Ming-3.0-tts vs ElevenLabs: Eleven v4 ชนะ Arena ด้วยคะแนนนำ 140 แต้ม แต่แพ้การทดสอบเพียงหนึ่งเดียวที่ตัดสินว่าข้อความของคุณจะถูกอ่านได้ถูกต้องหรือไม่

ลองถามวิศวกรเสียง AI ทั้งห้องให้เลือกระหว่าง Ming-3.0-tts กับ Eleven v4 แล้วคุณจะได้ ElevenLabs เกือบทุกครั้ง และอารีนาก็เห็นด้วยกับพวกเขา: Eleven v4 ได้ 1,328 Elo ใน Provider Voice เทียบกับ 1,188 ของโมเดลจาก Ant Group ซึ่งเป็นช่องว่าง 140 คะแนนที่ไม่ใช่ความคลาดเคลื่อนจากการปัดเศษ ไม่ใช่ผลเสมอ และไม่ใช่สิ่งที่เกิดขึ้นชั่วคราวจากจำนวนโหวต จากนั้นเปิดกระดานการออกเสียง ซึ่งห้องแล็บเดียวกันถามผู้ตรวจทานที่เป็นมนุษย์ว่าช่วงที่ไฮไลต์แต่ละช่วงในประโยคภาษาอังกฤษถูกออกเสียงอย่างถูกต้องหรือไม่ และ Ming-3.0-tts อยู่ที่ 93.2% เทียบกับ 91.7% ของ Eleven v4 — อันดับหนึ่งเทียบกับอันดับสาม โมเดลที่ฟังดูแย่กว่าอย่างเห็นได้ชัดสำหรับผู้ฟังยังเป็นโมเดลที่เชื่อถือได้มากกว่าในการออกเสียงคำที่ต้องออกเสียงให้ถูกต้องเป๊ะ ๆ เมื่อวัดด้วยมาตรวัดอิสระอีกชุดหนึ่ง ความล้มเหลวของ AI และเหตุการณ์ของเอเจนต์ที่ได้รับการบันทึกไว้ซึ่งอยู่เบื้องหลังการเปิดตัวลักษณะนี้ถูกรวบรวมไว้ใน OrcaRouter AI Incident Archive โดยแต่ละรายการมีแหล่งที่มาของตนเอง ระดับความรุนแรง เกรดความเชื่อมั่น และธงข้อโต้แย้ง

นั่นไม่ใช่ความขัดแย้ง และคุณค่าทั้งหมดของการเปรียบเทียบนี้อยู่ที่การเข้าใจว่าทำไมจึงไม่ใช่ ElevenLabs ขายเสียง Ming-3.0-tts คือ checkpoint ที่คุณรันเอง พื้นที่ทับซ้อนที่ทั้งสองแข่งกันจริง ๆ นั้นแคบกว่าที่การตลาดของผู้ขายแต่ละรายสื่อไว้ และภายในพื้นที่ทับซ้อนนั้น คำตอบจะเปลี่ยนไปตามชนิดของข้อความที่คุณป้อนให้ระบบเหล่านั้น

สิ่งที่ ElevenLabs ส่งมอบจริง ๆ

ElevenLabs ตอนนี้ให้บริการโมเดลปัจจุบันสองตระกูล Eleven v4 เป็นรุ่นที่เน้นอารมณ์และความสมจริงสูง รองรับกว่า 90 ภาษา จำกัด 10,000 ตัวอักษรต่อคำขอ มีบทสนทนาหลายผู้พูด และการโคลนเสียงที่เริ่มต้นที่แพ็กเกจ Starter ราคา $6 สำหรับการโคลนแบบทันที และแพ็กเกจ Creator ราคา $22 สำหรับการโคลนระดับมืออาชีพ Eleven v4 Turbo เป็นรุ่นคู่กันแบบเรียลไทม์ รองรับกว่า 90 ภาษาเช่นเดียวกัน มีความหน่วงในการประมวลผล inference ค่ามัธยฐานที่เผยแพร่ประมาณ 100 มิลลิวินาที โดยไม่รวมภาระเพิ่มเติมของแอปพลิเคชันและเครือข่าย และราคา API อยู่ที่ประมาณครึ่งหนึ่งของ v4 การคิดราคาใช้เครดิตที่ 1 เครดิตต่อ 1 ตัวอักษร โดยมีแพ็กเกจตั้งแต่ฟรีที่ 10,000 เครดิต ไปจนถึง $990 ต่อเดือนสำหรับ 6 ล้านเครดิต; arena ปรับมาตรฐาน v4 เป็น $80 ต่อล้านตัวอักษร และ Turbo เป็น $40

Ming-3.0-tts เป็นสิ่งที่แตกต่างออกไปโดยสิ้นเชิง: เช็กพอยต์ขนาด 2.96 GB ภายใต้สัญญาอนุญาต MIT จากทีม inclusionAI ของ Ant Group สร้างบนแกนหลัก Qwen2.5-0.5B พร้อมส่วนหัวแบบ diffusion-transformer patch เปิดตัวเป็นน้ำหนักโมเดลเมื่อวันที่ 24 กันยายน 2026 และรันได้เมื่อโค้ดสำหรับการอนุมานเผยแพร่บน GitHub เมื่อวันที่ 19 ตุลาคม ครอบคลุมเจ็ดภาษาบวกภาษาจีนเสฉวนและกวางตุ้ง โคลนเสียงจากเสียงอ้างอิงพร้อมข้อความถอดเสียง ออกแบบเสียงจากคำอธิบายด้วยข้อความ และรองรับแท็กปรภาษาศาสตร์แบบอินไลน์ 14 แท็ก ไม่มีเอนด์พอยต์แบบโฮสต์ ไม่มีระบบสมัครสมาชิก และไม่คิดค่าบริการตามจำนวนตัวอักษร

สายโมเดลที่สองของ ElevenLabs มีความสำคัญตรงนี้และแทบไม่ถูกกล่าวถึงในการเปรียบเทียบ: Eleven v3 ที่ 1,072 Elo ซึ่งยังอยู่ในโปรดักชัน และ v3 Conversational ที่ 1,062 สำหรับการใช้งานแบบเรียลไทม์ ทีมที่เลือก "ElevenLabs" มักกำลังเลือก v3 เพราะราคาถูกกว่า หรือเพราะการผสานรวมของพวกเขามีก่อน v4 ทั้งสองได้คะแนนต่ำกว่า Ming-3.0-tts บนกระดานคะแนนความชอบ การเปรียบเทียบนี้ทำกับ v4 และ v4 เป็นระดับที่แตกต่างอย่างแท้จริงจากสาย v3 ที่การติดตั้งที่มีอยู่ส่วนใหญ่ใช้งาน

ช่องว่างทางความชอบมีอยู่จริง และมันไม่ได้อยู่ตรงที่คุณคิด

• Elo ของเสียงผู้ให้บริการ — Ming-3.0-tts 1,188 (1,174–1,202) เทียบกับ Eleven v4 1,328 (1,314–1,342) Eleven v4 อยู่อันดับ 2 จาก 97 ส่วน Ming อยู่อันดับ 18 Eleven v4 Turbo นำตารางด้วย 1,330

• คะแนน Elo ของเสียงแบบควบคุม โดยใช้เสียงโคลนแปดเสียงเดียวกันสำหรับทุกระบบ — Ming-3.0-tts 1,068 (1,052–1,084) เทียบกับ Eleven v4 1,156 (1,143–1,169) และ Turbo 1,158 ช่องว่างลดลงจาก 140 เหลือ 88 คะแนน

อ่านบรรทัดที่สองอีกครั้ง เมื่อทั้งสองระบบโคลนเสียงเดียวกัน ส่วนได้เปรียบของ ElevenLabs กว่าครึ่งก็หายไป Provider Voice วัดผลทั้งผลิตภัณฑ์ — แคตตาล็อกเสียงพื้นถิ่น การส่งเสียงแบบค่าเริ่มต้น ตัวเลือกจังหวะเสียงที่ผู้ขายกำหนดให้คุณ — และ ElevenLabs ใช้เวลาหลายปีกับแคตตาล็อกนั้น ขณะที่ Ming มีเสียงภาษาอังกฤษเพียงห้าเสียง เทียบกับกว่าหนึ่งร้อยเสียงในภาษาจีน Controlled Voice ตัดสิ่งเหล่านั้นออกไป และถามเพียงว่าแต่ละระบบเลียนแบบเสียงที่ได้รับมามากน้อยเพียงใด ElevenLabs ยังคงชนะอย่างสบาย ๆ แต่ส่วนต่างมีขนาดที่ต่างกัน และมันกำลังวัดความสามารถที่แตกต่างกัน

สำหรับทีมที่กำลังโคลนเสียงแบรนด์ของตัวเอง ตัวเลข 88 คะแนนคือตัวเลขที่เกี่ยวข้อง สำหรับทีมที่ต้องการเลือกเสียงจากแคตตาล็อกแล้วนำไปใช้งาน ตัวเลข 140 คะแนนคือตัวเลขที่เกี่ยวข้อง และมันสะท้อนข้อได้เปรียบที่ Ming ไม่สามารถปิดช่องว่างได้หากไม่สร้างคลังเสียง ซึ่งยังไม่แสดงสัญญาณว่าจะสร้างเลย

จุดที่การจัดอันดับพลิกกลับ

คณะกรรมการด้านการออกเสียงให้น้ำหนักกับสองหมวดหมู่อย่างมาก และ Ming-3.0-tts ชนะขาดทั้งสองหมวด

• การรักษาลำดับที่แน่นอน — รหัส พาธ อีเมล ตัวระบุ Ming-3.0-tts 90.6% เป็นอันดับหนึ่งจาก 31 เทียบกับ Eleven v4 ที่ 78.8% และ Eleven v4 Turbo ที่ 73.9% นั่นคือช่องว่าง 12 พอยต์ในหมวดหมู่ที่ตัดสินว่าหมายเลขคำสั่งซื้อ พาธรีโพซิทอรี หรือที่อยู่อีเมลของลูกค้าจะออกมาครบถ้วนหรือไม่

• การขยายคำย่อ — ตัวเลข วันที่ หน่วย สัญกรณ์ Ming 96.5% เป็นอันดับหนึ่งจาก 31 ราย เทียบกับ Eleven v4 ที่ 94.1% และ Turbo ที่ 91.9%

และในจุดที่ ElevenLabs ชนะ มันก็ชนะได้อย่างชัดเจน:

• คำเฉพาะแบบเดี่ยว — ชื่อแบรนด์ ชื่อสถานที่ และชื่อทางเทคนิค Eleven v4 93.2%, Ming 88.5% Ming อยู่อันดับ 21 จาก 31 ในส่วนนี้ ซึ่งเป็นบรรทัดที่สำคัญที่สุดเพียงบรรทัดเดียวในบทความนี้สำหรับผู้ที่ผลิตเสียงการตลาดหรือเสียงสนับสนุนภาษาอังกฤษ

• เหมาะสมกับบริบท — คำพ้องรูปต่างเสียง เช่น "wound." Eleven v4 94.1%, Ming 91.0%

ดังนั้นความแตกต่างภายในการทดสอบเดียวคือ: Ming อ่านข้อมูลของคุณได้ถูกต้องแต่ออกเสียงแบรนด์ของคุณผิด ขณะที่ ElevenLabs อ่านแบรนด์ของคุณได้ถูกต้องแต่ทำให้ตัวระบุของคุณเพี้ยนไป ความล้มเหลวทั้งสองแบบฟังออกได้ และไม่มีอย่างใดปรากฏในการโหวตตามความชอบ เพราะผู้ฟังที่ไม่รู้การออกเสียงที่ถูกต้องของคำหนึ่งๆ ย่อมไม่มีทางระบุว่าคำนั้นออกเสียงผิดได้

คะแนนรวม — 93.2 เทียบกับ 91.7 — ในทางปฏิบัติถือว่าเสมอกัน ช่วงความเชื่อมั่นทับซ้อนกัน (91.5–94.9 สำหรับ Ming, 90.0–93.4 สำหรับ v4) ขนาดตัวอย่างแตกต่างกัน (1,800 span เทียบกับ 2,051) และการนำอยู่ 1.5 คะแนนบนกระดานจัดอันดับ 31 โมเดลก็ไม่ใช่ข้อสรุปที่ควรใช้เป็นฐานในการตัดสินใจ สิ่งที่ควรใช้เป็นฐานคือการแยกตามหมวดหมู่ เพราะในส่วนนั้นช่วงความเชื่อมั่นแยกออกจากกัน

ต้นทุน แปลงอย่างตรงไปตรงมา

ElevenLabs เรียกเก็บหนึ่งเครดิตต่อหนึ่งตัวอักษร โดย v4 ใช้อัตรามาตรฐาน ส่วนรุ่นย่อย Turbo และ Flash อยู่ที่ครึ่งถึงหนึ่งเครดิต ขึ้นอยู่กับแพ็กเกจ บนตารางแพ็กเกจที่เผยแพร่ ต้นทุนที่มีผลจริงต่อนาทีของ TTS อยู่ที่ประมาณ $0.17–$0.36 ขึ้นอยู่กับระดับแพ็กเกจ และตัวเลขที่ปรับมาตรฐานแล้วของ arena คือ $80 ต่อหนึ่งล้านตัวอักษรสำหรับ v4 และ $40 สำหรับ Turbo

เมื่อเทียบกับปริมาณจริงแล้ว: หนึ่งล้านอักขระคือเสียงพูดที่เสร็จสมบูรณ์ประมาณ 20 ชั่วโมงที่ความเร็วการบรรยายปกติ ในราคา $80 นั่นคือ $4 ต่อชั่วโมงเสียงที่เสร็จสมบูรณ์ ซึ่งถือว่าถูกจนกระทั่งมันไม่ถูกอีกต่อไป — แคตตาล็อกคำอธิบายสินค้า 5,000 รายการ รายการละ 600 อักขระ คือสามล้านอักขระ หรือ $240 บน v4 และ $120 บน Turbo นั่นคือบิลรายเดือนสำหรับการดำเนินงานด้านคอนเทนต์ที่สร้างข้อความใหม่เป็นประจำ

Ming-3.0-tts ไม่มีราคาต่อตัวอักษร เพราะไม่มีบริการแบบโฮสต์ ต้นทุนคือเวลา GPU ที่วัดได้ 44.3 ตัวอักษรต่อวินาที ซึ่งหมายความว่าหนึ่งล้านตัวอักษรใช้เวลาสร้างประมาณ 6.3 ชั่วโมงบนการ์ดระดับ H800 บวกเวลาโหลด การที่สิ่งนี้จะคุ้มกว่าหรือชนะ $80 หรือไม่ ขึ้นอยู่กับว่าคุณจ่ายค่าคอมพิวต์อยู่แล้วเท่าไร และเส้นทางแบบโฮสต์เองใช้เวลาทางวิศวกรรมมากแค่ไหน สำหรับคำอธิบายผลิตภัณฑ์เพียงรายการเดียวต่อเดือน ElevenLabs ถูกกว่าด้วยปัจจัยที่ทำให้การเปรียบเทียบดูไร้สาระ สำหรับการสร้างคลังข้อความขนาดใหญ่ใหม่ทุกคืน การคำนวณเปลี่ยนไป

ยังมีทางเลือกที่สามที่หน้าราคาของผู้ให้บริการทั้งสองรายจะไม่แนะนำ และนั่นคือจุดที่ชั้นการกำหนดเส้นทาง (routing layer) พิสูจน์คุณค่าของตัวเอง OrcaRouter ไม่ได้โฮสต์ Ming-3.0-tts และไม่ได้ให้บริการ ElevenLabs ดังนั้นทั้งสองฝั่งของการเปรียบเทียบครั้งนี้จึงเข้าถึงไม่ได้ผ่านเรา Ming มาจากที่เก็บของ Ant และ ElevenLabs มาจาก API ของตัวเอง สิ่งที่เรามีให้บริการคือตัวอย่าง TTS ของ Google Gemini และ tts-1 กับ gpt-4o-mini-tts ของ OpenAI พร้อมด้วยโมเดลข้อความกว่า 200 ตัว ซึ่งทั้งหมดในราคาตามที่ผู้ให้บริการประกาศไว้โดยไม่บวกเพิ่ม พร้อมการสลับไปใช้ผู้ให้บริการรายอื่นโดยอัตโนมัติเมื่อเกิดปัญหา ภายใต้คีย์เดียว หากเสียงเป็นเพียงขั้นตอนหนึ่งในไปป์ไลน์ที่ขั้นตอนก่อนหน้าเป็นข้อความ — การสรุปความ การแปล การสร้างสคริปต์ — นั่นคือส่วนที่รวมศูนย์ได้ในวันนี้ และการเปลี่ยนแปลงราคาของผู้ให้บริการจะมีผลในวันเดียวกัน แทนที่จะรอถึงการต่อสัญญาครั้งถัดไป

ความแตกต่างทางการวิศวกรรมที่ชี้ขาดได้มากกว่าค่า Elo

ElevenLabs มอบให้คุณ{{1}}คำขอ{{/1}}, {{2}}การตอบกลับ{{/2}}, ขีดจำกัดการทำงานพร้อมกันที่ปรับขนาดจาก {{3}}2{{/3}} ในระดับฟรีไปจนถึง {{4}}15{{/4}} ในระดับ Scale และผู้ให้บริการที่ตอบกลับเมื่อเกิดปัญหา Ming-3.0-tts มอบให้คุณ{{5}}เช็กพอยต์ขนาด 2.96 GB{{/5}}, {{6}}อิมเมจ Docker ที่ใช้ PyTorch 2.6 และ CUDA 12.4{{/6}}, {{7}}คลาส Python{{/7}} และตารางการประเมินของ Ant แผนงานของรีโพซิทอรีระบุว่า {{8}}การอนุมานแบบเร่งด้วย vLLM-Omni{{/8}} เสร็จสมบูรณ์แล้ว แต่ {{9}}รายงานทางเทคนิค{{/9}} ยังไม่ได้เริ่ม

ต่อไปนี้คือข้อเท็จจริงด้านการปฏิบัติงานสองประการ และสิ่งเหล่านี้ไม่ใช่เรื่องเล็กเลย

ก่อนอื่น Ming-3.0-tts ต้องใช้รูปคลื่นอ้างอิงและข้อความถอดเสียงของมันสำหรับการโคลน — คือ--prompt_wav_path และ --prompt_text ในตัวอย่างของรีโปเอง ElevenLabs โคลนจากเสียงสิบวินาทีในแพ็กเกจ Starter ขึ้นไป โดยไม่ต้องมีข้อความถอดเสียงและไม่ต้องมีไปป์ไลน์ในเครื่อง หากเวิร์กโฟลว์การโคลนของคุณคือ "ลูกค้าอัปโหลดวอยซ์เมโม" ความต่างนั้นเป็นการตัดสินใจเชิงผลิตภัณฑ์มากกว่ารายละเอียดทางเทคนิค

ประการที่สอง ความสามารถใน Ming เป็นโหมดงาน ไม่ใช่สวิตช์ที่ประกอบรวมกันได้ เอกสารของ Ant เองระบุว่าความสามารถต่าง ๆ ถูกเปิดให้ใช้เป็นงานแยกกันและไม่สามารถรวมกันได้อย่างอิสระ ซึ่งหมายความว่าคำขอที่ต้องการการโคลนเสียง บวกอารมณ์ บวกสำเนียงถิ่น ไม่จำเป็นต้องเป็นคำขอที่โมเดลยอมรับเป็นการเรียกครั้งเดียว ElevenLabs เปิดให้ระบุอารมณ์และแท็กเสียงในคำขอเดียวกันกับเสียงโคลน สำหรับเอเจนต์ที่ต้องการทั้งสามอย่างพร้อมกัน นี่คือข้อจำกัดที่สำคัญที่สุด และไม่ปรากฏบนลีดเดอร์บอร์ดใดเลย

หมายเหตุว่าควรเชื่อตัวเลขใดของ ElevenLabs

หน้าการตั้งราคาของ ElevenLabs โปรโมต v4 ว่าเป็นโมเดลใหม่ที่สุดและสื่ออารมณ์ได้มากที่สุด ขณะที่ตารางเปรียบเทียบของบริษัทยังคงระบุ v3 และ arena ให้คะแนนแยกกันสำหรับ v3, v3 Conversational, v4 และ v4 Turbo เป็นสี่ระบบที่แตกต่างกัน โดยมีช่วงคะแนนต่างกัน 260 คะแนนระหว่างอันดับบนสุดและล่างสุด “ElevenLabs” ไม่ใช่คู่แข่งเพียงรายเดียวในการเปรียบเทียบนี้ แต่เป็นสายผลิตภัณฑ์ และช่องว่างระหว่างโมเดลที่ดีที่สุดกับแย่ที่สุดในปัจจุบันของบริษัทนั้นใหญ่กว่าช่องว่างระหว่าง Ming-3.0-tts กับโมเดลใดโมเดลหนึ่งจากสองโมเดลนั้น การเปรียบเทียบใดก็ตามที่ใช้ตัวเลขเพียงตัวเดียวสำหรับ ElevenLabs กำลังเลือกตัวเลขที่เชิดชูหรือลงโทษผู้ขาย ขึ้นอยู่กับว่าพวกเขาเลือกตัวเลขใด

ต้องทำอะไรบ้าง อย่างเป็นรูปธรรม

หากเสียงนั้นเป็นการสนทนาที่ต้องสื่อสารกับลูกค้า — ไม่ว่าจะเป็นตัวแทนทางโทรศัพท์ ผู้ช่วยแบบโต้ตอบ หรืออะไรก็ตามที่พยางค์แรกมาถึงขณะมีคนกำลังรออยู่ — ให้ใช้ Eleven v4 Turbo ข้อกล่าวอ้างเรื่องความหน่วง (latency) ได้รับการเผยแพร่แล้ว ระดับการรองรับการทำงานพร้อมกัน (concurrency tiers) ก็ได้รับการเผยแพร่แล้ว และ Ming-3.0-tts ไม่มีเส้นทางการสตรีมเลย

หากเสียงเป็นงานการตลาดภาษาอังกฤษ เสียงบรรยายที่นำด้วยแบรนด์ หรือสิ่งใดก็ตามที่ชื่อเฉพาะเป็นหัวใจของประโยค ให้ใช้ Eleven v4 และเผื่องบไว้สำหรับพจนานุกรมการออกเสียงด้วย คะแนน 88.5% ของ Ming ในคำที่ทดสอบแบบแยกเดี่ยวอยู่อันดับ 21 จาก 31 และจะได้ยินชัดตั้งแต่ชื่อแบรนด์แรก

หากงานเสียงเป็นงานเชิงปฏิบัติการ — การยืนยันคำสั่งซื้อ การอ่านออกเสียงทางเทคนิค การฝึกอบรมภายใน หรือสิ่งใดก็ตามที่แน่นไปด้วยตัวระบุ หน่วย และสัญกรณ์ — Ming-3.0-tts เป็นเครื่องมือที่ดีกว่า และในสองหมวดหมู่ที่ครอบคลุมช่วงเหล่านั้นก็ไม่ได้สูสีกันเลย อีกทั้งยังเป็นตัวเดียวในสองตัวที่คุณเก็บไว้ได้หากผู้จำหน่ายเปลี่ยนเงื่อนไข เพราะ MIT ไม่มีวันหมดอายุ

สิ่งที่อาจเปลี่ยนคำตอบก็คือสิ่งเดิมที่เป็นมาหนึ่งเดือนแล้ว: Ant ยังไม่ได้เผยแพร่รายงานทางเทคนิค และ Ming ก็ยังไม่มี hosted endpoint เมื่อสิ่งใดสิ่งหนึ่งเกิดขึ้น ช่องว่าง 88 จุดในเสียงแบบควบคุมคือตัวเลขที่ต้องวัดใหม่ เพราะนั่นคือตัวเลขที่ใกล้เคียงที่สุดกับสิ่งที่ทีมที่กำลังโคลนเสียงของตัวเองจะได้สัมผัสจริง