Ming-3.0-tts vs ElevenLabs: Eleven v4 vence a Arena por 140 pontos e perde o único teste que decide se seu texto é lido corretamente

Peça a uma sala de engenheiros de IA de voz para escolher entre Ming-3.0-tts e Eleven v4 e você terá ElevenLabs quase sempre, e a arena concorda com eles: 1.328 Elo para Eleven v4 no Provider Voice contra 1.188 para o modelo da Ant Group, uma diferença de 140 pontos que não é erro de arredondamento, empate nem artefato temporário da contagem de votos. Em seguida, abra o painel de pronúncia, em que o mesmo laboratório pergunta a avaliadores humanos se cada trecho destacado em uma frase em inglês foi pronunciado corretamente, e Ming-3.0-tts está em 93,2% contra 91,7% do Eleven v4 — primeiro lugar contra terceiro. Um modelo que soa nitidamente pior para os ouvintes também é, por uma medida independente, mais confiável em dizer as palavras que precisam ser ditas exatamente. As falhas de IA e os incidentes com agentes documentados por trás de lançamentos como este estão reunidos em o OrcaRouter AI Incident Archive onde cada entrada traz suas próprias fontes, gravidade, grau de confiança e indicador de contestação.

Isso não é uma contradição, e entender por que não é é todo o valor desta comparação. A ElevenLabs vende uma voz. Ming-3.0-tts é um checkpoint que você executa. A sobreposição em que eles competem de verdade é menor do que o marketing de qualquer um dos fornecedores sugere, e dentro dessa sobreposição a resposta muda conforme o tipo de texto que você fornece a eles.

O que a ElevenLabs realmente lança

O ElevenLabs agora opera duas linhas de modelos atuais. O Eleven v4 é o modelo emotivo e de alta fidelidade: mais de 90 idiomas, limite de 10.000 caracteres por solicitação, diálogo com vários falantes e clonagem de voz que começa no plano Starter de US$ 6 para clones instantâneos e no plano Creator de US$ 22 para clones profissionais. O Eleven v4 Turbo é o irmão em tempo real, com os mesmos mais de 90 idiomas, uma latência mediana de inferência publicada de cerca de 100 milissegundos, excluindo a sobrecarga de aplicação e rede, e preço de API aproximadamente metade do v4. A cobrança é feita em créditos, com um crédito por caractere, e os planos vão do gratuito com 10.000 créditos a US$ 990 por mês para seis milhões; a arena normaliza o v4 para US$ 80 por milhão de caracteres e o Turbo para US$ 40.

Ming-3.0-tts é um objeto completamente diferente: um checkpoint de 2,96 GB com licença MIT da equipe inclusionAI do Ant Group, construído sobre um backbone Qwen2.5-0.5B com um cabeçote de patches de transformer de difusão, lançado como pesos em 24 de setembro de 2026 e tornado executável quando o código de inferência chegou ao GitHub em 19 de outubro. Ele cobre sete idiomas, além de sichuanês e cantonês, clona uma voz a partir de áudio de referência e sua transcrição, projeta vozes a partir de descrições textuais e aceita 14 tags paralinguísticas inline. Não há endpoint hospedado, assinatura nem medição por caractere.

A segunda linha de modelos da ElevenLabs importa aqui e raramente é mencionada em comparações: Eleven v3, com 1.072 Elo, ainda em produção, e v3 Conversational, com 1.062, para uso em tempo real. Uma equipe que escolhe "ElevenLabs" muitas vezes está escolhendo a v3 porque ela é mais barata ou porque sua integração é anterior à v4. Ambos pontuam abaixo do Ming-3.0-tts no quadro de preferências. A comparação é com a v4, e a v4 é um nível genuinamente diferente da linha v3 que a maioria das implantações existentes executa.

A lacuna de preferência é real, e não está onde você pensa.

• Elo de Voz do Provedor — Ming-3.0-tts 1.188 (1.174–1.202) vs. Eleven v4 1.328 (1.314–1.342). Eleven v4 está em 2º de 97; Ming está em 18º. Eleven v4 Turbo lidera o ranking com 1.330.

• Voice Elo controlado, as mesmas oito vozes clonadas para cada sistema — Ming-3.0-tts 1.068 (1.052–1.084) vs. Eleven v4 1.156 (1.143–1.169) e Turbo 1.158. A diferença diminui de 140 para 88 pontos.

Leia a segunda linha novamente. Quando ambos os sistemas clonam a mesma voz, mais da metade da vantagem do ElevenLabs evapora. O Provider Voice mede o produto inteiro — o catálogo de vozes nativas, a entrega padrão, as escolhas de prosódia que um fornecedor fez por você — e a ElevenLabs passou anos construindo esse catálogo, enquanto a Ming oferece cinco vozes em inglês contra mais de cem em chinês. O Controlled Voice retira isso e pergunta apenas quão bem cada sistema imita uma voz que lhe foi entregue. A ElevenLabs ainda vence, com folga, mas a margem tem outro tamanho e está medindo uma competência diferente.

Para uma equipe que está clonando a própria voz de marca, o número de 88 pontos é o relevante. Para uma equipe que quer escolher uma voz de um catálogo e lançar, o número de 140 pontos é o relevante, e ele reflete uma vantagem que a Ming não consegue fechar sem construir uma biblioteca de vozes que ela não demonstrou nenhum indício de estar construindo.

Onde o ranking se inverte

O painel de pronúncia pondera fortemente duas categorias, e o Ming-3.0-tts vence ambas de forma categórica.

• Preservando sequências exatas — códigos, caminhos, e-mails, identificadores. Ming-3.0-tts 90,6%, primeiro entre 31, contra Eleven v4 com 78,8% e Eleven v4 Turbo com 73,9%. Isso é uma diferença de 12 pontos na categoria que decide se um número de pedido, um caminho de repositório ou um endereço de e-mail de cliente sai intacto.

• Expandindo abreviações — números, datas, unidades, notação. Ming 96,5%, primeiro de 31, contra Eleven v4 com 94,1% e Turbo com 91,9%.

E onde a ElevenLabs vence, ela vence de forma clara:

• Termos isolados — nomes de marcas, lugares e técnicos. Eleven v4 93,2%, Ming 88,5%. Ming fica em 21.º lugar entre 31 aqui, o que é a linha mais importante deste artigo para qualquer pessoa que produza áudio de marketing ou de suporte em inglês.

• Contextualmente apropriado — heterônimos como "wound". Eleven v4 94,1%, Ming 91,0%.

A divisão dentro de um único teste é: Ming lê seus dados corretamente e pronuncia sua marca incorretamente; ElevenLabs lê sua marca corretamente e deturpa seus identificadores. Ambas as falhas são audíveis e nenhuma aparece em uma votação de preferência, porque um ouvinte que não sabe a pronúncia correta de um termo não tem como marcá-la como errada.

O agregado — 93,2 contra 91,7 — é um empate na prática. Os intervalos de confiança se sobrepõem (91,5–94,9 para Ming, 90,0–93,4 para v4), os tamanhos de amostra diferem (1.800 trechos contra 2.051), e uma vantagem de 1,5 ponto em um ranking de 31 modelos não é uma afirmação sobre a qual valha a pena basear uma decisão. O que vale a pena usar como base é a divisão por categoria, porque aí os intervalos se separam.

Custo, convertido honestamente

A ElevenLabs cobra um crédito por caractere, com o v4 na tarifa padrão e as variantes Turbo e Flash a meio a um crédito, dependendo do plano. Na tabela de planos publicada, o custo efetivo por minuto do TTS fica em torno de US$ 0,17–US$ 0,36, dependendo do nível, e o valor normalizado da arena é de US$ 80 por milhão de caracteres para o v4 e US$ 40 para o Turbo.

Medido em volume real: um milhão de caracteres corresponde a aproximadamente 20 horas de fala finalizada em um ritmo normal de narração. A US$ 80, isso dá US$ 4 por hora de áudio finalizado, o que é barato até deixar de ser — um catálogo de 5.000 descrições de produtos com 600 caracteres cada é três milhões de caracteres, ou US$ 240 no v4 e US$ 120 no Turbo. Essa é a conta mensal de uma operação de conteúdo que regenera seus textos.

O Ming-3.0-tts não tem preço por caractere porque não existe um serviço hospedado. O custo é o tempo de GPU à taxa medida de 44,3 caracteres por segundo, o que faz um milhão de caracteres levar cerca de 6,3 horas de geração em uma placa da classe H800, mais o carregamento. Se isso é mais vantajoso que US$ 80 depende inteiramente de quanto você já paga por computação e de quanto tempo de engenharia o caminho auto-hospedado consome. Para uma única descrição de produto por mês, a ElevenLabs é mais barata por um fator que torna a comparação ridícula. Para uma regeneração noturna de um grande corpus, a aritmética muda.

Há uma terceira opção que a página de preços de nenhum dos fornecedores vai sugerir, e é aí que uma camada de roteamento se justifica. O OrcaRouter não hospeda o Ming-3.0-tts e não oferece o ElevenLabs, então nenhum dos lados desta comparação é acessível por nosso intermédio; o Ming vem do repositório da Ant e o ElevenLabs da própria API. O que nós oferecemos são as prévias do Gemini TTS do Google e o tts-1 e o gpt-4o-mini-tts da OpenAI, além de mais de 200 modelos de texto, todos pelo preço de tabela do provedor, sem acréscimo de margem, com failover automático entre provedores por trás de uma única chave. Se a voz é uma etapa de um pipeline cujas etapas anteriores são texto — resumo, tradução, geração de roteiro —, é essa a parte que se consolida hoje, e uma mudança de preço de um provedor entra em vigor no mesmo dia, e não na próxima renovação de contrato.

A diferença de engenharia que decide mais do que o Elo

ElevenLabs oferece uma requisição, uma resposta, um limite de concorrência que escala de 2 no nível gratuito para 15 no Scale, e um fornecedor que responde quando algo quebra. Ming-3.0-tts oferece um checkpoint de 2,96 GB, uma imagem Docker usando PyTorch 2.6 e CUDA 12.4, uma classe Python e as tabelas de avaliação da Ant. O roteiro do repositório lista a inferência acelerada do vLLM-Omni como concluída, mas o relatório técnico como ainda não iniciado.

Seguem dois fatos operacionais, e eles não são pequenos.

Primeiro, o Ming-3.0-tts exige uma forma de onda de referência e sua transcrição para clonagem — os argumentos --prompt_wav_path e --prompt_text no próprio exemplo do repositório. O ElevenLabs clona a partir de dez segundos de áudio no Starter e acima, sem transcrição e sem pipeline local. Se seu fluxo de clonagem é "um cliente envia uma nota de voz", essa diferença é uma decisão de produto, e não um detalhe técnico.

Segundo, as capacidades no Ming são modos de tarefa, não interruptores combináveis. A própria documentação do Ant diz que as habilidades são expostas como tarefas separadas e não podem ser combinadas livremente, o que significa que uma solicitação que queira clonagem mais emoção mais um dialeto não é necessariamente uma solicitação que o modelo aceita como uma única chamada. O ElevenLabs expõe emoção e tags de áudio na mesma solicitação que a voz clonada. Para um agente que precisa das três coisas ao mesmo tempo, esta é a restrição que mais importa e ela não aparece em nenhum ranking.

Uma nota sobre em qual número da ElevenLabs confiar

A página de preços da ElevenLabs promove o v4 como seu modelo mais novo e mais emotivo, enquanto sua tabela de comparação ainda lista o v3, e a arena pontua separadamente v3, v3 Conversational, v4 e v4 Turbo como quatro sistemas distintos, com uma diferença de 260 pontos entre o primeiro e o último. A ElevenLabs não é um único concorrente nesta comparação; é uma linha de produtos, e a diferença entre seu melhor e seu pior modelo atual é maior do que a diferença entre Ming-3.0-tts e qualquer um dos dois. Qualquer comparação que use um único número para a ElevenLabs está escolhendo um número que favorece ou penaliza o fornecedor dependendo de qual foi escolhido.

O que fazer, concretamente?

Se o áudio for uma conversa voltada ao cliente — um atendente telefônico, um assistente interativo, qualquer coisa em que a primeira sílaba chegue enquanto alguém está esperando —, use o Eleven v4 Turbo. A alegação de latência é publicada, os níveis de simultaneidade são publicados, e o Ming-3.0-tts não tem nenhum caminho de streaming.

Se o áudio for marketing em inglês, narração centrada na marca, ou qualquer coisa em que um nome próprio seja o ponto central da frase, use o Eleven v4 e reserve orçamento para o dicionário de pronúncia. Os 88,5% do Ming em termos isolados ficam em 21.º de 31 e serão perceptíveis logo no primeiro nome de marca.

Se o áudio for operacional — confirmações de pedido, leitura em voz alta de conteúdo técnico, treinamento interno, qualquer coisa densa em identificadores, unidades e notação — o Ming-3.0-tts é o melhor instrumento, e não é uma disputa especialmente acirrada nas duas categorias que cobrem esses trechos. É também o único dos dois que você pode manter se um fornecedor alterar seus termos, porque a licença MIT não expira.

O que mudaria a resposta é a mesma coisa que tem sido há um mês: a Ant ainda não publicou um relatório técnico, e a Ming ainda não tem um endpoint hospedado. Assim que qualquer um dos dois for lançado, a lacuna de 88 pontos em voz controlada é o número a ser medido novamente, porque é o que está mais próximo do que uma equipe clonando a própria voz realmente vivenciará.