Сгенерированная титульная карточка с надписью «Две 99, два совершенно разных счёта» и подзаголовком, где Ming-3.0-audio-flash противопоставлен Eleven Realtime v1 Max. Три пронумерованные строки гласят: «Ming-3.0-audio-flash: открытые веса 126B, от 4 до 8 H800, без тарифной сетки», «Eleven Realtime v1 Max: $0,08 за минуту плюс использование LLM, более 90 языков» и «Точность 99,8% против 98,8%, время до первого аудио 1,12 с против 0,57 с». В нижнем колонтитуле указано: «Точность и задержка по данным Artificial Analysis; цена Eleven — по её странице тарифов API».
Guides & Insights

Ming-3.0-audio-flash против Eleven Realtime v1 Max: две 99-ки, и только одна из них стоит $0,08 в минуту

Автор

jinhao.song

Дата публикации

Новые модели · 20Все модели →
Бенчмарки: Artificial Analysis · обновляется ежедневно
Назад ко всем статьям

Ming-3.0-audio-flash и Eleven Realtime v1 Maxоба заявляют показатель качества рассуждений о речи около 99%, и сходство заканчивается, как только посмотришь, как было получено каждое число. ElevenLabs указывает «99% в рассуждениях о речи, 570 мс до первого аудио» на собственной карточке тарифа для Realtime v1 Max; Artificial Analysis измеряет ту же модель на уровне 98,8% и 0,567 секунды. Карточка inclusionAI заявляет 99,40 на BigBenchAudio для Ming-3.0-audio-flash; Artificial Analysis измеряет 99,8% на Big Bench Audio и 1,12 секунды. Один производитель занизил показатель собственной модели на шаг округления, а другой — на четыре десятых. Оба достаточно близки, чтобы быть правдоподобными, и ни один из них не является числом, на основании которого стоит принимать решение.

Цифра, определяющая выбор, у каждого своя. Для Eleven Realtime v1 Max это $0.08 в минуту плюс использование LLM, что по измеренной Artificial Analysis ставке составляет примерно $4.80 в час за входящее аудио. Для Ming-3.0-audio-flash это четыре H800 по 80 GB, потому что тарифной сетки нет вообще — это чекпоинт mixture-of-experts на 126 млрд параметров под лицензией MIT, который вы скачиваете и запускаете у себя. Всё остальное в этом сравнении вытекает из этого разделения: одно — подписка на голосового агента, другое — машина, которая принадлежит вам.

Что каждый из них на самом деле из себя представляет

Eleven Realtime v1 Max — это не модель в смысле чекпоинта. В документации каждая модель Realtime описывается как полноценный голосовой агент — распознавание речи, обнаружение голосовой активности и управление очередностью реплик, LLM и синтез речи, — упакованный так, что вы его выбираете, а не собираете. Max позиционируется для точных, продуманных ответов при выполнении многошаговых задач и является единственной из двух моделей Realtime, в которой указан вызов инструментов. Он поддерживает более 90 языков, доступен через совместимый с OpenAI Realtime API, а переключение между Max и его меньшей моделью — это изменение выбора модели, а не пересборка.

Ming-3.0-audio-flash — это противоположная схема. Аудиокодер и проектор подают данные в языковую основу на основе смеси экспертов; на входе — аудио плюс текстовая инструкция; на выходе — текст или текст с синтезированной речью через опциональный Talker. В карточке не описаны встроенное определение реплик, управление сеансами или слой вызова инструментов. Что действительно утверждается в карточке, так это широта входных данных: китайский и английский, включая акценты и диалекты, неречевые звуки, акустические сцены, музыку и длинные записи.

• Параметры — Ming-3.0-audio-flash: 126B всего, 6,5B активных на каждом шаге. Eleven Realtime v1 Max: не раскрыто.

• Форма — Ming: контрольная точка, которую вы обслуживаете. Eleven: размещённый агент, которого вы выбираете.

• Контекст — Ming: 131 072 токена, заявленных в конфигурации. Eleven: не публикуется; единицей является сессия, а не токенное окно.

• Языки — Ming: китайский и английский. Eleven: 90+ согласно списку языков Eleven v4.

• Голосовой вывод — Ming: опционально, через Talker, со встроенными и эталонными голосами. Eleven: ядро продукта; голос выбирается из библиотеки.

• Вызов инструментов — Ming: не описан. Eleven: указан для Max, но не для Mini.

• Лицензия — Ming: MIT на веса. Eleven: коммерческое соглашение об 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.

Эти два числа и почему они расходятся в противоположных направлениях

«99%» в карточке ElevenLabs — почти наверняка округлённое 98,8 из прогона Artificial Analysis, опубликованное на собственной странице цен поставщика вместе с показателем задержки. Это необычно откровенно: большинство поставщиков приводят бенчмарк, который выбрала лаборатория, создавшая модель. Это также означает, что два источника не независимы — поставщик ссылается на третью сторону, а не запускает параллельный испытательный стенд — поэтому, когда они совпадают, совпадение обеспечено по построению.

С показателем Ming ситуация иная. Октябрьская карточка модели содержала изображение с результатами оценки, где на «BigBenchAudio» указано 99,40, а рядом — гораздо более слабая картина по длинному аудио. Сегодняшние 99,8 взяты напрямую из Artificial Analysis, а карточку сегодня утром отредактировали, чтобы сослаться на него. Разрыв между 99,40 и 99,8 — не исправление; это два прогона бенчмарка с одним и тем же названием, но разными харнессами, промптами и подмножествами заданий. Ни один из них не ошибочен. Оба — из тех чисел, которые сдвигаются на десятые доли при изменении деталей, поэтому отрыв в один пункт на вершине таблицы, где 42 модели теснятся в диапазоне 90–99, не является защитным рвом.

То, что действительно устанавливает порядок в таблице лидеров, — это принадлежность к верхней группе. По показателю речевого рассуждения Ming-3.0-audio-flash с 99,8 и Eleven Realtime v1 Max с 98,8 разделяет один балл и ничего больше из того, что измеряет таблица. По времени до первого звука их разделяет двукратная разница: 1,12 секунды против 0,567. Для модели, которая должна ответить в пределах разговорной паузы, именно это число решает, ощущается ли система живой, и это единственное место, где дешёвый с виду вариант не является очевидно худшим.

Там, где сравнение ломается, — а ломается оно на разговоре.

Речевое рассуждение — это вопросы с несколькими вариантами ответов, подаваемые в виде аудио. Голосовой агент — это другая задача: понимать, когда начать говорить, когда молчать во время паузы, как воспринимать перебивание, стоит ли издавать поддакивающий сигнал. Artificial Analysis измеряет это отдельно на Full Duplex Bench, и это наименее симметричная часть всего сравнения.

У Eleven Realtime v1 Max опубликованный балл Full Duplex Bench составляет 0,941: обработка перебиваний — 0,99, соблюдение очерёдности реплик — 1,0, обработка пауз — 0,978, а backchannels — 0,796. У него также есть балл tau-voice 0,578 по симуляциям задач в авиакомпаниях, розничной торговле и телекоме — гораздо менее лестная цифра и полезная поправка для всех, кто читает 99% как общий вердикт. У Ming-3.0-audio-flash нет ни балла Full Duplex Bench, ни балла tau-voice, ни опубликованных измерений того, как он ведёт себя, когда его перебивают. Дело не в том, что этот чекпойнт провалил бы эти тесты. Дело в том, что никто их не проводил, и карточка модели не описывает механизмы, которые придали бы им смысл: обнаружение реплик и перебивание — это то, что вы строите вокруг модели, а не то, что идёт с ней в комплекте.

У этой асимметрии есть практическое выражение. Выбирая Eleven Realtime v1 Max, вы получаете готовый разговорный цикл с опубликованной (пусть и средней) оценкой выполнения задач. Выбирая Ming-3.0-audio-flash, вы получаете необычно сильный слух и текстовый интерфейс, а цикл — VAD, определение конца реплики, обработку перебиваний, реплику LLM за голосом — оставляет на вас. Эти два продукта не заменяют друг друга на одном слое, а лобовое сравнение по точности исподволь подразумевает, что они взаимозаменяемы.

Арифметика часа, выполненная честно

Час непрерывного входного аудио на Eleven Realtime v1 Max тарифицируется по $0,08 в минуту, то есть $4,80, плюс всё, что потребляет встроенная LLM. Измеренная Artificial Analysis стоимость часа входного аудио для этой модели составляет ровно $4,80, что подтверждает тарифную карточку. При 1 000 часов в месяц это $4 800 до учёта токенов LLM и до каких-либо лимитов одновременных подключений, которые документация указывает для TTS и STT, но не для голосовых агентов Realtime.

У стороны Ming нет такой цифры, поэтому любое сравнение требует допущения, и это допущение должно быть видимым. Эталонный профиль обслуживания 128K от inclusionAI использует тензорный параллелизм на четырёх 80-ГБ H800; длинные аудиовходы могут вызвать OOM в этой конфигурации и вынудить перейти на резервный вариант с восемью GPU. При гипотетической цене $2 за GPU-час — условное значение, а не котировка — четыре карты стоят $8 в час, а восемь — $16, и то и другое до учёта загрузки, до учёта простоя, который несёт любой постоянно работающий сервис, и до затрат на инженера для его эксплуатации. При полной загрузке конфигурация с четырьмя GPU конкурентоспособна с ценой $4,80 в час. При загрузке в десять процентов это уже совсем другой разговор.

Вот и весь аргумент о стоимости, и он зависит от загрузки, а не от цен того или иного поставщика. Команда со стабильным большим объёмом аудиотрафика и уже имеющимися мощностями GPU может заставить арифметику сойтись. Команда, тестирующая идею во вторник днём, — нет, и ей не стоит делать вид, что почасовая цифра, которую она рассчитывает при уровне трафика, как в 3 часа ночи, что-то значит.

• С оплатой по мере использования — Eleven Realtime v1 Max: $0,08/мин, около $4,80/час, плюс использование LLM.

• Самостоятельное размещение — Ming-3.0-audio-flash: тарифной сетки нет; эталонная конфигурация 4 × 80 ГБ H800, резервный вариант на 8 ГП.

• Предельная стоимость ещё одного часа — Eleven: $4.80. Ming: фактически ноль, пока карты не насытятся, затем ступенчатая функция.

• Стоимость первого часа — Eleven: $4,80. Ming: аппаратное обеспечение, стек обслуживания и интеграция.

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.'

Языки — вот где спецификации вводят в заблуждение.

ElevenLabs заявляет о 90+ языках и действительно обеспечивает их во всём стеке TTS и STT. Ming-3.0-audio-flash заявляет о поддержке китайского и английского, а затем уточняет это так, что это важнее самого количества: «включая различные акценты и диалекты». Собственная октябрьская таблица поставщика подтверждает это показателями ошибок на диалектах, которые разительно лучше, чем у omni-моделей, с которыми он сравнивается: хоккиен — 12,84 против 28,08 у Qwen3.8-Omni Flash и 81,62 у Gemini 3.8 Flash; шанхайский — 11,15 против 21,10 и 88,64. Если в вашем аудио звучит путунхуа с региональным акцентом, это возможность, которую не отразит никакое сравнение по количеству языков, а список 90+ от Eleven не говорит, насколько хорошо модель справляется с хоккиен.

Обратное столь же верно: если ваше аудио на испанском, португальском, японском или арабском, {{1}}Ming-3.0-audio-flash{{/1}} вообще не имеет к этому отношения. Это не спорный вопрос покрытия. Это почти полное разделение, и это самый быстрый способ определить, в какой колонке вы находитесь.

Оба на одной клавише, для той половины, которая является текстом

OrcaRouter не обслуживает Ming-3.0-audio-flash и не обслуживает Eleven Realtime v1 Max — это self-hosted-чекпоинт и собственный realtime-продукт вендора, и ни для одного из них мы не можем предоставить вам эндпоинт. Мы обслуживаем остальную часть пайплайна, которую подразумевает любой из них. Голосовая система, построенная на self-hosted аудиомодели, — это в основном текстовые вызовы: промпт, который говорит аудиомодели, что слушать; парсер, который превращает её языковую метку, разделённую табуляцией, в структурированный вывод; резюме, составленное по транскрипту; маршрутизатор, который отправляет сложный вызов более сильной модели. Всё это работает через более 200 моделей за одним ключом, с наценкой 0%, с автоматическим переключением при деградации провайдера — что позволяет безопасно поставить непроверенную аудиомодель за часть вашего трафика, пока остальное продолжает работать.

Какой вариант выбрать

Если вам нужен голосовой агент в этом месяце, берите Eleven Realtime v1 Max: более 90 языков, отлаженный разговорный цикл, вызов инструментов, опубликованная цена за минуту и сессия, совместимая с OpenAI. Примите, что его оценка выполнения задач tau-voice составляет 0,578, что его поведение бэкчэннела — самая слабая часть профиля Full Duplex Bench, и что вы арендуете стек, который не можете проверить.

Берите Ming-3.0-audio-flash, если ваше аудио на китайском или английском, ваши сложные случаи — это акценты или диалекты, ваша команда может запускать четыре GPU по 80 ГБ и стек обслуживания, и вы готовы самостоятельно построить диалоговый слой. Смиритесь с тем, что опубликованные самими разработчиками модели цифры показывают, что она теряет позиции на длинных записях и в диаризации говорящих, что её время до первого аудио вдвое больше, чем у Eleven, и что её 99.8 — это место в таблице лидеров, а не обещание для вашей рабочей нагрузки.

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.

И если ответ — «немного того и другого»: агент на хостинге провайдера для языков, которые он покрывает, и модель на собственных серверах для трафика с сильным акцентом, — это не компромисс, а та форма, которую на самом деле принимает большинство промышленных речевых систем. Ошибка — выбирать по 99-м, потому что на этом конце таблицы число уже перестаёт сообщать вам что-либо, чего ваши собственные записи не сказали бы вам быстрее.

© 2026 OrcaRouter