Ming-3.0-tts vs ElevenLabs: Eleven v4, 아레나에서 140점 차로 승리하지만 텍스트가 올바르게 읽히는지를 결정하는 단 하나의 테스트에서는 패배

음성 AI 엔지니어들을 한 방에 모아 놓고 Ming-3.0-tts와 Eleven v4 중 하나를 고르라고 하면 거의 매번 ElevenLabs를 선택할 것이고, 아레나도 그들과 같은 판단입니다. Provider Voice에서 Eleven v4의 Elo는 1,328, Ant Group의 모델은 1,188로, 140점 차이는 반올림 오차도, 동점도, 투표 수의 일시적 산물도 아닙니다. 그런 다음 같은 연구소가 영어 문장에서 강조 표시된 각 구간이 올바르게 발음되었는지 인간 평가자에게 묻는 발음 보드를 열어 보면, Ming-3.0-tts는 93.2%로 Eleven v4의 91.7%를 앞서며 1위 대 3위를 기록합니다. 청취자에게 눈에 띄게 더 나쁘게 들리는 모델이, 독립적인 측정 기준에서는 반드시 정확히 말해야 하는 단어를 말하는 데 더 신뢰할 만하다는 뜻이기도 합니다. 이번과 같은 릴리스의 배경이 된 문서화된 AI 실패 및 에이전트 사건은 다음 자료에 수집되어 있습니다: the OrcaRouter AI Incident Archive 각 항목에는 자체 출처, 심각도, 신뢰도 등급, 분쟁 표시가 포함되어 있습니다.

그것은 모순이 아니며, 왜 모순이 아닌지 이해하는 것이 이 비교의 전체 가치입니다. ElevenLabs는 음성을 판매합니다. Ming-3.0-tts는 여러분이 실행하는 체크포인트입니다. 이들이 실제로 경쟁하는 중첩 영역은 어느 공급업체의 마케팅이 암시하는 것보다 좁으며, 그 중첩 영역 안에서는 답이 여러분이 이들에 입력하는 텍스트의 종류에 따라 달라집니다.

ElevenLabs가 실제로 제공하는 것

ElevenLabs는 이제 두 가지 현행 모델 라인을 운영합니다. Eleven v4는 감정 표현이 풍부한 고충실도 모델로, 90개 이상의 언어, 요청당 10,000자 제한, 다중 화자 대화, 그리고 즉시 복제용은 $6 Starter 요금제부터, 전문가용 복제는 $22 Creator 요금제부터 시작하는 음성 복제를 제공합니다. Eleven v4 Turbo는 실시간형 자매 모델로, 동일한 90개 이상의 언어를 지원하며, 애플리케이션 및 네트워크 오버헤드를 제외한 추론 지연 시간 중앙값이 약 100밀리초로 공개되어 있고, API 가격은 v4의 약 절반입니다. 가격은 문자당 1크레딧으로 크레딧 기반 운영되며, 10,000크레딧의 무료 요금제부터 600만 크레딧에 월 $990까지의 요금제가 있습니다. 아레나에서는 v4를 100만 자당 $80, Turbo를 $40으로 정규화합니다.

Ming-3.0-tts는 완전히 다른 대상입니다. Ant Group의 inclusionAI 팀이 만든 2.96GB MIT 라이선스 체크포인트로, Qwen2.5-0.5B 백본에 디퓨전 트랜스포머 패치 헤드를 얹어 구축했으며, 2026년 9월 24일 가중치로 공개되고 10월 19일 추론 코드가 GitHub에 올라오면서 실행 가능해졌습니다. 7개 언어와 쓰촨어, 광둥어를 지원하고, 참조 오디오와 해당 전사문으로 음성을 복제하며, 텍스트 설명으로 음성을 설계하고, 14개의 인라인 준언어적 태그를 받습니다. 호스팅된 엔드포인트도, 구독도, 문자당 과금도 없습니다.

여기서 ElevenLabs의 두 번째 모델 라인이 중요하며 비교에서 좀처럼 언급되지 않습니다. 1,072 Elo의 Eleven v3는 여전히 프로덕션에 사용 중이고, 실시간 사용을 위한 v3 Conversational은 1,062입니다. “ElevenLabs”를 선택하는 팀은 더 저렴하거나 통합이 v4보다 앞서기 때문에 종종 v3를 선택합니다. 둘 다 선호도 보드에서 Ming-3.0-tts보다 낮은 점수를 받습니다. 비교 대상은 v4이며, v4는 대부분의 기존 배포가 사용하는 v3 라인과 확실히 다른 등급입니다.

선호도 격차는 실재하며, 당신이 생각하는 곳에 있는 것이 아닙니다.

• 제공자 음성 Elo — Ming-3.0-tts 1,188(1,174–1,202) 대 Eleven v4 1,328(1,314–1,342). Eleven v4는 97개 중 2위, Ming은 18위입니다. Eleven v4 Turbo가 1,330으로 선두입니다.

• 통제된 Voice Elo: 모든 시스템에 동일한 8개의 복제 음성 사용 — Ming-3.0-tts 1,068(1,052–1,084) 대 Eleven v4 1,156(1,143–1,169), Turbo 1,158. 격차는 140점에서 88점으로 좁혀졌습니다.

두 번째 줄을 다시 읽어 보세요. 두 시스템이 같은 목소리를 복제할 때, ElevenLabs의 우위 중 절반 이상이 사라진다. Provider Voice는 제품 전체를 측정한다 — 네이티브 음성 카탈로그, 기본 전달 방식, 공급업체가 사용자를 위해 선택한 운율 선택지까지 — 그리고 ElevenLabs는 그 카탈로그에 수년을 쏟아부었지만, Ming은 중국어의 100개 이상에 맞서 영어 음성 5개를 내놓는다. Controlled Voice는 그런 요소를 걷어내고, 각 시스템이 주어진 목소리를 얼마나 잘 모방하는지만 묻는다. ElevenLabs가 여전히 여유 있게 이기지만, 격차의 크기는 다르고 그것은 다른 역량을 측정하는 것이다.

자사 브랜드 보이스를 복제하려는 팀에게는 88점이라는 숫자가 더 관련이 있다. 카탈로그에서 보이스를 골라 바로 출시하려는 팀에게는 140점이라는 숫자가 관련 있으며, 이는 Ming이 보이스 라이브러리를 구축하지 않고서는 좁힐 수 없는 우위를 반영한다. 그런데 Ming은 그러한 라이브러리를 구축할 기미를 전혀 보이지 않았다.

순위가 역전되는 지점

발음 평가 위원회는 두 범주에 큰 비중을 두는데, Ming-3.0-tts가 둘 모두에서 완승합니다.

• 정확한 시퀀스 보존 — 코드, 경로, 이메일, 식별자. Ming-3.0-tts 90.6%, 31개 중 1위, Eleven v4 78.8%, Eleven v4 Turbo 73.9% 대비. 이는 주문 번호, 저장소 경로 또는 고객 이메일 주소가 온전하게 출력되는지를 결정하는 범주에서 12포인트 차이다.

• 약어 확장 — 숫자, 날짜, 단위, 표기법. Ming 96.5%, 31개 중 1위, Eleven v4 94.1%, Turbo 91.9% 대비.

그리고 ElevenLabs가 이기는 부분에서는 확실하게 이깁니다:

• 독립 용어 — 브랜드, 장소 및 기술 명칭. Eleven v4 93.2%, Ming 88.5%. Ming은 여기서 31개 중 21위이며, 이는 영어 마케팅 또는 지원 오디오를 제작하는 사람에게 이 기사에서 가장 중요한 단일 항목입니다.

• 문맥상 적절함 — "wound"와 같은 동철이음이의어. Eleven v4 94.1%, Ming 91.0%.

한 번의 테스트 안에서 나타나는 분열은 이렇습니다. Ming은 당신의 데이터를 정확히 읽지만 브랜드는 잘못 발음하고, ElevenLabs는 브랜드를 정확히 읽지만 식별자를 망가뜨립니다. 두 실패 모두 들을 수 있지만 어느 쪽도 선호도 투표에는 드러나지 않습니다. 용어의 올바른 발음을 모르는 청자는 그것을 틀렸다고 표시할 방법이 없기 때문입니다.

종합 점수는 93.2 대 91.7로, 사실상 동점이다. 신뢰구간은 겹치고(Ming 91.5–94.9, v4 90.0–93.4), 표본 크기도 다르며(1,800개 스팬 대 2,051개), 31개 모델 보드에서 1.5점 앞선다는 것은 의사결정의 근거로 삼을 만한 주장이 아니다. 정말로 근거를 삼을 만한 것은 카테고리 구분이다. 거기서는 구간이 분리되기 때문이다.

비용, 정직하게 환산한

ElevenLabs는 문자당 1크레딧을 청구하며, v4는 표준 요율이고 Turbo 및 Flash 변형은 요금제에 따라 0.5~1크레딧입니다. 공개된 요금제 표에서 TTS의 실효 분당 비용은 등급에 따라 약 $0.17–$0.36이며, 아레나의 정규화 수치는 v4의 경우 백만 문자당 $80, Turbo의 경우 $40입니다.

실제 분량에 적용해 보면: 100만 자는 일반적인 내레이션 속도로 약 20시간의 완성된 음성 분량입니다. 80달러라면 완성된 오디오 1시간당 4달러인데, 이는 싸게 느껴지다가 어느 순간 더 이상 싸지 않게 됩니다 — 600자짜리 제품 설명 5,000개로 구성된 카탈로그는 300만 자이며, v4에서는 240달러, Turbo에서는 120달러입니다. 이는 카피를 계속 재생성하는 콘텐츠 운영 팀에게 매월 나가는 청구서입니다.

Ming-3.0-tts는 호스팅 서비스가 없기 때문에 글자당 가격이 없습니다. 비용은 측정된 초당 44.3자 기준의 GPU 시간이며, 100만 자를 생성하려면 H800급 카드에서 약 6.3시간의 생성 시간에 로딩 시간이 더해집니다. 그것이 $80보다 나은지는 전적으로 이미 컴퓨팅에 얼마를 지불하고 있는지, 그리고 자체 호스팅 방식이 얼마나 많은 엔지니어링 시간을 소모하는지에 달려 있습니다. 한 달에 제품 설명 하나라면 ElevenLabs가 비교가 무의미해질 정도로 더 저렴합니다. 대규모 코퍼스를 매일 밤 재생성하는 경우에는 계산이 달라집니다.

어느 벤더의 가격 페이지에서도 제안하지 않을 세 번째 선택지가 있으며, 바로 라우팅 계층이 존재 가치를 발휘하는 지점입니다. OrcaRouter는 Ming-3.0-tts를 호스팅하지 않고 ElevenLabs도 취급하지 않으므로 이 비교의 어느 쪽도 우리를 통해 접근할 수 없습니다. Ming은 Ant의 저장소에서, ElevenLabs는 자체 API에서 제공됩니다. 우리가 실제로 제공하는 것은 Google의 Gemini TTS 프리뷰와 OpenAI의 tts-1 및 gpt-4o-mini-tts이며, 200개 이상의 텍스트 모델과 함께 모두 공급자 정가에 마크업 없이, 하나의 키 뒤에서 공급자 간 자동 장애 조치가 제공됩니다. 음성이 요약, 번역, 스크립트 생성처럼 앞 단계가 텍스트인 파이프라인의 한 단계라면, 바로 그 부분이 오늘 통합되는 부분이며, 공급자 가격 변경은 다음 계약 갱신 때가 아니라 같은 날 반영됩니다.

Elo보다 더 많은 것을 결정하는 엔지니어링 차이

ElevenLabs는 요청, 응답, 무료 티어의 2에서 Scale의 15까지 확장되는 동시성 한도, 그리고 문제가 생겼을 때 답해 주는 벤더를 제공합니다. Ming-3.0-tts는 2.96 GB 체크포인트, PyTorch 2.6과 CUDA 12.4를 사용하는 Docker 이미지, Python 클래스, Ant의 평가 표를 제공합니다. 저장소의 로드맵은 vLLM-Omni 가속 추론을 완료로 표시하지만, 기술 보고서는 아직 시작되지 않은 것으로 표시합니다.

이어서 두 가지 운영상의 사실이 나오는데, 이는 결코 사소하지 않습니다.

먼저, Ming-3.0-tts는 복제를 위해 참조 파형과 그 전사가 필요합니다 — 저장소 자체 예시의 --prompt_wav_path 및 --prompt_text 인수입니다. ElevenLabs는 Starter 이상에서 10초 분량의 오디오로 복제하며, 전사도 로컬 파이프라인도 필요 없습니다. 복제 워크플로가 "고객이 음성 메모를 업로드한다"라면, 그 차이는 기술적 세부 사항이 아니라 제품 결정입니다.

둘째, Ming의 기능은 조합 가능한 스위치가 아니라 작업 모드입니다. Ant 자체 문서에 따르면 이러한 능력은 별도의 작업으로 노출되며 자유롭게 결합할 수 없습니다. 즉, 복제와 감정, 방언을 모두 원하는 요청이 모델이 단일 호출로 받아들이는 요청이라는 보장은 없습니다. ElevenLabs는 감정과 오디오 태그를 복제된 음성과 같은 요청에서 제공합니다. 세 가지를 동시에 필요로 하는 에이전트에게 이는 가장 중요한 제약이며, 어떤 리더보드에도 나타나지 않습니다.

ElevenLabs의 어떤 수치를 신뢰해야 하는지에 대한 참고 사항

ElevenLabs의 가격 페이지는 v4를 자사의 최신이자 가장 감정 표현이 풍부한 모델로 홍보하지만, 같은 페이지의 비교표에는 여전히 v3가 올라가 있으며, 아레나에서는 v3, v3 Conversational, v4, v4 Turbo를 네 가지 별개 시스템으로 각각 점수화하는데 최상위와 최하위 간 격차가 260점에 이른다. 이 비교에서 "ElevenLabs"는 단일 경쟁자가 아니라 하나의 제품 라인이며, 현재 자사 최고 모델과 최저 모델 사이의 격차는 Ming-3.0-tts와 그 둘 중 어느 하나 사이의 격차보다 크다. ElevenLabs에 숫자 하나만 대입하는 비교는, 어떤 숫자를 골랐느냐에 따라 해당 벤더를 띄워주거나 깎아내리는 숫자를 고르는 셈이다.

구체적으로 무엇을 해야 하나요?

오디오가 고객 대면 대화, 즉 전화 상담원, 대화형 어시스턴트, 누군가 기다리는 동안 첫 음절이 도착해야 하는 모든 상황이라면 Eleven v4 Turbo를 사용하세요. 지연 시간 관련 주장은 공개되어 있고 동시성 등급도 공개되어 있으며, Ming-3.0-tts에는 스트리밍 경로가 전혀 없습니다.

오디오가 영어 마케팅, 브랜드 중심 내레이션, 또는 고유명사가 문장의 핵심인 경우라면 Eleven v4를 사용하고 발음 사전을 위한 예산을 잡으세요. 독립 용어에서 Ming의 88.5%는 31개 중 21위이며, 첫 번째 브랜드 이름에서 바로 들릴 것입니다.

오디오가 운영 환경에서 쓰이는 경우 — 주문 확인, 기술 문서 낭독, 사내 교육, 식별자·단위·표기가 밀집된 모든 콘텐츠 — Ming-3.0-tts가 더 나은 도구이며, 그런 구간을 포괄하는 두 범주에서는 격차가 그리 근소하지도 않습니다. 또한 벤더가 약관을 바꾸더라도 계속 보유할 수 있는 둘 중 유일한 제품이기도 합니다. MIT는 만료되지 않기 때문입니다.

답을 바꿀 요인은 한 달째 변함없이 같습니다. Ant는 여전히 기술 보고서를 발표하지 않았고, Ming은 여전히 호스팅 엔드포인트가 없습니다. 둘 중 하나라도 나오면 다시 측정해야 할 수치는 88포인트의 통제된 음성 격차입니다. 자사 음성을 복제하려는 팀이 실제로 경험하게 될 상황에 가장 가까운 수치이기 때문입니다.