Ming-3.0-tts против ElevenLabs: Eleven v4 побеждает в Arena с отрывом в 140 баллов и проигрывает единственный тест, от которого зависит, будет ли ваш текст прочитан правильно

Соберите в одной комнате инженеров по голосовому ИИ и предложите им выбрать между Ming-3.0-tts и Eleven v4 — почти всегда они выберут ElevenLabs, и арена с ними согласна: 1 328 Elo у Eleven v4 в Provider Voice против 1 188 у модели Ant Group — разрыв в 140 пунктов, который не спишешь ни на ошибку округления, ни на ничью, ни на временный артефакт подсчёта голосов. А теперь откройте доску произношения, где та же лаборатория спрашивает у людей-рецензентов, правильно ли был произнесён каждый выделенный фрагмент в английском предложении, — и Ming-3.0-tts держится на 93,2% против 91,7% у Eleven v4: первое место против третьего. Модель, которая на слух заметно хуже, по независимой метрике оказывается надёжнее в произнесении слов, которые нужно произнести точно. Задокументированные сбои ИИ и инциденты с агентами, стоящие за подобными релизами, собраны в OrcaRouter AI Incident Archive, где каждая запись снабжена собственными источниками, уровнем серьёзности, степенью уверенности и отметкой об оспаривании.

Это не противоречие, и понимание того, почему это не так, — вся ценность этого сравнения. ElevenLabs продаёт голос. Ming-3.0-tts — это чекпойнт, который вы запускаете. Зона пересечения, где они действительно конкурируют, уже, чем подразумевает маркетинг любого из поставщиков, и внутри этого пересечения ответ меняется в зависимости от типа текста, который вы им подаёте.

Что ElevenLabs на самом деле выпускает

ElevenLabs теперь поддерживает две актуальные линейки моделей. Eleven v4 — это эмоциональная модель с высокой точностью: более 90 языков, ограничение в 10 000 символов на запрос, диалог с несколькими говорящими и клонирование голоса, доступное начиная с тарифа Starter за $6 для мгновенных клонов и тарифа Creator за $22 для профессиональных. Eleven v4 Turbo — её версия в реальном времени с теми же более чем 90 языками, опубликованной медианной задержкой вывода около 100 миллисекунд без учёта накладных расходов приложения и сети и ценами API примерно вдвое ниже, чем у v4. Ценообразование основано на кредитах: один кредит за символ, тарифы — от бесплатного с 10 000 кредитов до $990 в месяц за шесть миллионов; арена нормализует v4 до $80 за миллион символов, а Turbo — до $40.

Ming-3.0-tts — это совершенно другой объект: чекпойнт объёмом 2,96 ГБ под лицензией MIT от команды inclusionAI компании Ant Group, построенный на основе Qwen2.5-0.5B с патч-головой diffusion-transformer, выпущенный в виде весов 24 сентября 2026 года и ставший запускаемым после появления кода инференса на GitHub 19 октября. Он поддерживает семь языков, а также сычуаньский и кантонский, клонирует голос по эталонному аудио и его транскрипту, создаёт голоса по текстовым описаниям и принимает 14 встроенных паралингвистических тегов. Здесь нет хостингового эндпоинта, нет подписки и нет тарификации по символам.

Вторая линейка моделей ElevenLabs здесь важна и редко упоминается в сравнениях: Eleven v3 с 1 072 Elo, всё ещё в продакшене, и v3 Conversational с 1 062 для использования в реальном времени. Команда, выбирающая «ElevenLabs», часто выбирает v3, потому что это дешевле или потому что их интеграция появилась до v4. Обе набирают меньше, чем Ming-3.0-tts, в таблице предпочтений. Сравнение идёт с v4, и v4 — это действительно другой уровень по сравнению с линейкой v3, на которой работает большинство существующих развёртываний.

Разрыв в предпочтениях реален, и он не там, где вы думаете.

• Elo голоса провайдера — Ming-3.0-tts 1 188 (1 174–1 202) против Eleven v4 1 328 (1 314–1 342). Eleven v4 занимает 2-е место из 97; Ming — 18-е. Eleven v4 Turbo возглавляет таблицу с 1 330.

• Elo голоса в контролируемом тесте, одинаковые восемь клонированных голосов для каждой системы — Ming-3.0-tts 1,068 (1,052–1,084) против Eleven v4 1,156 (1,143–1,169) и Turbo 1,158. Разрыв сокращается с 140 до 88 пунктов.

Прочитайте вторую строку ещё раз. Когда обе системы клонируют один и тот же голос, более половины преимущества ElevenLabs улетучивается. Provider Voice измеряет весь продукт — собственный каталог голосов, стандартную подачу, просодические решения, которые поставщик выбрал за вас, — и ElevenLabs годами работала над этим каталогом, тогда как Ming предлагает пять английских голосов против более сотни китайских. Controlled Voice отбрасывает всё это и спрашивает только, насколько хорошо каждая система имитирует голос, который ей передали. ElevenLabs по-прежнему выигрывает уверенно, но величина этого преимущества другая, и измеряется другая компетенция.

Для команды, клонирующей собственный голос бренда, релевантным является показатель в 88 баллов. Для команды, которая хочет выбрать голос из каталога и запустить продукт, релевантен показатель в 140 баллов, и он отражает преимущество, которое Ming не сможет сократить, не создав библиотеку голосов, — а признаков того, что она её создаёт, Ming не демонстрировал.

Где рейтинг инвертируется

Совет по произношению придаёт большое значение двум категориям, и Ming-3.0-tts безоговорочно побеждает в обеих.

• Сохранение точных последовательностей — коды, пути, электронные адреса, идентификаторы. Ming-3.0-tts — 90,6%, первое место из 31, против Eleven v4 с 78,8% и Eleven v4 Turbo с 73,9%. Это разрыв в 12 пунктов в категории, которая определяет, выйдет ли номер заказа, путь к репозиторию или адрес электронной почты клиента неповреждённым.

• Расширение сокращений — числа, даты, единицы измерения, нотация. Ming — 96,5%, первое место из 31, против Eleven v4 с 94,1% и Turbo с 91,9%.

И там, где ElevenLabs побеждает, он побеждает с явным преимуществом:

• Отдельные термины — названия брендов, географических объектов и технические названия. Eleven v4 93,2%, Ming 88,5%. Ming занимает здесь 21-е место из 31, и это самая важная строка в этой статье для всех, кто создаёт англоязычное маркетинговое аудио или аудио для службы поддержки.

• Контекстуально уместно — гетеронимы, такие как «wound». Eleven v4 94,1%, Ming 91,0%.

Итак, разрыв внутри одного теста таков: Ming правильно читает ваши данные и неправильно произносит ваш бренд; ElevenLabs правильно читает ваш бренд и искажает ваши идентификаторы. Обе ошибки слышны, и ни одна не проявляется при голосовании за предпочтительный вариант, потому что слушатель, не знающий правильного произношения термина, никак не может отметить его как неправильный.

Совокупный показатель — 93,2 против 91,7 — на практике означает ничью. Доверительные интервалы перекрываются (91,5–94,9 у Ming, 90,0–93,4 у v4), размеры выборок различаются (1 800 спанов против 2 051), а преимущество в 1,5 балла в рейтинге из 31 модели — это не то утверждение, на котором стоит основывать решение. А вот на чём действительно стоит строить — это разбивка по категориям, потому что там интервалы разделяются.

Стоимость, честно пересчитанная

ElevenLabs начисляет один кредит за символ, причём v4 идёт по стандартному тарифу, а варианты Turbo и Flash — от половины до одного кредита в зависимости от плана. По опубликованной таблице планов эффективная стоимость минуты T​TS составляет примерно $0.17–$0.36 в зависимости от уровня, а нормализованный показатель арены — $80 за миллион символов для v4 и $40 для Turbo.

Проверено на реальных объёмах: миллион символов — это примерно 20 часов готовой речи при обычном темпе дикторской начитки. При цене $80 это $4 за час готового аудио — дёшево, пока не перестаёт быть таковым. Каталог из 5 000 описаний товаров по 600 символов каждое — это три миллиона символов, или $240 на v4 и $120 на Turbo. Это ежемесячный счёт для контент-операции, которая регулярно перегенерирует свои тексты.

Ming-3.0-tts не имеет цены за символ, поскольку размещённого сервиса нет. Стоимость — это время GPU при измеренной производительности 44,3 символа в секунду, то есть миллион символов требует около 6,3 часа генерации на карте класса H800 плюс загрузка. Окупается ли это по сравнению с $80, целиком зависит от того, сколько вы уже платите за вычисления и сколько инженерного времени требует путь самостоятельного развёртывания. Если нужно одно описание продукта в месяц, ElevenLabs дешевле настолько, что сравнение становится нелепым. При ночной регенерации большого корпуса арифметика меняется.

Есть третий вариант, который не предложит страница тарифов ни одного из поставщиков, и именно здесь маршрутизирующий слой оправдывает свое существование. OrcaRouter не размещает Ming-3.0-tts и не предоставляет ElevenLabs, поэтому ни одна из сторон этого противостояния недоступна через нас; Ming берется из репозитория Ant, а ElevenLabs — из собственного API. Что мы действительно предоставляем, так это превью G​oogle G​emini T​TS и O​penAI tts-1 и gpt-4o-mini-tts наряду с более чем 200 текстовыми моделями — все по прейскурантной цене провайдера без добавления наценки, с автоматическим переключением при сбое между провайдерами через один ключ. Если голос — лишь один этап в конвейере, предыдущие этапы которого текстовые — суммирование, перевод, генерация сценария — то именно эту часть и можно консолидировать уже сегодня, а изменение цены у провайдера вступит в силу в тот же день, а не при следующем продлении контракта.

Инженерное отличие, которое решает больше, чем Elo

ElevenLabs даёт вам запрос, ответ, лимит одновременных запросов, который масштабируется от 2 на бесплатном тарифе до 15 на Scale, и поставщика, который отвечает, когда что-то ломается. Ming-3.0-tts даёт вам контрольную точку размером 2,96 ГБ, Docker-образ на PyTorch 2.6 и CUDA 12.4, класс Python и оценочные таблицы Ant. В дорожной карте репозитория ускоренный вывод vLLM-Omni указан как завершённый, а технический отчёт — как всё ещё не начатый.

Далее следуют два операционных факта, и они немаловажны.

Во-первых, Ming-3.0-tts требует референсную волновую форму и её транскрипцию для клонирования — --prompt_wav_path и --prompt_text — это аргументы в собственном примере репозитория. ElevenLabs клонирует по десяти секундам аудио на тарифе Starter и выше, без транскрипции и без локального пайплайна. Если ваш сценарий клонирования — «клиент загружает голосовое сообщение», эта разница — продуктовое решение, а не техническая деталь.

Во-вторых, возможности в Ming — это режимы задач, а не комбинируемые переключатели. В собственной документации Ant говорится, что эти способности представлены как отдельные задачи и не могут свободно комбинироваться, а значит, запрос, в котором нужны клонирование, эмоция и диалект, не обязательно будет запросом, который модель принимает за один вызов. ElevenLabs предоставляет эмоцию и аудиотеги в том же запросе, что и клонированный голос. Для агента, которому нужны все три одновременно, это ограничение имеет наибольшее значение, и оно не отображается ни в одной таблице лидеров.

Заметка о том, какому показателю ElevenLabs стоит доверять

Страница цен ElevenLabs продвигает v4 как свою новейшую и самую эмоциональную модель, тогда как в её сравнительной таблице всё ещё указана v3, а арена отдельно оценивает v3, v3 Conversational, v4 и v4 Turbo как четыре разные системы с разрывом в 260 баллов между верхней и нижней позициями. «ElevenLabs» в этом сравнении — не единый конкурент, а линейка продуктов, и разрыв между её лучшей и худшей актуальной моделью больше, чем разрыв между Ming-3.0-tts и любой из них. Любое сравнение, использующее для ElevenLabs одно число, выбирает число, которое льстит вендору или наказывает его в зависимости от того, какое именно было выбрано.

Что конкретно делать?

Если аудио представляет собой разговор с клиентом — телефонный агент, интерактивный помощник, словом, любой сценарий, где первый слог звучит, пока человек ждёт, — используйте Eleven v4 Turbo. Заявленная задержка опубликована, уровни параллелизма опубликованы, а у Ming-3.0-tts вообще нет потокового режима.

Если аудио — это англоязычный маркетинг, начитка с акцентом на бренд или что-то, где имя собственное является смысловым центром предложения, используйте Eleven v4 и закладывайте ресурсы на словарь произношения. Показатель Ming 88,5% на отдельных терминах — это 21-е место из 31, и это будет слышно уже на первом названии бренда.

Если аудио носит операционный характер — подтверждения заказов, чтение технических текстов вслух, внутреннее обучение, всё, что насыщено идентификаторами, единицами измерения и нотацией — Ming-3.0-tts является лучшим инструментом, и по двум категориям, охватывающим эти случаи, его преимущество отнюдь не минимальное. Кроме того, это единственный из двух, который можно сохранить, если поставщик изменит условия, потому что срок действия MIT не истекает.

То, что изменило бы ответ, остаётся тем же, что и последний месяц: Ant всё ещё не опубликовала технический отчёт, а у Ming всё ещё нет размещённого эндпоинта. Как только появится любое из этого, разрыв в 88 пунктов для контролируемого голоса — это показатель, который нужно измерить заново, потому что именно он ближе всего к тому, с чем реально столкнётся команда, клонирующая собственный голос.