Ett genererat titelkort med texten "Två 99:or, två helt olika räkningar", med en underrubrik som ställer Ming-3.0-audio-flash mot Eleven Realtime v1 Max. Tre numrerade rader lyder "Ming-3.0-audio-flash: 126B öppna vikter, 4 till 8 H800, ingen prislista", "Eleven Realtime v1 Max: 0,08 USD per minut plus LLM-användning, 90+ språk" och "Noggrannhet 99,8 % mot 98,8 %, tid till första ljud 1,12 s mot 0,57 s". Sidfoten lyder "Noggrannhet och latens enligt Artificial Analysis; Elevens pris enligt dess API-prissida."
Guides & Insights

Ming-3.0-audio-flash vs Eleven Realtime v1 Max: Två 99:or, bara en av dem kostar $0.08 per minut

Författare

jinhao.song

Publiceringsdatum

Senaste modellerna · 20Visa alla modeller →
Benchmarks: Artificial Analysis · uppdateras dagligen
Tillbaka till alla inlägg

Ming-3.0-audio-flash och Eleven Realtime v1 Max båda hävdar en poäng för talresonemang på omkring 99 %, och likheten tar slut i samma stund som man tittar på hur varje siffra togs fram. ElevenLabs anger "99 % för talresonemang, 570 ms till första ljud" på sitt eget priskort för Realtime v1 Max; Artificial Analysis mäter samma modell till 98,8 % och 0,567 sekunder. inclusionAI:s kort anger 99,40 på BigBenchAudio för Ming-3.0-audio-flash; Artificial Analysis mäter 99,8 % på Big Bench Audio och 1,12 sekunder. Den ena leverantören underskattade sin egen modell med ett avrundningssteg och den andra underskattade sin med fyra tiondelar. Båda ligger tillräckligt nära för att vara trovärdiga, och ingen av dem är den siffra du bör fatta beslut utifrån.

Det avgörande talet skiljer sig åt för varje. För Eleven Realtime v1 Max är det 0,08 USD per minut plus LLM-användning, vilket är ungefär 4,80 USD per timme för ljudinmatning enligt Artificial Analysiss uppmätta taxa. För Ming-3.0-audio-flash är det fyra 80 GB H800, eftersom det inte finns någon prislista alls – det är en mixture-of-experts-checkpoint med 126 miljarder parametrar under MIT-licens som du laddar ner och serverar. Allt annat i den här jämförelsen följer av den uppdelningen: den ena är en prenumeration på en röstagent, den andra är en maskin som du äger.

Vad var och en faktiskt är

Eleven Realtime v1 Max är inte en modell i checkpoint-bemärkelse. Dokumentationen beskriver varje Realtime-modell som en komplett röstagent – taligenkänning, röstaktivitetsdetektering och turtagning, en LLM och text-till-tal – paketerad så att du väljer den i stället för att sätta ihop den. Max är positionerad för precisa, genomtänkta svar över flerstegsuppgifter och är den enda av de två Realtime-modellerna som listar verktygsanrop. Den talar 90+ språk, är nåbar via ett OpenAI-kompatibelt Realtime-API, och att växla mellan Max och dess mindre syskon är en ändring av modellval snarare än en ombyggnad.

Ming-3.0-audio-flash är det motsatta upplägget. En ljudkodare och en projektor matar en språklig basmodell av mixture-of-experts-typ; indata är ljud plus en textinstruktion; utdata är text, eller text med syntetiserat tal via en valfri Talker. Det finns ingen inbyggd turdetektering, ingen sessionshantering och inget lager för verktygsanrop som beskrivs i modellkortet. Det kortet däremot hävdar är bredd på indatasidan: kinesiska och engelska, inklusive accenter och dialekter, icke-talljud, akustiska scener, musik och långa inspelningar.

• Parametrar — Ming-3.0-audio-flash: 126B totalt, 6,5B aktiva per steg. Eleven Realtime v1 Max: ej angivet.

• Form — Ming: en checkpoint som du servar. Eleven: en hostad agent som du väljer.

• Kontext — Ming: 131 072 token deklarerade i konfigurationen. Eleven: inte publicerad; sessionen är enheten, inte tokenfönstret.

• Språk — Ming: kinesiska och engelska. Eleven: 90+ enligt språklistan för Eleven v4.

• Röstutdata – Ming: valfritt, via Talker, med inbyggda röster och referensröster. Eleven: produktens kärna; rösten väljs från ett bibliotek.

• Verktygsanrop — Ming: inte beskrivet. Eleven: listat för Max, inte för Mini.

• Licens — Ming: MIT för vikterna. Eleven: ett kommersiellt API-avtal.

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.

De två talen, och varför de skiljer sig åt i motsatta riktningar

ElevenLabs-kortets "99%" är nästan säkert en avrundad 98,8 från en Artificial Analysis-körning, publicerad på leverantörens egen prissida med latenssiffran bifogad. Det är ovanligt öppenhjärtigt: de flesta leverantörer anger ett benchmark som labbet som byggde modellen valde. Det innebär också att de två källorna inte är oberoende — leverantören citerar tredje parten, inte kör en parallell testrigg — så när de stämmer överens gör de det per konstruktion.

Ming-siffran är ett annat fall. Oktobermodellkortet innehöll en utvärderingsbild som visade 99,40 på "BigBenchAudio" tillsammans med en mycket svagare bild för långt ljud. Dagens 99,8 kommer direkt från Artificial Analysis, och kortet redigerades i morse för att citera den. Gapet mellan 99,40 och 99,8 är inte en rättelse; det är två körningar av ett benchmark med samma namn och olika harnessar, promptar och delmängder av poster. Ingen av dem är fel. Båda är den typen av siffra som rör sig i tiondelar när detaljerna ändras, vilket är varför en enpoängsledning högst upp i en tabell där 42 modeller ligger i nittiotalet inte är en vallgrav.

Det som rangordningen på resultattavlan faktiskt fastställer är medlemskap i toppgruppen. När det gäller talresonemang skiljs Ming-3.0-audio-flash på 99,8 och Eleven Realtime v1 Max på 98,8 åt av en poäng och av inget annat som tavlan mäter. När det gäller tid till första ljud skiljs de åt med en faktor två: 1,12 sekunder mot 0,567. För en modell som måste svara inom en samtalspaus är det siffran som avgör om systemet känns levande, och det är det enda stället där det till synes billiga alternativet inte uppenbart är det sämre.

Där jämförelsen brister, och den brister i samtalet

Talresonemang är flervalsfrågor som levereras som ljud. En röstagent är ett annat problem: att veta när man ska börja tala, när man ska vara tyst genom en paus, hur man hanterar ett avbrott, om man ska sända en backchannel. Artificial Analysis mäter det separat på Full Duplex Bench, och detta är den minst symmetriska delen av hela jämförelsen.

Eleven Realtime v1 Max har en publicerad Full Duplex Bench-poäng på 0,941, med avbrottshantering på 0,99, turväxling på 1,0, paushantering på 0,978 och backchannels på 0,796. Den har också en tau-voice-poäng på 0,578 över uppgiftssimuleringar för flygbolag, detaljhandel och telekom – ett mycket mindre smickrande tal och en användbar korrigering för alla som läser 99 % som en generell dom. Ming-3.0-audio-flash har ingen Full Duplex Bench-poäng, ingen tau-voice-poäng och ingen publicerad mätning av hur den beter sig när någon talar över den. Det är inte så att checkpointen skulle misslyckas med de testerna. Det är att ingen har kört dem, och modellkortet beskriver inte det maskineri som skulle göra dem meningsfulla: turdetektering och barge-in är saker man bygger runt den, inte saker den levereras med.

Den asymmetrin har en praktisk form. Att välja Eleven Realtime v1 Max ger dig en redan löst samtalsloop med ett publicerat (om än medelmåttigt) resultat för uppgiftslösning. Att välja Ming-3.0-audio-flash ger dig ett ovanligt starkt öra och ett textgränssnitt, och lämnar loopen – VAD, endpointing, avbrottshantering, LLM-turen bakom rösten – åt dig att bygga. De två produkterna är inte substitut på samma lager, och en direkt jämförelse av noggrannhet antyder i tysthet att de är det.

En timmes aritmetik, ärligt utförd

En timme kontinuerligt indataljud på Eleven Realtime v1 Max debiteras med $0,08 per minut, vilket blir $4,80, plus vad den medföljande LLM:en förbrukar. Artificial Analys uppmätta kostnad per timme för indataljud för modellen är exakt $4,80, vilket bekräftar prisuppgiften. Vid 1 000 timmar i månaden blir det $4 800 före LLM-tokens och före eventuella samtidighetsgränser, som dokumentationen anger för TTS och STT men inte för Realtime-röstagenter.

Ming-sidan har inget sådant tal, så varje jämförelse kräver ett antagande, och antagandet bör vara synligt. inclusionAI:s referensprofil för 128K-serving använder tensorparallelism över fyra 80 GB H800; långa ljudindata kan orsaka OOM på den och tvinga fram reservlösningen med åtta GPU:er. Vid ett hypotetiskt pris på 2 dollar per GPU-timme – en platshållare, inte en offert – kostar fyra kort 8 dollar i timmen och åtta kostar 16 dollar, båda före utnyttjandegrad, före den tomgångstid som alla tjänster som alltid är på har och före en ingenjör som ska driva det. Vid full beläggning är konfigurationen med fyra GPU:er konkurrenskraftig mot 4,80 dollar i timmen. Vid tio procents utnyttjande är den inte i samma diskussion.

Det är hela kostnadsargumentet, och det hänger på utnyttjandegraden snarare än på någon av leverantörernas prissättning. Ett team med jämn högvolymtrafik av ljud och befintlig GPU-kapacitet kan få kalkylen att gå ihop. Ett team som testar en idé en tisdagseftermiddag kan inte det, och bör inte låtsas att den timsiffra det räknar fram vid trafiknivåer klockan 3 på natten betyder något.

• Förbrukningsbaserad — Eleven Realtime v1 Max: 0,08 USD/min, cirka 4,80 USD/timme, plus LLM-användning.

• Egenhostad — Ming-3.0-audio-flash: ingen prislista; 4 × 80 GB H800-referens, reservlösning med 8 GPU:er.

Marginalkostnaden för ytterligare en timme — Eleven: $4.80. Ming: i praktiken noll tills korten mättas, sedan en stegfunktion.

• Kostnaden för den första timmen — Eleven: $4,80. Ming: hårdvaran, serveringsstacken och integrationen.

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.'

Det är i språken som databladen vilseleder.

ElevenLabs säger 90+ språk och menar det genom hela TTS- och STT-stacken. Ming-3.0-audio-flash säger kinesiska och engelska och kvalificerar det sedan på ett sätt som betyder mer än antalet: "inklusive varierande accenter och dialekter". Leverantörens egen tabell från oktober backar upp det med dialektfelfrekvenser som är dramatiskt bättre än de omni-modeller den jämförs med – hokkien på 12,84 mot 28,08 för Qwen3.8-Omni Flash och 81,62 för Gemini 3.8 Flash, shanghainesiska på 11,15 mot 21,10 och 88,64. Om din ljudfil är mandarin med regional accent är det en förmåga som ingen jämförelse av antalet språk kan fånga, och Elevens lista med 90+ säger inte hur den klarar hokkien.

Det omvända är precis lika sant: om ditt ljud är på spanska, portugisiska, japanska eller arabiska har Ming-3.0-audio-flash inga anspråk alls. Det här är inte ett gränsfall när det gäller täckning. Det är en nästan total uppdelning, och det är det snabbaste sättet att avgöra vilken kolumn du tillhör.

Båda på en och samma tangent, för den halva som är text

OrcaRouter tillhandahåller inte Ming-3.0-audio-flash, och det tillhandahåller inte heller Eleven Realtime v1 Max — det är dels en självhostad checkpoint, dels en leverantörs egen realtidsprodukt, och ingen av dem är en modell som vi kan ge dig en endpoint för. Det vi tillhandahåller är resten av pipelinen som endera av dem förutsätter. Ett röstsystem byggt på en självhostad ljudmodell består mest av textanrop: prompten som talar om för ljudmodellen vad den ska lyssna efter, parsern som omvandlar dess tabbavgränsade språketikett till strukturerad utdata, sammanfattningen som skrivs utifrån transkriptionen, routern som skickar ett svårt anrop till en starkare modell. De körs genom över 200 modeller bakom en enda nyckel, med 0 % påslag, med automatisk failover när en leverantör försämras — vilket är det som gör det säkert att sätta en obeprövad ljudmodell bakom en del av din trafik medan resten fortsätter att fungera.

Vilken ska man välja?

Ta Eleven Realtime v1 Max om du vill ha en röstagent den här månaden: 90+ språk, en färdiglöst konversationsloop, verktygsanrop, ett publicerat minutpris och en OpenAI-kompatibel session. Acceptera att dess tau-voice-poäng för uppgiftsavslut är 0,578, att dess backchannel-beteende är den svagaste delen av dess Full Duplex Bench-profil och att du hyr en stack som du inte kan inspektera.

Välj Ming-3.0-audio-flash om ditt ljud är på kinesiska eller engelska, om dina svåra fall är accenter eller dialekter, om ditt team kan köra fyra 80 GB GPU:er och en serveringsstack, och om du är villig att bygga samtalslagret själv. Acceptera att modellens egna publicerade siffror visar att den tappar mark när det gäller långa inspelningar och talardiariisering, att dess tid till första ljud är dubbelt så lång som Eleven's, och att dess 99,8 är en placering på en topplista snarare än ett löfte om din arbetsbelastning.

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.

Och om svaret är "lite av båda" – en hostad agent för de språk den täcker, en självhostad modell för trafiken med starka accenter – är det ingen kompromiss, det är den form de flesta produktionssatta talsystem faktiskt antar. Misstaget är att välja utifrån 99:orna, för i den änden av tabellen har siffran slutat säga dig något som dina egna inspelningar inte skulle säga dig snabbare.