Um cartão de título gerado com o texto “Dois 99, duas faturas completamente diferentes”, com um subtítulo que nomeia Ming-3.0-audio-flash contra Eleven Realtime v1 Max. Três linhas numeradas dizem “Ming-3.0-audio-flash: pesos abertos de 126B, 4 a 8 H800s, sem tabela de preços”, “Eleven Realtime v1 Max: US$ 0,08 por minuto mais uso de LLM, mais de 90 idiomas” e “Precisão de 99,8% vs 98,8%, tempo até o primeiro áudio de 1,12 s vs 0,57 s”. O rodapé diz “Precisão e latência conforme a Artificial Analysis; preço da Eleven conforme sua página de preços da API.”
Guides & Insights

Ming-3.0-audio-flash vs Eleven Realtime v1 Max: Dois 99s, apenas um deles custa US$ 0,08 por minuto

Autor

jinhao.song

Data de publicação

Modelos mais recentes · 20Ver todos os modelos →
Benchmarks: Artificial Analysis · atualizado diariamente
Voltar para todas as publicações

Ming-3.0-audio-flash e Eleven Realtime v1 Maxambos afirmam uma pontuação de raciocínio em fala de cerca de 99%, e a semelhança termina no momento em que você observa como cada número foi produzido. A ElevenLabs coloca “99% em raciocínio de fala, 570 ms até o primeiro áudio” em seu próprio card de preços do Realtime v1 Max; a Artificial Analysis mede o mesmo modelo em 98,8% e 0,567 segundos. O card da inclusionAI afirma 99,40 no BigBenchAudio para o Ming-3.0-audio-flash; a Artificial Analysis mede 99,8% no Big Bench Audio e 1,12 segundos. Um fornecedor subestimou seu próprio modelo em um passo de arredondamento e o outro subestimou o seu em quatro décimos. Ambos são próximos o suficiente para serem críveis, e nenhum deles é o número no qual você deveria basear uma decisão.

O número da decisão é diferente para cada um. Para o Eleven Realtime v1 Max, é US$ 0,08 por minuto mais o uso de LLM, o que dá aproximadamente US$ 4,80 por hora de áudio de entrada na taxa medida pela Artificial Analysis. Para o Ming-3.0-audio-flash, são quatro H800 de 80 GB, porque não existe tabela de preços — é um checkpoint de mistura de especialistas com 126 bilhões de parâmetros sob MIT que você baixa e executa. Todo o resto nesta comparação decorre dessa divisão: um é uma assinatura de um agente de voz, o outro é uma máquina que você possui.

O que cada um realmente é

O Eleven Realtime v1 Max não é um modelo no sentido de checkpoint. A documentação descreve cada modelo Realtime como um agente de voz completo — reconhecimento de fala, detecção de atividade de voz e tomada de turno, um LLM e síntese de fala — empacotado para que você o selecione em vez de montá-lo. O Max é posicionado para respostas precisas e ponderadas em tarefas de várias etapas e é o único dos dois modelos Realtime que lista chamada de ferramentas. Ele fala mais de 90 idiomas, é acessível por meio de uma API Realtime compatível com OpenAI, e alternar entre o Max e seu irmão menor é uma mudança de seleção de modelo, não uma reconstrução.

Ming-3.0-audio-flash é o arranjo oposto. Um codificador de áudio e um projetor alimentam um backbone de linguagem de mistura de especialistas; as entradas são áudio mais uma instrução de texto; as saídas são texto, ou texto com fala sintetizada por meio de um Talker opcional. Não há detecção de turno integrada, nem gerenciamento de sessão, nem camada de chamada de ferramentas descrita no card. O que o card afirma é amplitude no lado da entrada: chinês e inglês, incluindo sotaques e dialetos, som não verbal, cenas acústicas, música e gravações longas.

• Parâmetros — Ming-3.0-audio-flash: 126B no total, 6,5B ativos por passo. Eleven Realtime v1 Max: não divulgado.

• Formato — Ming: um checkpoint que você serve. Eleven: um agente hospedado que você seleciona.

• Contexto — Ming: 131.072 tokens declarados na configuração. Eleven: não publicado; a sessão é a unidade, não a janela de tokens.

• Idiomas — Ming: chinês e inglês. Eleven: 90+ conforme a lista de idiomas do Eleven v4.

• Saída de voz — Ming: opcional, via o Talker, com vozes integradas e de referência. Eleven: o núcleo do produto; a voz é escolhida a partir de uma biblioteca.

• Chamada de ferramentas — Ming: não descrita. Eleven: listada para Max, não para Mini.

• Licença — Ming: MIT sobre os pesos. Eleven: um acordo comercial de 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.

Os dois números, e por que eles divergem em direções opostas

O «99%» do cartão da ElevenLabs é quase certamente um 98,8 arredondado de uma execução da Artificial Analysis, publicada na própria página de preços do fornecedor com o valor de latência associado. Isso é invulgarmente transparente: a maioria dos fornecedores cita um benchmark que o laboratório que criou o modelo escolheu. Também significa que as duas fontes não são independentes — o fornecedor está a citar o terceiro, e não a executar uma bateria de testes paralela —, pelo que, quando concordam, concordam por construção.

O caso Ming é diferente. O card do modelo de outubro trazia uma imagem de avaliação mostrando 99,40 em "BigBenchAudio", ao lado de um quadro muito mais fraco em áudio longo. O 99,8 de hoje vem diretamente da Artificial Analysis, e o card foi editado esta manhã para citá-lo. A diferença entre 99,40 e 99,8 não é uma correção; são duas execuções de um benchmark com o mesmo nome e harnesses, prompts e subconjuntos de itens diferentes. Nenhuma está errada. Ambos são o tipo de número que varia em décimos quando os detalhes mudam, e é por isso que uma vantagem de um ponto no topo de uma tabela em que 42 modelos se aglomeram na casa dos noventa não é um fosso competitivo.

O que a ordenação do ranking estabelece é o pertencimento ao grupo de elite. Em raciocínio de fala, Ming-3.0-audio-flash com 99,8 e Eleven Realtime v1 Max com 98,8 estão separados por um ponto e por nada mais que o ranking meça. No tempo até o primeiro áudio, eles estão separados por um fator de dois: 1,12 segundo contra 0,567. Para um modelo que precisa responder dentro de uma pausa conversacional, esse é o número que decide se o sistema parece vivo, e é o único ponto em que a opção de aparência barata não é obviamente a pior.

Onde a comparação falha, e falha na conversa

O raciocínio de fala consiste em perguntas de múltipla escolha apresentadas em áudio. Um agente de voz é um problema diferente: saber quando começar a falar, quando permanecer em silêncio durante uma pausa, como lidar com uma interrupção, se deve emitir um backchannel. A Artificial Analysis mede isso separadamente no Full Duplex Bench, e esta é a parte menos simétrica de toda a comparação.

O Eleven Realtime v1 Max tem uma pontuação publicada no Full Duplex Bench de 0,941, com tratamento de interrupções em 0,99, alternância de turnos em 1,0, tratamento de pausas em 0,978 e backchannels em 0,796. Também tem uma pontuação tau-voice de 0,578 em simulações de tarefas de companhias aéreas, varejo e telecomunicações — um número bem menos lisonjeiro, e uma correção útil para quem lê os 99% como um veredito geral. O Ming-3.0-audio-flash não tem pontuação no Full Duplex Bench, nem pontuação tau-voice, nem qualquer medição publicada de como ele se comporta quando alguém fala por cima dele. Não é que o checkpoint fosse reprovar nesses testes. É que ninguém os executou, e o model card não descreve a mecânica que os tornaria significativos: detecção de turno e barge-in são coisas que você constrói ao redor dele, não coisas com as quais ele já vem.

Essa assimetria tem uma forma prática. Escolher o Eleven Realtime v1 Max significa adquirir um loop conversacional resolvido, com uma pontuação de conclusão de tarefa publicada (embora mediana). Escolher o Ming-3.0-audio-flash significa adquirir um ouvido excepcionalmente forte e uma interface de texto, deixando o loop — VAD, endpointing, tratamento de interrupções, o turno do LLM por trás da voz — como seu trabalho. Os dois produtos não são substitutos na mesma camada, e uma comparação direta de precisão insinua silenciosamente que são.

A aritmética de uma hora, feita com honestidade

Uma hora de áudio de entrada contínuo no Eleven Realtime v1 Max é cobrada a US$ 0,08 por minuto, o que dá US$ 4,80, mais o que o LLM incluído consumir. O custo medido pelo Artificial Analysis por hora de áudio de entrada para o modelo é exatamente US$ 4,80, o que corrobora o card. A 1.000 horas por mês, isso equivale a US$ 4.800 antes dos tokens do LLM e antes de quaisquer limites de concorrência, que a documentação lista para TTS e STT, mas não para agentes de voz Realtime.

O lado Ming não tem esse número, então qualquer comparação exige uma suposição, e a suposição deve ficar visível. O perfil de serving de referência de 128K da inclusionAI usa paralelismo de tensores em quatro H800 de 80 GB; entradas de áudio longas podem causar OOM nisso e forçar o fallback para oito GPUs. A um hipotético US$ 2 por GPU-hora — um valor provisório, não uma cotação — quatro placas custam US$ 8 por hora e oito custam US$ 16, ambos antes da utilização, antes do tempo ocioso que qualquer serviço sempre ativo carrega e antes de um engenheiro para operá-lo. Preenchida até a capacidade, a configuração de quatro GPUs é competitiva com US$ 4,80 por hora. Preenchida até dez por cento, não está na mesma conversa.

Esse é todo o argumento de custo, e ele depende da utilização, e não do preço de qualquer um dos fornecedores. Uma equipe com tráfego de áudio constante e de alto volume e capacidade de GPU já existente consegue fazer as contas fecharem. Uma equipe testando uma ideia numa tarde de terça-feira não consegue, e não deveria fingir que o valor por hora que calcula com níveis de tráfego das 3 da manhã significa alguma coisa.

• Medido — Eleven Realtime v1 Max: $0,08/min, cerca de $4,80/hora, mais o uso de LLM.

• Auto-hospedado — Ming-3.0-audio-flash: sem tabela de tarifas; referência de 4 × 80 GB H800, fallback de 8 GPUs.

• Custo marginal de mais uma hora — Eleven: US$ 4,80. Ming: efetivamente zero até os cartões saturarem, depois uma função degrau.

• Custo da primeira hora — Eleven: $4.80. Ming: o hardware, a stack de serving e a integração.

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.'

É nas línguas que as fichas técnicas enganam.

A ElevenLabs afirma ter mais de 90 idiomas e leva isso a sério em toda a stack de TTS e STT. O Ming-3.0-audio-flash diz chinês e inglês e, em seguida, qualifica isso de um modo que importa mais do que a contagem: “incluindo sotaques e dialetos variados”. A própria tabela de outubro do fornecedor confirma isso com taxas de erro por dialeto dramaticamente melhores do que as dos modelos omni com que compara — hokkien em 12,84 contra 28,08 do Qwen3.8-Omni Flash e 81,62 do Gemini 3.8 Flash; xangainês em 11,15 contra 21,10 e 88,64. Se o seu áudio for mandarim com sotaque regional, isso é uma capacidade que nenhuma comparação de contagem de idiomas captura, e a lista de mais de 90 da ElevenLabs não diz como ele se sai em hokkien.

O inverso também é verdadeiro: se o seu áudio for em espanhol, português, japonês ou árabe, o Ming-3.0-audio-flash não tem pretensão alguma. Isso não é uma questão de pequena margem na cobertura. É uma partição quase total, e é a maneira mais rápida de decidir em qual coluna você está.

Ambos na mesma tecla, para a metade que é texto

O OrcaRouter não serve o Ming-3.0-audio-flash, e também não serve o Eleven Realtime v1 Max — esses são um checkpoint auto-hospedado e um produto de tempo real do próprio fornecedor, e nenhum dos dois é um modelo para o qual possamos fornecer um endpoint. O que servimos é o restante do pipeline que qualquer um dos dois implica. Um sistema de voz construído sobre um modelo de áudio auto-hospedado é majoritariamente chamadas de texto: o prompt que diz ao modelo de áudio o que escutar, o parser que transforma seu rótulo de idioma delimitado por tabulações em saída estruturada, o resumo escrito a partir da transcrição, o roteador que envia uma chamada difícil para um modelo mais forte. Esses passam por mais de 200 modelos atrás de uma única chave, com 0% de markup, com failover automático quando um fornecedor apresenta degradação — o que torna seguro colocar um modelo de áudio não comprovado atrás de parte do seu tráfego enquanto o restante continua funcionando.

Qual escolher

Escolha o Eleven Realtime v1 Max se você quiser um agente de voz este mês: mais de 90 idiomas, um loop conversacional resolvido, chamada de ferramentas, um preço por minuto publicado e uma sessão compatível com OpenAI. Aceite que sua pontuação de conclusão de tarefas no tau-voice é 0,578, que seu comportamento de backchannel é a parte mais fraca do perfil no Full Duplex Bench e que você está alugando uma stack que não pode inspecionar.

Escolha o Ming-3.0-audio-flash se o seu áudio for em chinês ou inglês, se os seus casos difíceis forem sotaques ou dialetos, se a sua equipa conseguir executar quatro GPUs de 80 GB e uma stack de serving e se estiver disposto a construir a camada de conversação por conta própria. Aceite que os próprios números publicados do modelo mostram que ele perde terreno em gravações longas e na diarização de oradores, que o seu tempo até ao primeiro áudio é o dobro do da Eleven e que o seu 99.8 é uma posição numa tabela de classificação, e não uma promessa sobre a sua carga de trabalho.

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.

E se a resposta for "um pouco de cada" — um agente hospedado para os idiomas que ele cobre, um modelo auto-hospedado para o tráfego com sotaques fortes — isso não é um meio-termo, é o formato que a maioria dos sistemas de fala em produção realmente adota. O erro é escolher com base nos 99s, porque nesse extremo da tabela o número já deixou de lhe dizer qualquer coisa que suas próprias gravações não lhe diriam mais rápido.