Wygenerowana plansza tytułowa z napisem „Dwie 99, dwa zupełnie różne rachunki” i podtytułem wymieniającym Ming-3.0-audio-flash w zestawieniu z Eleven Realtime v1 Max. Trzy ponumerowane wiersze głoszą: „Ming-3.0-audio-flash: 126B otwartych wag, od 4 do 8 H800, brak cennika”, „Eleven Realtime v1 Max: 0,08 USD za minutę plus wykorzystanie LLM, ponad 90 języków” oraz „Dokładność 99,8% vs 98,8%, czas do pierwszego dźwięku 1,12 s vs 0,57 s”. Stopka głosi: „Dokładność i opóźnienie według Artificial Analysis; cena Eleven według jej strony z cennikiem API”.
Guides & Insights

Ming-3.0-audio-flash kontra Eleven Realtime v1 Max: Dwie 99-tki, tylko jedna z nich kosztuje 0,08 dolara za minutę

Autor

jinhao.song

Data publikacji

Najnowsze modele · 20Zobacz wszystkie modele →
Benchmarki: Artificial Analysis · aktualizowane codziennie
Powrót do wszystkich wpisów

Ming-3.0-audio-flash i Eleven Realtime v1 Max oba deklarują wynik rozumowania mowy na poziomie około 99%, i na tym podobieństwa się kończą, gdy tylko spojrzysz, jak każda z tych liczb powstała. ElevenLabs umieszcza „99% w rozumowaniu mowy, 570 ms do pierwszego dźwięku” na własnej karcie cenowej dla Realtime v1 Max; Artificial Analysis mierzy ten sam model na 98,8% i 0,567 sekundy. Karta inclusionAI podaje 99,40 w BigBenchAudio dla Ming-3.0-audio-flash; Artificial Analysis mierzy 99,8% w Big Bench Audio i 1,12 sekundy. Jeden dostawca zaniżył wynik własnego modelu o jedno zaokrąglenie, a drugi o cztery dziesiąte. Oba są wystarczająco bliskie, by być wiarygodne, i żaden z nich nie jest liczbą, na której powinieneś opierać decyzję.

Decydująca liczba jest inna w każdym przypadku. W przypadku Eleven Realtime v1 Max to $0.08 za minutę plus użycie LLM, co przy zmierzonym przez Artificial Analysis wskaźniku daje około $4.80 za godzinę audio wejściowego. W przypadku Ming-3.0-audio-flash to cztery karty H800 z 80 GB, ponieważ nie ma żadnego cennika — to checkpoint mixture-of-experts z 126 miliardami parametrów na licencji MIT, który pobierasz i uruchamiasz. Wszystko inne w tym porównaniu wynika z tego podziału: jedno to subskrypcja agenta głosowego, drugie to maszyna, którą posiadasz.

Czym każde z nich tak naprawdę jest

Eleven Realtime v1 Max nie jest modelem w sensie checkpointu. Dokumentacja opisuje każdy model Realtime jako kompletnego agenta głosowego — rozpoznawanie mowy, wykrywanie aktywności głosowej i zarządzanie turami rozmowy, LLM oraz syntezę mowy — spakowanego w taki sposób, że się go wybiera, zamiast go składać. Max jest pozycjonowany jako rozwiązanie do precyzyjnych, przemyślanych odpowiedzi w zadaniach wieloetapowych i jest jedynym z dwóch modeli Realtime, który wymienia wywoływanie narzędzi. Obsługuje ponad 90 języków, jest dostępny przez zgodne z OpenAI API Realtime, a przełączanie między Max a jego mniejszym odpowiednikiem to zmiana wyboru modelu, a nie przebudowa.

Ming-3.0-audio-flash to odwrotny układ. Enkoder audio i projektor zasilają rdzeń językowy oparty na mieszaninie ekspertów; danymi wejściowymi są audio oraz instrukcja tekstowa; wyjściem jest tekst albo tekst z syntezowaną mową przez opcjonalny Talker. Nie ma wbudowanego wykrywania tur rozmowy, zarządzania sesjami ani warstwy wywoływania narzędzi opisanej w karcie. Karta deklaruje natomiast szeroki zakres po stronie wejściowej: chiński i angielski, w tym akcenty i dialekty, dźwięki niewerbalne, sceny akustyczne, muzykę i długie nagrania.

• Parametry — Ming-3.0-audio-flash: łącznie 126B, 6,5B aktywnych na krok. Eleven Realtime v1 Max: nie ujawniono.

• Kształt — Ming: checkpoint, który serwujesz. Eleven: hostowany agent, którego wybierasz.

• Kontekst — Ming: 131,072 tokenów zadeklarowanych w konfiguracji. Eleven: nieopublikowane; jednostką jest sesja, a nie okno tokenów.

• Języki — Ming: chiński i angielski. Eleven: 90+ zgodnie z listą języków Eleven v4.

• Wyjście głosowe — Ming: opcjonalne, przez Talker, z wbudowanymi głosami i głosami referencyjnymi. Eleven: rdzeń produktu; głos jest wybierany z biblioteki.

• Wywoływanie narzędzi — Ming: nie opisano. Eleven: wymieniono dla Max, ale nie dla Mini.

• Licencja — Ming: MIT na wagach. Eleven: komercyjna umowa API.

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.

Te dwie liczby i dlaczego różnią się w przeciwnych kierunkach

W karcie ElevenLabs „99%” to niemal na pewno zaokrąglone 98,8 z przebiegu Artificial Analysis, opublikowane na własnej stronie cennika dostawcy wraz z dołączoną wartością opóźnienia. To wyjątkowo otwarte podejście: większość dostawców podaje benchmark, który wybrało laboratorium budujące model. Oznacza to również, że oba źródła nie są niezależne — dostawca powołuje się na podmiot trzeci, a nie prowadzi równoległego zestawu testowego — więc gdy się zgadzają, zgadzają się z założenia.

Wynik Minga to inny przypadek. Październikowa karta modelu zawierała obraz z ewaluacji pokazujący 99,40 w „BigBenchAudio” obok znacznie słabszego wyniku dla długiego audio. Dzisiejsze 99,8 pochodzi bezpośrednio z Artificial Analysis, a kartę zmodyfikowano dziś rano, by je zacytować. Różnica między 99,40 a 99,8 nie jest korektą; to dwa przebiegi testu o tej samej nazwie, ale z różnymi harnessami, promptami i podzbiorami pozycji. Żaden nie jest błędny. Oba są typem liczby, która przesuwa się o dziesiąte części, gdy zmieniają się szczegóły, dlatego jednopunktowa przewaga na szczycie tabeli, w której 42 modele skupiają się w dziewięćdziesiątkach, nie jest fosą.

To, co ustala kolejność na liście rankingowej, to przynależność do czołówki. W rozumowaniu mowy Ming-3.0-audio-flash z wynikiem 99,8 i Eleven Realtime v1 Max z wynikiem 98,8 dzieli jeden punkt i nic innego, co mierzy ranking. W czasie do pierwszego dźwięku dzieli je współczynnik dwa: 1,12 sekundy wobec 0,567. Dla modelu, który musi odpowiedzieć w ramach przerwy w rozmowie, to właśnie ta liczba decyduje, czy system wydaje się żywy, i to jedyne miejsce, gdzie opcja wyglądająca na tanią nie jest oczywiście gorsza.

Tam, gdzie porównanie zawodzi, a zawodzi w rozmowie.

Rozumowanie mowy to pytania wielokrotnego wyboru dostarczane jako audio. Agent głosowy to inny problem: wiedzieć, kiedy zacząć mówić, kiedy milczeć przez pauzę, jak przyjąć przerwanie, czy wysłać sygnał podtrzymujący rozmowę. Artificial Analysis mierzy to osobno w Full Duplex Bench i jest to najmniej symetryczna część całego starcia.

Eleven Realtime v1 Max ma opublikowany wynik Full Duplex Bench na poziomie 0,941, przy czym obsługa przerwań wynosi 0,99, naprzemienność mówienia 1,0, obsługa pauz 0,978, a backchannels 0,796. Ma również wynik tau-voice 0,578 w symulacjach zadań w branży lotniczej, detalicznej i telekomunikacyjnej — liczbę znacznie mniej pochlebną i użyteczną korektę dla każdego, kto odczytuje 99% jako ogólny werdykt. Ming-3.0-audio-flash nie ma wyniku Full Duplex Bench, nie ma wyniku tau-voice ani żadnego opublikowanego pomiaru tego, jak zachowuje się, gdy ktoś mu przerywa. Nie chodzi o to, że checkpoint nie przeszedłby tych testów. Chodzi o to, że nikt ich nie przeprowadził, a karta modelu nie opisuje mechanizmów, które czyniłyby je znaczącymi: wykrywanie tur i barge-in to rzeczy, które się wokół niego buduje, a nie takie, które są dostarczane razem z nim.

Ta asymetria ma praktyczny wymiar. Wybór Eleven Realtime v1 Max daje gotową, rozwiązaną pętlę konwersacyjną z opublikowanym (choć przeciętnym) wynikiem ukończenia zadania. Wybór Ming-3.0-audio-flash daje wyjątkowo dobry słuch i interfejs tekstowy, a pętlę — VAD, wykrywanie końca wypowiedzi, obsługę przerwań, turę LLM stojącą za głosem — pozostawia jako Twoją pracę. To nie są produkty zastępowalne na tym samym poziomie, a bezpośrednie porównanie pod kątem dokładności milcząco sugeruje, że są.

Arytmetyka godziny, wykonana uczciwie

Godzina ciągłego wejściowego audio w Eleven Realtime v1 Max jest rozliczana po 0,08 USD za minutę, czyli 4,80 USD, plus to, co zużyje dołączony LLM. Zmierzony przez Artificial Analysis koszt godziny wejściowego audio dla tego modelu wynosi dokładnie 4,80 USD, co potwierdza kartę. Przy 1000 godzin miesięcznie daje to 4800 USD przed tokenami LLM i przed jakimikolwiek limitami współbieżności, które dokumentacja podaje dla TTS i STT, ale nie dla agentów głosowych Realtime.

Po stronie Ming nie ma takiej liczby, więc każde porównanie wymaga założenia, a założenie powinno być widoczne. Referencyjny profil obsługi 128K inclusionAI wykorzystuje równoległość tensorową na czterech H800 o pojemności 80 GB; długie wejścia audio mogą wywołać w nim OOM i wymusić awaryjne przejście na osiem GPU. Przy hipotetycznej stawce 2 USD za GPU-godzinę — wartości zastępczej, a nie wycenie — cztery karty kosztują 8 USD za godzinę, a osiem 16 USD, w obu przypadkach przed uwzględnieniem wykorzystania, przed czasem bezczynności, który niesie ze sobą każda usługa działająca stale, i przed kosztem inżyniera do jej obsługi. Przy pełnym obłożeniu konfiguracja z czterema GPU jest konkurencyjna wobec 4,80 USD za godzinę. Przy obłożeniu dziesięcioprocentowym nie ma już czego porównywać.

Na tym polega cały argument kosztowy: rozstrzyga wykorzystanie, a nie cennik któregokolwiek z dostawców. Zespół dysponujący stabilnym, dużym ruchem audio i istniejącymi mocami GPU może doprowadzić do tego, że rachunek się zgodzi. Zespół testujący pomysł we wtorkowe popołudnie nie może tego zrobić i nie powinien udawać, że wyliczana przez niego stawka godzinowa przy natężeniu ruchu z godz. 3 w nocy cokolwiek znaczy.

• Rozliczane za użycie — Eleven Realtime v1 Max: 0,08 USD/min, około 4,80 USD/godz., plus użycie LLM.

• Własny hosting — Ming-3.0-audio-flash: brak cennika stawek; konfiguracja referencyjna 4 × 80 GB H800, rezerwowa 8-GPU.

• Koszt krańcowy jednej dodatkowej godziny — Eleven: $4.80. Ming: praktycznie zero, dopóki karty nie ulegną nasyceniu, a potem funkcja skokowa.

• Koszt pierwszej godziny — Eleven: 4,80 USD. Ming: sprzęt, stos serwowania i integracja.

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.'

Języki to obszar, w którym karty specyfikacji wprowadzają w błąd.

ElevenLabs twierdzi, że obsługuje ponad 90 języków, i faktycznie ma to pokrycie w całym stosie TTS i STT. Ming-3.0-audio-flash deklaruje chiński i angielski, a następnie doprecyzowuje to w sposób, który ma większe znaczenie niż sama liczba: „w tym zróżnicowane akcenty i dialekty”. Własna październikowa tabela dostawcy to potwierdza, wskazując wskaźniki błędów dla dialektów znacznie lepsze niż modele omni, z którymi je porównuje — hokkien 12,84 wobec 28,08 dla Qwen3.8-Omni Flash i 81,62 dla Gemini 3.8 Flash, szanghajski 11,15 wobec 21,10 i 88,64. Jeśli Twoje audio to mandaryński z akcentem regionalnym, to jest możliwość, której żadne porównanie liczby języków nie odda, a lista ponad 90 języków Eleven nie mówi, jak radzi sobie z hokkien.

Odwrotnie jest równie prawdziwe: jeśli Twoje audio jest w języku hiszpańskim, portugalskim, japońskim lub arabskim, Ming-3.0-audio-flash nie ma żadnych podstaw. To nie jest bliska decyzja pod względem pokrycia. To niemal całkowity podział i najszybszy sposób, by zdecydować, w której kolumnie się znajdujesz.

Oba na jednym klawiszu, dla tej połowy, która jest tekstem

OrcaRouter nie udostępnia Ming-3.0-audio-flash ani Eleven Realtime v1 Max — to odpowiednio samodzielnie hostowany checkpoint i własny produkt czasu rzeczywistego dostawcy, a dla żadnego z nich nie możemy udostępnić Ci punktu końcowego. Udostępniamy natomiast pozostałą część potoku, którą zakłada każdy z nich. System głosowy zbudowany na samodzielnie hostowanym modelu audio opiera się głównie na wywołaniach tekstowych: prompt, który mówi modelowi audio, czego ma słuchać, parser, który zamienia jego etykietę języka rozdzieloną tabulatorami na ustrukturyzowane dane wyjściowe, podsumowanie tworzone na podstawie transkrypcji, router, który kieruje trudne wywołanie do mocniejszego modelu. Te elementy działają przez ponad 200 modeli za jednym kluczem, przy 0% marży, z automatycznym przełączaniem awaryjnym, gdy jakość dostawcy spada — to właśnie sprawia, że można bezpiecznie umieścić niesprawdzony model audio za częścią Twojego ruchu, podczas gdy reszta nadal działa.

Który wybrać?

Wybierz Eleven Realtime v1 Max, jeśli w tym miesiącu chcesz mieć agenta głosowego: ponad 90 języków, rozwiązana pętla konwersacyjna, wywoływanie narzędzi, publikowana cena za minutę i sesja zgodna z OpenAI. Zaakceptuj jednak, że jego wynik ukończenia zadań tau-voice wynosi 0,578, że zachowanie backchannel jest najsłabszym elementem jego profilu w Full Duplex Bench oraz że wynajmujesz stos, którego nie możesz sprawdzić.

Wybierz Ming-3.0-audio-flash, jeśli Twoje audio jest w języku chińskim lub angielskim, Twoje trudne przypadki to akcenty lub dialekty, Twój zespół może uruchomić cztery GPU po 80 GB i stos serwowania, a Ty jesteś gotów samodzielnie zbudować warstwę konwersacyjną. Zaakceptuj, że opublikowane przez sam model liczby pokazują, iż traci on pole w przypadku długich nagrań i diarizacji mówców, że jego czas do pierwszego dźwięku jest dwukrotnie dłuższy niż w Eleven oraz że jego 99,8 to pozycja w rankingu, a nie obietnica dotycząca Twojego obciążenia.

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.

A jeśli odpowiedź brzmi „trochę jednego i drugiego” — hostowany agent dla języków, które obsługuje, model self-hosted dla ruchu z mocnym akcentem — to nie jest kompromis, lecz kształt, jaki faktycznie przybiera większość produkcyjnych systemów mowy. Błędem jest wybierać na podstawie 99. percentyli, bo na tym końcu tabeli liczba przestała mówić ci cokolwiek, czego twoje własne nagrania nie powiedziałyby ci szybciej.