの失敗も耳で聞き取れますが、どちらも嗜好投票には現れません。なぜなら、ある用語の正しい発音を知らない聞き手には、それを間違いとして示す方法がないからです。

合計値 — 93.2 対 91.7 — は実質的に引き分けだ。信頼区間は重なっており（Ming は 91.5–94.9、v4 は 90.0–93.4）、サンプルサイズも異なる（1,800 スパン 対 2,051）。そして31モデルのボード上での1.5ポイントのリードは、意思決定の根拠にする価値のある主張ではない。根拠にする価値があるのはカテゴリ別の内訳だ。そこでは区間が分離しているからだ。

正直に換算したコスト

ElevenLabsは1文字につき1クレジットを請求し、v4は標準レート、TurboとFlashの各バリアントはプランに応じて0.5～1クレジットです。公開されているプラン表では、TTSの実効1分あたりコストは階層に応じて約0.17～0.36ドルとなり、アリーナの正規化値はv4で100万文字あたり80ドル、Turboで40ドルです。

実際の分量に当てはめると、100万文字は通常のナレーション速度でおよそ20時間の完成音声に相当する。$80なら完成音声1時間あたり$4で、安いと言える——ただし、そう言えなくなる場合もある。600文字の商品説明を5,000件集めたカタログは300万文字になり、v4では$240、Turboでは$120だ。これは、コピーを再生成するコンテンツ運用にとって毎月の請求額になる。

Ming-3.0-ttsにはホスト型サービスがないため、文字あたりの価格はありません。コストはGPU時間で、実測毎秒44.3文字なので、100万文字ではH800クラスのカードで生成に約6.3時間、さらに読み込み時間がかかります。それが80ドルより安上がりかどうかは、既にコンピュートにいくら支払っているかと、セルフホスト経路がどれだけのエンジニアリング時間を消費するかに完全に依存します。月に1件の商品説明なら、ElevenLabsのほうが比較がばかばかしくなるほど安くなります。大規模コーパスを毎晩再生成するなら、算段は変わります。

どちらのベンダーの料金ページにも提示されない第3の選択肢があり、そここそがルーティング層の真価を発揮する場です。OrcaRouterはMing-3.0-ttsをホストしておらず、ElevenLabsも扱っていないため、この比較のどちら側も当社経由では利用できません。MingはAntのリポジトリから、ElevenLabsは同社独自のAPIから提供されます。当社が提供しているのは、GoogleのGemini TTSプレビューとOpenAIのtts-1およびgpt-4o-mini-ttsに加えて200以上のテキストモデルもすべてプロバイダーの定価で、マークアップは加えず、1つのキーでプロバイダー間の自動フェイルオーバーを利用できます。音声が、前段がテキスト（要約、翻訳、スクリプト生成）であるパイプラインの1ステージであるなら、今日統合されるのはその部分であり、プロバイダーの価格変更は次回の契約更新時ではなく当日に反映されます。

Elo以上に結果を左右するエンジニアリングの違い

ElevenLabsは、リクエスト、レスポンス、無料プランでは2からScaleでは15までスケールする同時実行制限、そして障害時に応答してくれるベンダーを提供します。Ming-3.0-ttsは、2.96 GBのチェックポイント、PyTorch 2.6とCUDA 12.4を使用するDockerイメージ、Pythonクラス、そしてAntの評価テーブルを提供します。リポジトリのロードマップでは、vLLM-Omniによる高速化推論は完了と記載されていますが、技術レポートはまだ未着手とされています。

以下に二つの運用上の事実を示すが、それらは些細なことではない。

まず、Ming-3.0-tts はクローニングのために参照波形とその書き起こしテキストを必要とします。リポジトリ自身の例で言えば、--prompt_wav_path と --prompt_text 引数がそれに当たります。ElevenLabs は Starter 以上であれば10秒の音声からクローニングでき、書き起こしテキストもローカルパイプラインも不要です。クローニングのワークフローが「顧客がボイスメモをアップロードする」というものであるなら、この違いは技術的な細部ではなく製品としての判断です。

第二に、Mingにおけるケイパビリティはタスクモードであり、組み合わせ可能なスイッチではない。Ant自身のドキュメントによれば、これらの能力は個別のタスクとして公開されており、自由に組み合わせることはできない。つまり、クローン化に感情、さらに方言を加えたいというリクエストが、モデルにとって単一の呼び出しとして受け入れられるリクエストであるとは限らない。ElevenLabsは、クローン化された音声と同じリクエスト内で感情タグとオーディオタグを公開している。3つすべてを同時に必要とするエージェントにとって、これが最も重要な制約であり、どのリーダーボードにも表示されていない。

ElevenLabsのどの数値を信頼すべきかについての注記

ElevenLabsの料金ページはv4を最新かつ最も感情表現豊かなモデルとして宣伝している一方、その比較表には依然としてv3が記載されており、アリーナではv3、v3 Conversational、v4、v4 Turboを4つの別個のシステムとして個別に採点していて、最高位と最下位の間には260ポイントの開きがある。「ElevenLabs」はこの比較において単一の競合ではなく、一つの製品ラインであり、その現行モデルの最良と最悪の間の差は、Ming-3.0-ttsとそれらどちらか一方との間の差よりも大きい。ElevenLabsに単一の数値を使う比較は、どれを選んだかによってベンダーを良く見せたり不利に扱ったりする数値を選んでいるにすぎない。

具体的に何をすればよいですか

音声が顧客対応の会話、つまり電話オペレーターや対話型アシスタントなど、誰かが待っている間に最初の音節が届く必要があるものであれば、Eleven v4 Turbo を使用してください。レイテンシの主張は公開されており、同時実行のティアも公開されています。そして Ming-3.0-tts にはストリーミング経路が一切ありません。

音声が英語のマーケティング、ブランド主導のナレーション、または固有名詞が文の要点となるものであれば、Eleven v4 を使用し、発音辞書のための予算を見込んでください。Ming の単独用語での 88.5% は 31 件中 21 位で、最初のブランド名の時点で耳につきます。

音声が業務用途——注文確認、技術文書の読み上げ、社内研修、識別子・単位・表記が密集したあらゆるもの——であれば、Ming-3.0-tts のほうが優れたツールであり、そうした範囲をカバーする2つのカテゴリーでは両者の差は特に僅かではありません。また、ベンダーが条件を変更した場合に保持できる2つのうち唯一のものでもあります。MIT は失効しないからです。

答えを変えるものは、この1か月間ずっと同じだ。Antはまだ技術レポートを公開しておらず、Mingにはまだホステッドエンドポイントがない。どちらかが実現すれば、再測定すべき数値は88ポイントの制御音声ギャップだ。なぜなら、それは自社の声をクローンしようとするチームが実際に経験するものに最も近いからだ。