Ming-3.0-tts vs ElevenLabs: Eleven v4 vinner arenan med 140 poäng och förlorar det enda testet som avgör om din text läses korrekt

Fråga en sal med röst-AI-ingenjörer att välja mellan Ming-3.0-tts och Eleven v4 och du får ElevenLabs nästan varje gång, och arenan håller med dem: 1 328 Elo för Eleven v4 på Provider Voice mot 1 188 för Ant Groups modell, en skillnad på 140 poäng som inte är ett avrundningsfel, ett oavgjort resultat eller en tillfällig artefakt av röstantal. Öppna sedan uttalsbrädan, där samma labb frågar mänskliga granskare om varje markerat spann i en engelsk mening uttalades korrekt, och Ming-3.0-tts ligger på 93,2 % mot Eleven v4:s 91,7 % — första plats mot tredje. En modell som låter märkbart sämre för lyssnare är också, enligt ett oberoende mått, mer tillförlitlig på att säga de ord som måste sägas exakt. De dokumenterade AI-felen och agentincidenterna bakom utgåvor som den här samlas i OrcaRouter AI Incident Archive där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och flagga för omstridd status.

Det är ingen motsägelse, och att förstå varför det inte är det är hela värdet av den här jämförelsen. ElevenLabs säljer en röst. Ming-3.0-tts är en checkpoint som du kör. Överlappningen där de verkligen konkurrerar är smalare än vad någon av leverantörernas marknadsföring antyder, och inom det överlappet ändras svaret beroende på vilken typ av text du ger dem.

Vad ElevenLabs faktiskt levererar

ElevenLabs har nu två aktuella modellserier. Eleven v4 är den emotionella högupplösta varianten: över 90 språk, en gräns på 10 000 tecken per förfrågan, dialog med flera talare och röstkloning som börjar på Starter-nivån för 6 USD för omedelbara kloner och Creator-nivån för 22 USD för professionella sådana. Eleven v4 Turbo är realtidssyskonmodellen, med samma över 90 språk, en publicerad medianlatens för inferens på cirka 100 millisekunder exklusive applikations- och nätverksoverhead, och API-prissättning på ungefär hälften av v4:s. Prissättningen bygger på krediter med en kredit per tecken, med planer från gratis vid 10 000 krediter till 990 USD per månad för sex miljoner; arenan normaliserar v4 till 80 USD per miljon tecken och Turbo till 40.

Ming-3.0-tts är en helt annan typ av objekt: en MIT-licensierad checkpoint på 2,96 GB från Ant Groups inclusionAI-team, byggd på en Qwen2.5-0.5B-backbone med ett diffusion-transformer-patchhuvud, släppt som vikter den 24 september 2026 och gjord körbar när inferenskoden landade på GitHub den 19 oktober. Den täcker sju språk plus sichuanesiska och kantonesiska, klonar en röst från referensljud plus dess transkription, designar röster från textbeskrivningar och tar 14 inline-paralingvistiska taggar. Det finns ingen hostad endpoint, inget abonnemang och ingen mätare per tecken.

ElevenLabs andra modellinje spelar roll här och nämns sällan i jämförelser: Eleven v3, med 1 072 Elo, fortfarande i produktion, och v3 Conversational med 1 062 för realtidsanvändning. Ett team som väljer "ElevenLabs" väljer ofta v3 eftersom det är billigare eller eftersom deras integration är äldre än v4. Båda får lägre poäng än Ming-3.0-tts på preferenstavlan. Jämförelsen är med v4, och v4 är en genuint annan nivå än v3-linjen som de flesta befintliga distributioner kör.

Preferensgapet är verkligt, och det är inte där du tror

• Leverantörsröst-Elo — Ming-3.0-tts 1 188 (1 174–1 202) mot Eleven v4 1 328 (1 314–1 342). Eleven v4 är 2:a av 97; Ming är 18:e. Eleven v4 Turbo toppar listan på 1 330.

• Kontrollerat röst-Elo, samma åtta klonade röster för varje system — Ming-3.0-tts 1 068 (1 052–1 084) vs Eleven v4 1 156 (1 143–1 169) och Turbo 1 158. Gapet minskar från 140 till 88 poäng.

Läs den andra raden igen. När båda systemen klonar samma röst försvinner över hälften av ElevenLabs försprång. Provider Voice mäter hela produkten – den inbyggda röstkatalogen, standardleveransen, de prosodival en leverantör gjort åt dig – och ElevenLabs har lagt år på den katalogen medan Ming levererar fem engelska röster mot över hundra på kinesiska. Controlled Voice skalare bort det och frågar bara hur väl varje system imiterar en röst det har fått. ElevenLabs vinner fortfarande, med god marginal, men marginalen är av en annan storlek och det mäter en annan kompetens.

För ett team som klonar sin egen varumärkesröst är siffran 88 den relevanta. För ett team som vill välja en röst från en katalog och leverera är siffran 140 det, och den speglar en fördel som Ming inte kan ta igen utan att bygga ett röstbibliotek som Ming inte har visat några tecken på att bygga.

Där rangordningen inverteras

Uttalsnämnden lägger stor vikt vid två kategorier, och Ming-3.0-tts vinner båda överlägset.

• Bevarande av exakta sekvenser – koder, sökvägar, e-postadresser, identifierare. Ming-3.0-tts 90,6 %, etta av 31, jämfört med Eleven v4 på 78,8 % och Eleven v4 Turbo på 73,9 %. Det är en skillnad på 12 procentenheter i den kategori som avgör om ett ordernummer, en sökväg till ett kodförråd eller en kunds e-postadress kommer ut intakt.

• Utökar Shorthand – siffror, datum, enheter, notation. Ming 96,5 %, först av 31, mot Eleven v4 på 94,1 % och Turbo på 91,9 %.

Och där ElevenLabs vinner, vinner de rent:

• Fristående termer – varumärkes-, plats- och tekniska namn. Eleven v4 93,2 %, Ming 88,5 %. Ming rankas som 21:a av 31 här, vilket är den enskilt viktigaste raden i den här artikeln för alla som producerar engelskspråkigt marknadsförings- eller supportljud.

• Kontextuellt lämpligt — heteronymer som "wound". Eleven v4 94,1 %, Ming 91,0 %.

Så uppdelningen inom ett och samma test är: Ming läser dina data korrekt och uttalar ditt varumärke fel; ElevenLabs läser ditt varumärke korrekt och förvanskar dina identifierare. Båda felen är hörbara och inget av dem syns i en preferensröstning, eftersom en lyssnare som inte vet hur en term ska uttalas inte har något sätt att markera det som fel.

Sammanställningen – 93,2 mot 91,7 – är i praktiken oavgjord. Konfidensintervallen överlappar (91,5–94,9 för Ming, 90,0–93,4 för v4), urvalsstorlekarna skiljer sig (1 800 span mot 2 051), och en ledning på 1,5 poäng på en topplista med 31 modeller är inte ett påstående som är värt att fatta ett beslut utifrån. Det som är värt att bygga på är kategoriindelningen, för där separerar intervallen.

Kostnad, ärligt omräknad

ElevenLabs debiterar en kredit per tecken, där v4 har standardtaxan och Turbo- och Flash-varianterna ligger på en halv till en kredit beroende på plan. I den publicerade planöversikten landar den effektiva kostnaden per minut för TTS på cirka 0,17–0,36 USD beroende på nivå, och arenans normaliserade värde är 80 USD per miljon tecken för v4 och 40 USD för Turbo.

Räknat på verklig volym: en miljon tecken är ungefär 20 timmar färdigt tal i normal berättartakt. Vid $80 blir det $4 per färdig timme ljud, vilket är billigt ända till det inte är det — en katalog med 5 000 produktbeskrivningar på 600 tecken vardera är tre miljoner tecken, eller $240 på v4 och $120 på Turbo. Det är en månadskostnad för en innehållsverksamhet som genererar om sin copy.

Ming-3.0-tts har inget pris per tecken eftersom det inte finns någon hostad tjänst. Kostnaden är GPU-tid vid den uppmätta hastigheten på 44,3 tecken per sekund, vilket innebär att en miljon tecken tar cirka 6,3 timmars generering på ett H800-klassat grafikkort, plus laddning. Om det slår 80 dollar beror helt på vad du redan betalar för beräkningskapacitet och hur mycket utvecklingstid den självhostade vägen tar. För en enda produktbeskrivning i månaden är ElevenLabs billigare med en faktor som gör jämförelsen fånig. För en nattlig regenerering av en stor korpus ändras kalkylen.

Det finns ett tredje alternativ som ingen av leverantörernas prissidor kommer att föreslå, och det är där ett routningslager gör nytta. OrcaRouter har inte Ming-3.0-tts och tillhandahåller inte ElevenLabs, så ingen av sidorna i den här jämförelsen går att nå via oss; Ming kommer från Ants repository och ElevenLabs från dess eget API. Det vi däremot tillhandahåller är G​oogle's G​emini T​TS-förhandsvisningar och O​penAI's tts-1 och gpt-4o-mini-tts tillsammans med mer än 200 textmodeller, alla till leverantörens listpris utan påslag, med automatisk failover mellan leverantörer bakom en enda nyckel. Om rösten är ett steg i en pipeline där tidigare steg är text — sammanfattning, översättning, manusgenerering — är det den delen som konsolideras i dag, och en ändring av leverantörens pris slår igenom samma dag i stället för vid nästa avtalsförnyelse.

Den ingenjörsmässiga skillnaden som avgör mer än Elo

ElevenLabs ger dig en förfrågan, ett svar, en samtidighetsgräns som skalar från 2 på gratisnivån till 15 på Scale, och en leverantör som svarar när det går sönder. Ming-3.0-tts ger dig en checkpoint på 2,96 GB, en Docker-avbild som använder PyTorch 2.6 och CUDA 12.4, en Python-klass och Ants utvärderingstabeller. Repositoriets färdplan anger att vLLM-Omni accelererad inferens är klar, men att den tekniska rapporten fortfarande inte har påbörjats.

Två operativa fakta följer, och de är inte små.

För det första kräver Ming-3.0-tts en referensvågform och dess transkription för kloning — --prompt_wav_path och --prompt_text argumenten i repots eget exempel. ElevenLabs klonar från tio sekunder ljud på Starter och uppåt, utan transkription och utan lokal pipeline. Om ditt kloningsarbetsflöde är "en kund laddar upp ett röstmemo" är den skillnaden ett produktbeslut snarare än en teknisk detalj.

För det andra är funktionerna i Ming uppgiftslägen, inte kombinerbara växlar. Ants egen dokumentation säger att förmågorna exponeras som separata uppgifter och inte kan kombineras fritt, vilket innebär att en begäran som vill ha kloning plus känsla plus en dialekt inte nödvändigtvis är en begäran som modellen accepterar som ett enda anrop. ElevenLabs exponerar känsla och ljudtaggar i samma begäran som den klonade rösten. För en agent som behöver alla tre samtidigt är detta den begränsning som spelar störst roll, och den visas inte på någon resultattavla.

En not om vilket ElevenLabs-nummer man kan lita på

ElevenLabs prissättningssida marknadsför v4 som sin nyaste och mest emotionella modell, medan dess jämförelsetabell fortfarande listar v3, och arenan betygsätter separat v3, v3 Conversational, v4 och v4 Turbo som fyra distinkta system med en spridning på 260 poäng mellan toppen och botten. "ElevenLabs" är inte en enda konkurrent i denna jämförelse; det är en produktlinje, och gapet mellan dess bästa och sämsta nuvarande modell är större än gapet mellan Ming-3.0-tts och endera av dem. Varje jämförelse som använder ett enda nummer för ElevenLabs väljer ett nummer som smickrar eller missgynnar leverantören beroende på vilket man valde.

Vad ska man göra, konkret?

Om ljudet är en kundvänd konversation – en telefonagent, en interaktiv assistent, allt där den första stavelsen kommer medan någon väntar – ska du använda Eleven v4 Turbo. Latenspåståendet är publicerat, samtidighetsnivåerna är publicerade och Ming-3.0-tts har ingen strömningsväg alls.

Om ljudet är engelsk marknadsföring, varumärkesledd berättarröst eller något där ett egennamn är poängen med meningen, använd Eleven v4 och avsätt resurser för uttalsordboken. Mings 88,5 % på fristående termer är 21:a av 31, och det kommer att höras på det första varumärkesnamnet.

Om ljudet är operativt – orderbekräftelser, uppläsning av tekniska texter, internutbildning, allt som är fullt av identifierare, enheter och notation – är Ming-3.0-tts det bättre verktyget, och det är inte särskilt jämnt på de två kategorier som täcker dessa spann. Det är också det enda av de två du kan behålla om en leverantör ändrar sina villkor, eftersom MIT inte löper ut.

Det som skulle ändra svaret är samma sak som det har varit i en månad: Ant har fortfarande inte publicerat någon teknisk rapport, och Ming har fortfarande ingen hostad endpoint. När endera väl finns på plats är gapet på 88 punkter för kontrollerad röst siffran att mäta om, eftersom det är det som ligger närmast det ett team som klonar sin egen röst faktiskt kommer att uppleva.