생성된 타이틀 카드에는 '99 두 개, 완전히 다른 두 장의 청구서'라는 문구가 적혀 있고, 부제에는 Ming-3.0-audio-flash와 Eleven Realtime v1 Max가 명시되어 있습니다. 번호가 매겨진 세 행에는 'Ming-3.0-audio-flash: 126B 오픈 웨이트, H800 4~8대, 요금표 없음', 'Eleven Realtime v1 Max: 분당 $0.08에 LLM 사용량 별도, 90개 이상 언어', '정확도 99.8% 대 98.8%, 첫 오디오까지 걸리는 시간 1.12초 대 0.57초'라고 적혀 있습니다. 푸터에는 '정확도와 지연 시간은 Artificial Analysis 기준, Eleven의 가격은 자사 API 가격 페이지 기준'이라고 적혀 있습니다.
Guides & Insights

Ming-3.0-audio-flash vs Eleven Realtime v1 Max: 두 개의 99, 그중 하나만 분당 $0.08의 비용이 든다

작성자

jinhao.song

게시일

최신 모델 · 20모든 모델 보기 →
벤치마크: Artificial Analysis · 매일 업데이트
모든 게시물로 돌아가기

Ming-3.0-audio-flash 및 Eleven Realtime v1 Max 둘 다 음성 추론 점수가 약 99%라고 주장하지만, 각 숫자가 어떻게 산출되었는지 들여다보는 순간 그 유사성은 끝납니다. ElevenLabs는 Realtime v1 Max 자사 요금제 카드에 "음성 추론 99%, 첫 오디오까지 570ms"를 내세웁니다. Artificial Analysis는 같은 모델을 98.8%, 0.567초로 측정합니다. inclusionAI의 카드는 Ming-3.0-audio-flash에 대해 BigBenchAudio에서 99.40을 주장하고, Artificial Analysis는 Big Bench Audio에서 99.8%, 1.12초로 측정합니다. 한 공급업체는 자사 모델을 반올림 한 단계만큼 낮게 잡았고, 다른 공급업체는 0.4만큼 낮게 잡았습니다. 둘 다 믿을 만할 정도로 충분히 가깝지만, 어느 쪽도 의사결정의 기준으로 삼아야 할 숫자는 아닙니다.

판단 기준이 되는 숫자는 각기 다릅니다. Eleven Realtime v1 Max의 경우 분당 $0.08에 LLM 사용료가 더해지며, 이는 Artificial Analysis가 측정한 기준으로 시간당 입력 오디오 약 $4.80에 해당합니다. Ming-3.0-audio-flash의 경우에는 80GB H800 네 대인데, 요금표가 아예 없기 때문입니다 — 그것은 MIT 라이선스로 공개된 1,260억 매개변수 전문가 혼합(mixture-of-experts) 체크포인트로, 직접 내려받아 서빙하는 것입니다. 이 비교에서 나머지 모든 것은 이 구분에서 비롯됩니다. 하나는 음성 에이전트에 대한 구독이고, 다른 하나는 여러분이 소유한 기계입니다.

각각이 실제로 무엇인지

Eleven Realtime v1 Max는 체크포인트라는 의미의 모델이 아닙니다. 문서에서는 각 Realtime 모델을 음성 인식, 음성 활동 감지 및 턴테이킹, LLM, 텍스트 음성 변환을 갖춘 완전한 음성 에이전트로 설명하며, 사용자가 이를 조립하는 것이 아니라 선택하도록 패키징되어 있습니다. Max는 다단계 작업 전반에서 정밀하고 사려 깊은 응답을 위해 포지셔닝되었으며, 두 Realtime 모델 중 도구 호출을 명시한 유일한 모델입니다. 90개 이상의 언어를 지원하고 OpenAI 호환 Realtime API를 통해 접근할 수 있으며, Max와 그보다 작은 형제 모델 간 전환은 재구축이 아니라 모델 선택 변경입니다.

Ming-3.0-audio-flash는 반대되는 구성입니다. 오디오 인코더와 프로젝터가 전문가 혼합(mixture-of-experts) 언어 백본에 입력을 전달하며, 입력은 오디오와 텍스트 지시문이고 출력은 텍스트 또는 선택적 Talker를 통해 합성된 음성이 포함된 텍스트입니다. 내장된 턴 감지, 세션 관리, 카드에 설명된 도구 호출 계층은 없습니다. 카드에서 내세우는 것은 입력 측면의 폭넓음입니다. 즉 억양과 방언을 포함한 중국어와 영어, 비언어 음향, 음향 장면, 음악, 긴 녹음입니다.

• 매개변수 — Ming-3.0-audio-flash: 총 126B, 단계당 6.5B 활성. Eleven Realtime v1 Max: 공개되지 않음.

• Shape — Ming: 당신이 서빙하는 체크포인트. Eleven: 당신이 선택하는 호스팅된 에이전트.

• 컨텍스트 — Ming: 구성에 131,072개 토큰이 선언됨. Eleven: 공개되지 않음; 단위는 토큰 창이 아니라 세션임.

• 언어 — Ming: 중국어 및 영어. Eleven: Eleven v4 언어 목록 기준 90개 이상.

• 음성 출력 — Ming: 선택 사항이며 Talker를 통해 제공되고, 내장 음성과 참조 음성을 지원합니다. Eleven: 제품의 핵심이며, 음성은 라이브러리에서 선택합니다.

• 도구 호출 — Ming: 설명되지 않음. Eleven: Max에는 나열되어 있지만 Mini에는 나열되지 않음.

• 라이선스 — Ming: 가중치에 MIT 라이선스 적용. Eleven: 상용 API 계약.

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.

그 두 숫자, 그리고 왜 서로 반대 방향으로 어긋나는지

ElevenLabs 카드의 "99%"는 거의 확실히 Artificial Analysis 실행에서 나온 98.8을 반올림한 수치이며, 지연 시간 수치가 함께 붙은 채 공급업체 자체의 가격 페이지에 게시된 것입니다. 이는 이례적으로 솔직한 태도입니다: 대부분의 공급업체는 모델을 만든 연구소가 선택한 벤치마크를 인용합니다. 이는 또한 두 출처가 독립적이지 않다는 뜻입니다 — 공급업체가 병렬 하네스를 돌리는 것이 아니라 제3자를 인용하는 것이므로, 두 출처가 일치할 때 그것은 구조적으로 일치하는 것입니다.

Ming의 수치는 다른 사례다. 10월 모델 카드에는 "BigBenchAudio"에서 99.40을 보여주는 평가 이미지가 실렸는데, 이는 훨씬 약한 긴 오디오 성적과 나란히 제시됐다. 오늘의 99.8은 Artificial Analysis에서 직접 나온 수치이며, 카드는 오늘 아침 이를 인용하도록 수정되었다. 99.40과 99.8 사이의 차이는 정정이 아니다. 같은 이름의 벤치마크를 서로 다른 하네스, 프롬프트, 항목 부분집합으로 두 번 실행한 결과다. 둘 다 틀리지 않았다. 둘 다 세부 사항이 바뀌면 소수점 첫째 자리 단위로 움직이는 종류의 수치이며, 42개 모델이 90점대에 몰려 있는 표의 맨 위에서 1점 차이의 우위가 해자가 되지 못하는 이유다.

리더보드 순서가 실제로 확립하는 것은 최상위 그룹에 속한다는 점이다. 음성 추론에서는 99.8의 Ming-3.0-audio-flash와 98.8의 Eleven Realtime v1 Max가 1점 차이로 갈릴 뿐, 리더보드가 측정하는 다른 어떤 항목에서도 차이가 없다. 첫 오디오까지 걸리는 시간에서는 두 배 차이다: 1.12초 대 0.567초. 대화의 멈춤 안에서 답해야 하는 모델에게 이 숫자는 시스템이 살아 있다고 느껴지는지를 결정하는 수치이며, 저렴해 보이는 선택지가 분명히 더 나쁜 쪽이라고 할 수 없는 유일한 지점이다.

비교가 무너지는 지점, 그리고 그것은 대화에서 무너진다

음성 추론은 오디오로 제공되는 객관식 문제입니다. 음성 에이전트는 다른 문제입니다. 언제 말을 시작할지, 침묵 중에 언제 조용히 있을지, 방해를 어떻게 받아들일지, 백채널을 낼지 여부를 아는 것입니다. Artificial Analysis는 Full Duplex Bench에서 이를 별도로 측정하며, 이는 전체 맞대결에서 가장 비대칭적인 부분입니다.

Eleven Realtime v1 Max는 공개된 Full Duplex Bench 점수가 0.941이며, 인터럽션 처리 0.99, 턴테이킹 1.0, 일시정지 처리 0.978, 백채널 0.796입니다. 또한 항공사, 소매, 통신 작업 시뮬레이션 전반에서 tau-voice 점수는 0.578로, 훨씬 덜 호의적인 수치이며, 99%라는 수치를 전체적인 평가로 받아들이는 사람에게 유용한 교정이 됩니다. Ming-3.0-audio-flash에는 Full Duplex Bench 점수도, tau-voice 점수도, 누군가 말을 겹쳐 할 때 어떻게 동작하는지에 대한 공개된 측정치도 없습니다. 그 체크포인트가 그 테스트에서 실패할 것이라는 뜻은 아닙니다. 아무도 그 테스트를 실행하지 않았고, 모델 카드도 그 테스트를 의미 있게 만들어 줄 메커니즘을 설명하지 않는다는 뜻입니다. 턴 감지와 끼어들기(barge-in)는 이 모델을 중심으로 구축하는 것이지, 모델과 함께 제공되는 기능이 아닙니다.

그 비대칭성은 실질적인 형태를 띤다. Eleven Realtime v1 Max를 선택하면 공개된(그저 그런 편인) 작업 완료 점수와 함께 이미 해결된 대화 루프를 얻는다. Ming-3.0-audio-flash를 선택하면 유난히 뛰어난 귀와 텍스트 인터페이스를 얻는 대신, 루프 — VAD, 엔드포인팅, 인터럽트 처리, 음성 뒤에 있는 LLM 턴 — 는 당신의 몫으로 남는다. 두 제품은 같은 계층에서 대체재가 아니며, 정확도만 놓고 맞대결을 벌이면 두 제품이 서로 대체재라는 인상을 은근히 주게 된다.

한 시간의 산수, 정직하게 계산하기

Eleven Realtime v1 Max에서 연속 입력 오디오 1시간은 분당 $0.08로 청구되어 $4.80이며, 여기에 번들 LLM이 소비하는 비용이 추가됩니다. Artificial Analysis가 측정한 이 모델의 입력 오디오 시간당 비용은 정확히 $4.80으로, 이는 해당 카드의 내용을 뒷받침합니다. 월 1,000시간이면 LLM 토큰과 모든 동시성 한도를 고려하기 전 기준으로 $4,800입니다. 동시성 한도는 문서에 TTS 및 STT에는 나와 있지만 Realtime 음성 에이전트에는 나와 있지 않습니다.

Ming 측에는 그런 수치가 없으므로 어떤 비교든 가정이 필요하며, 그 가정은 드러나야 합니다. inclusionAI의 참조 128K 서빙 프로필은 80GB H800 네 대에 걸친 텐서 병렬 처리를 사용합니다. 긴 오디오 입력은 이 구성을 OOM으로 몰아 여덟 GPU 폴백을 강제할 수 있습니다. 가상의 GPU당 시간당 $2 — 견적이 아닌 자리표시자 — 에서 네 장은 시간당 $8, 여덟 장은 $16입니다. 둘 다 가동률을 고려하기 전이고, 상시 가동 서비스가 안고 있는 유휴 시간도, 이를 운영할 엔지니어도 고려하기 전입니다. 용량까지 채우면 4-GPU 구성은 시간당 $4.80과 경쟁력이 있습니다. 10퍼센트만 채우면, 같은 논의 대상도 아닙니다.

그게 비용 논리의 전부이며, 핵심은 어느 벤더의 가격 책정이 아니라 활용률에 달려 있다. 꾸준하고 대량의 오디오 트래픽과 기존 GPU 용량을 갖춘 팀이라면 계산이 맞아떨어지게 만들 수 있다. 화요일 오후에 아이디어를 테스트하는 팀은 그럴 수 없으며, 오전 3시 트래픽 수준에서 계산한 시간당 수치가 무슨 의미가 있는 척해서도 안 된다.

{{1}}종량제{{/1}} — Eleven Realtime v1 Max: 분당 $0.08, 시간당 약 $4.80, LLM 사용량 별도.

• 자체 호스팅 — Ming-3.0-audio-flash: 요금표 없음; 4 × 80 GB H800 기준 구성, 8-GPU 폴백.

• 한 시간을 더 쓰는 데 드는 한계비용 — Eleven: $4.80. Ming: 카드가 포화될 때까지는 사실상 0이고, 그 이후에는 계단 함수.

• 첫 1시간 비용 — Eleven: $4.80. Ming: 하드웨어, 서빙 스택, 통합.

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.'

언어는 사양서가 오해를 불러일으키는 부분이다.

ElevenLabs는 90개 이상의 언어를 지원한다고 말하며, 이는 TTS와 STT 스택 전반에 걸쳐 사실입니다. Ming-3.0-audio-flash는 중국어와 영어를 지원한다고 말한 뒤, 숫자보다 더 중요한 방식으로 단서를 붙입니다. "다양한 억양과 방언을 포함"한다는 것입니다. 벤더 자체의 10월 표는 비교 대상 옴니 모델보다 방언 오류율이 극적으로 낮다는 점으로 이를 뒷받침합니다. 호키엔어는 12.84로 Qwen3.8-Omni Flash의 28.08, Gemini 3.8 Flash의 81.62에 맞서고, 상하이어는 11.15로 21.10과 88.64에 맞섭니다. 오디오가 지역 억양이 섞인 만다린 중국어라면, 이는 언어 수 비교로는 결코 포착할 수 없는 역량이며, Eleven의 90개 이상 목록은 호키엔어에서의 성능을 알려주지 않습니다.

반대도 마찬가지입니다. 오디오가 스페인어, 포르투갈어, 일본어 또는 아랍어라면 Ming-3.0-audio-flash는 전혀 해당되지 않습니다. 이것은 커버리지상의 근소한 차이가 아닙니다. 거의 완전한 분할이며, 자신이 어느 쪽에 속하는지 판단하는 가장 빠른 방법입니다.

텍스트인 절반은 둘 다 하나의 키에

OrcaRouter는 Ming-3.0-audio-flash를 제공하지 않으며, Eleven Realtime v1 Max도 제공하지 않습니다 — 이들은 각각 자체 호스팅 체크포인트와 벤더 자체의 실시간 제품으로, 우리가 엔드포인트를 제공할 수 있는 모델이 아닙니다. 우리가 제공하는 것은 둘 중 어느 쪽이든 전제로 하는 파이프라인의 나머지 부분입니다. 자체 호스팅 오디오 모델로 구축한 음성 시스템은 대부분 텍스트 호출입니다: 오디오 모델에 무엇을 들을지 알려주는 프롬프트, 탭으로 구분된 언어 레이블을 구조화된 출력으로 바꾸는 파서, 전사에서 작성된 요약, 어려운 호출을 더 강력한 모델로 보내는 라우터. 이것들은 하나의 키 뒤에서 0% 마크업으로 200개 이상의 모델, 제공자 성능 저하 시 자동 페일오버 — 덕분에 검증되지 않은 오디오 모델을 트래픽 일부에 배치해도 나머지는 계속 작동합니다.

어느 걸 고를까?

이번 달에 음성 에이전트가 필요하다면 Eleven Realtime v1 Max를 선택하세요. 90개 이상 언어, 해결된 대화 루프, 도구 호출, 공개된 분당 가격, OpenAI 호환 세션을 제공합니다. 다만 tau-voice 작업 완료 점수가 0.578이라는 점, 백채널 동작이 Full Duplex Bench 프로파일에서 가장 약한 부분이라는 점, 그리고 검사할 수 없는 스택을 임대하는 것이라는 점은 감수해야 합니다.

오디오가 중국어나 영어이고, 어려운 사례가 억양이나 방언이며, 팀이 80GB GPU 4대와 서빙 스택을 운영할 수 있고, 대화 계층을 직접 구축할 의향이 있다면 Ming-3.0-audio-flash를 선택하세요. 다만 모델이 자체 공개한 수치에서 긴 녹음과 화자 분리에서 뒤처진다는 점, 첫 오디오까지 걸리는 시간이 Eleven's의 두 배라는 점, 99.8은 리더보드 순위일 뿐 당신의 워크로드에 대한 약속이 아니라는 점을 받아들여야 합니다.

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.

그리고 만약 답이 "둘 다 어느 정도"라면 — 지원하는 언어에는 호스팅 에이전트를, 액센트가 강한 트래픽에는 자체 호스팅 모델을 — 그것은 타협이 아니라 대부분의 실제 프로덕션 음성 시스템이 취하는 바로 그 형태입니다. 실수는 99%대 수치만 보고 선택하는 것인데, 그 표의 끝자락에서는 그 숫자가 이미 자기 녹음 자료가 더 빠르게 알려줄 정보 외에는 아무것도 말해주지 않기 때문입니다.