Một thẻ tiêu đề được tạo hiển thị 'Hai số 99, hai hóa đơn hoàn toàn khác nhau', với phụ đề nêu tên Ming-3.0-audio-flash đối đầu Eleven Realtime v1 Max. Ba hàng được đánh số ghi 'Ming-3.0-audio-flash: trọng số mở 126B, 4 đến 8 H800, không có bảng giá', 'Eleven Realtime v1 Max: 0,08 USD mỗi phút cộng với chi phí sử dụng LLM, hơn 90 ngôn ngữ' và 'Độ chính xác 99,8% so với 98,8%, thời gian đến âm thanh đầu tiên 1,12 giây so với 0,57 giây'. Phần chân trang ghi 'Độ chính xác và độ trễ theo Artificial Analysis; giá của Eleven theo trang định giá API của họ.'
Guides & Insights

Ming-3.0-audio-flash so với Eleven Realtime v1 Max: Hai mức 99, chỉ một trong số đó có giá $0.08 mỗi phút

Tác giả

jinhao.song

Ngày đăng

Mô hình mới nhất · 20Xem tất cả mô hình →
Benchmark: Artificial Analysis · cập nhật hằng ngày
Quay lại tất cả bài viết

Ming-3.0-audio-flash và Eleven Realtime v1 Max đều tuyên bố đạt điểm suy luận giọng nói khoảng 99%, và sự tương đồng chấm dứt ngay khi bạn nhìn vào cách mỗi con số được tạo ra. ElevenLabs đặt "99% về suy luận giọng nói, 570ms cho thời gian đến âm thanh đầu tiên" trên thẻ giá của chính họ cho Realtime v1 Max; Artificial Analysis đo cùng mô hình đạt 98,8% và 0,567 giây. Thẻ của inclusionAI tuyên bố 99,40 trên BigBenchAudio cho Ming-3.0-audio-flash; Artificial Analysis đo 99,8% trên Big Bench Audio và 1,12 giây. Một nhà cung cấp đã báo thấp hơn mô hình của chính mình một bước làm tròn và bên kia báo thấp hơn bốn phần mười. Cả hai đều đủ gần để đáng tin và không con số nào là con số bạn nên dựa vào để ra quyết định.

Con số quyết định là khác nhau ở từng lựa chọn. Với Eleven Realtime v1 Max, đó là $0.08 mỗi phút cộng với chi phí sử dụng LLM, tức khoảng $4.80 mỗi giờ âm thanh đầu vào theo mức đo của Artificial Analysis. Với Ming-3.0-audio-flash, đó là bốn chiếc H800 80 GB, vì hoàn toàn không có bảng giá — nó là một checkpoint mixture-of-experts 126 tỷ tham số theo giấy phép MIT mà bạn tải về và tự phục vụ. Mọi thứ khác trong so sánh này đều suy ra từ sự phân tách đó: một bên là đăng ký thuê một voice agent, bên kia là một cỗ máy bạn sở hữu.

Thực tế mỗi thứ là gì

Eleven Realtime v1 Max không phải là một mô hình theo nghĩa checkpoint. Tài liệu mô tả mỗi mô hình Realtime là một tác nhân thoại hoàn chỉnh — nhận dạng giọng nói, phát hiện hoạt động giọng nói và quản lý lượt nói, một LLM, và chuyển văn bản thành giọng nói — được đóng gói để bạn chọn thay vì tự lắp ghép. Max được định vị cho các phản hồi chính xác, chu đáo trong những tác vụ nhiều bước và là mô hình duy nhất trong hai mô hình Realtime liệt kê tính năng gọi công cụ. Mô hình hỗ trợ hơn 90 ngôn ngữ, có thể truy cập qua API Realtime tương thích OpenAI, và việc chuyển đổi giữa Max và mô hình anh em nhỏ hơn chỉ là thay đổi lựa chọn mô hình chứ không phải xây dựng lại.

Ming-3.0-audio-flash là cách bố trí ngược lại. Một bộ mã hóa âm thanh và bộ chiếu đưa vào một xương sống ngôn ngữ mixture-of-experts; đầu vào là âm thanh cộng với chỉ dẫn văn bản; đầu ra là văn bản, hoặc văn bản kèm giọng nói tổng hợp thông qua Talker tùy chọn. Không có phát hiện lượt nói tích hợp sẵn, không có quản lý phiên, không có lớp gọi công cụ nào được mô tả trong thẻ. Điều mà thẻ khẳng định là độ bao phủ ở phía đầu vào: tiếng Trung và tiếng Anh bao gồm cả giọng điệu và phương ngữ, âm thanh phi lời nói, cảnh âm thanh, âm nhạc và các bản ghi dài.

• Tham số — Ming-3.0-audio-flash: tổng cộng 126B, 6,5B kích hoạt mỗi bước. Eleven Realtime v1 Max: không được tiết lộ.

• Shape — Ming: một checkpoint do bạn tự phục vụ. Eleven: một agent được host sẵn mà bạn lựa chọn.

• Bối cảnh — Ming: 131.072 token được khai báo trong cấu hình. Eleven: không được công bố; phiên là đơn vị, không phải cửa sổ token.

• Ngôn ngữ — Ming: tiếng Trung và tiếng Anh. Eleven: 90+ theo danh sách ngôn ngữ Eleven v4.

• **Đầu ra giọng nói** — **Ming**: tùy chọn, thông qua Talker, với giọng tích hợp và giọng tham chiếu. **Eleven**: lõi của sản phẩm; giọng nói được chọn từ thư viện.

• Gọi công cụ — Ming: không được mô tả. Eleven: được liệt kê cho Max, không phải cho Mini.

• Giấy phép — Ming: MIT áp dụng cho trọng số. Eleven: thỏa thuận API thương mại.

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.

Hai con số đó, và lý do tại sao chúng lại mâu thuẫn theo hai hướng ngược nhau

“99%” trên thẻ của ElevenLabs gần như chắc chắn là con số 98.8 đã được làm tròn từ một lần chạy của Artificial Analysis, được công bố trên chính trang định giá của nhà cung cấp kèm theo số liệu độ trễ. Điều đó là sự cởi mở hiếm thấy: hầu hết nhà cung cấp đều trích dẫn một chuẩn đánh giá do chính phòng thí nghiệm đã xây dựng mô hình lựa chọn. Điều đó cũng có nghĩa hai nguồn không độc lập — nhà cung cấp đang trích dẫn bên thứ ba chứ không chạy một bộ đánh giá song song — nên khi chúng khớp nhau, chúng khớp nhau một cách tất yếu.

Con số của Ming là một trường hợp khác. Thẻ mô hình tháng 10 có một hình ảnh đánh giá hiển thị 99,40 trên “BigBenchAudio” cùng với một bức tranh âm thanh dài yếu hơn nhiều. Con số 99,8 hôm nay đến trực tiếp từ Artificial Analysis, và thẻ đã được sửa vào sáng nay để trích dẫn con số đó. Khoảng cách giữa 99,40 và 99,8 không phải là một đính chính; đó là hai lần chạy của một benchmark cùng tên nhưng khác harness, prompt và tập con các mục. Cả hai đều không sai. Cả hai đều thuộc kiểu con số thay đổi từng phần mười khi các chi tiết thay đổi, đó là lý do vì sao một lợi thế một điểm ở đầu một bảng nơi 42 mô hình tụ tập trong khoảng chín mươi không phải là một hào cạnh tranh.

Điều mà thứ tự trên bảng xếp hạng thực sự xác lập là tư cách thành viên trong nhóm dẫn đầu. Ở khả năng suy luận giọng nói, Ming-3.0-audio-flash đạt 99,8 và Eleven Realtime v1 Max đạt 98,8, chỉ cách nhau một điểm và không có gì khác mà bảng đo được. Ở thời gian đến âm thanh đầu tiên, chúng cách nhau một hệ số hai: 1,12 giây so với 0,567. Đối với một mô hình phải trả lời trong một khoảng lặng hội thoại, đó chính là con số quyết định liệu hệ thống có cảm giác sống động hay không, và đây là một chỗ mà phương án trông có vẻ rẻ không hẳn rõ ràng là phương án tệ hơn.

Chỗ mà sự so sánh đổ vỡ, và nó đổ vỡ ở cuộc trò chuyện.

Suy luận lời nói là các câu hỏi trắc nghiệm được truyền dưới dạng âm thanh. Tác nhân thoại là một bài toán khác: biết khi nào bắt đầu nói, khi nào giữ im lặng qua một khoảng dừng, cách tiếp nhận khi bị ngắt lời, có phát ra tín hiệu đáp ứng hay không. Artificial Analysis đo riêng điều đó trên Full Duplex Bench, và đây là phần ít đối xứng nhất trong toàn bộ cuộc so tài.

Eleven Realtime v1 Max có điểm Full Duplex Bench được công bố là 0.941, với xử lý ngắt lời đạt 0.99, luân phiên lượt nói đạt 1.0, xử lý khoảng dừng đạt 0.978 và tín hiệu đáp lời đạt 0.796. Nó cũng có điểm tau-voice là 0.578 qua các mô phỏng tác vụ hàng không, bán lẻ và viễn thông — một con số kém xuôi tai hơn nhiều, và là sự điều chỉnh hữu ích cho bất kỳ ai xem 99% như một kết luận tổng quát. Ming-3.0-audio-flash không có điểm Full Duplex Bench, không có điểm tau-voice, và không có phép đo nào được công bố về cách nó hành xử khi có người nói chen vào. Không phải là checkpoint đó sẽ trượt những bài kiểm tra ấy. Mà là chưa ai chạy chúng, và model card không mô tả cơ chế khiến chúng có ý nghĩa: phát hiện lượt nói và barge-in là những thứ bạn phải xây dựng xung quanh nó, chứ không phải thứ nó có sẵn khi xuất xưởng.

Sự bất đối xứng đó có một hình hài thực tế. Chọn Eleven Realtime v1 Max là bạn có được một vòng hội thoại đã được giải quyết trọn vẹn, với điểm hoàn thành tác vụ đã công bố (dù chỉ ở mức trung bình). Chọn Ming-3.0-audio-flash là bạn có được một đôi tai mạnh bất thường và một giao diện văn bản, còn vòng lặp — VAD, xác định điểm kết thúc, xử lý ngắt lời, lượt LLM phía sau giọng nói — thì để lại như việc của bạn. Hai sản phẩm không phải là vật thay thế cho nhau ở cùng một tầng, và một phép so sánh đối đầu về độ chính xác lại ngầm ngụ ý rằng chúng thay thế được cho nhau.

Số học của một giờ, được tính một cách trung thực

Một giờ âm thanh đầu vào liên tục trên Eleven Realtime v1 Max được tính phí $0,08 mỗi phút, tức $4,80, cộng thêm lượng tiêu thụ của LLM đi kèm. Chi phí đo được của Artificial Analysis cho mỗi giờ âm thanh đầu vào của mô hình đúng là $4,80, điều này xác nhận thông tin trên thẻ. Ở mức 1.000 giờ một tháng, con số đó là $4.800 trước token LLM và trước mọi giới hạn đồng thời, mà tài liệu có liệt kê cho TTS và STT nhưng không liệt kê cho Realtime voice agents.

Phía Ming không có con số như vậy, nên mọi so sánh đều cần một giả định, và giả định đó phải được nêu rõ. Cấu hình phục vụ 128K tham chiếu của inclusionAI dùng song song tensor trên bốn GPU H800 80 GB; đầu vào âm thanh dài có thể gây OOM trên cấu hình đó và buộc phải chuyển sang phương án dự phòng tám GPU. Với mức giả định 2 đô-la mỗi GPU-giờ — chỉ là giả định, không phải báo giá — bốn card tốn 8 đô-la một giờ và tám card tốn 16 đô-la, cả hai đều chưa tính mức sử dụng, chưa tính thời gian nhàn rỗi mà bất kỳ dịch vụ luôn bật nào cũng có, và chưa tính một kỹ sư để vận hành. Nếu chạy hết công suất, cấu hình bốn GPU có sức cạnh tranh với mức 4,80 đô-la một giờ. Nếu chỉ lấp đầy mười phần trăm, nó không còn ở cùng đẳng cấp để so sánh.

Đó là toàn bộ lập luận về chi phí, và nó phụ thuộc vào mức độ sử dụng chứ không phải giá của bên cung cấp nào. Một nhóm có lưu lượng âm thanh ổn định, khối lượng lớn và năng lực GPU sẵn có có thể làm cho bài toán tính toán hợp lý. Một nhóm đang thử nghiệm một ý tưởng vào chiều thứ Ba thì không thể, và không nên giả vờ rằng con số tính theo giờ mà họ tính ra ở mức lưu lượng lúc 3 giờ sáng có ý nghĩa gì.

• Tính phí theo mức sử dụng — Eleven Realtime v1 Max: $0,08/phút, khoảng $4,80/giờ, cộng với mức sử dụng LLM.

• Tự lưu trữ — Ming-3.0-audio-flash: không có bảng giá; cấu hình tham chiếu 4 × 80 GB H800, dự phòng 8 GPU.

• Chi phí biên của một giờ tăng thêm — {{1}}Eleven: $4.80{{/1}}. {{2}}Ming: thực tế bằng không cho đến khi các thẻ bão hòa, sau đó là một hàm bậc thang.{{/2}}

• Chi phí của giờ đầu tiên — Eleven: $4.80. Ming: phần cứng, ngăn xếp phục vụ và tích hợp.

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.'

Ngôn ngữ là nơi các bảng thông số kỹ thuật gây hiểu lầm

ElevenLabs nói 90+ ngôn ngữ và thực sự đúng như vậy trên toàn bộ stack TTS và STT. Ming-3.0-audio-flash nói tiếng Trung và tiếng Anh, rồi bổ sung một điều kiện còn quan trọng hơn con số: "bao gồm nhiều giọng và phương ngữ khác nhau". Bảng tháng Mười của chính nhà cung cấp xác nhận điều đó bằng tỷ lệ lỗi phương ngữ thấp hơn đáng kể so với các mô hình omni mà nó so sánh — tiếng Phúc Kiến là 12.84 so với 28.08 của Qwen3.8-Omni Flash và 81.62 của Gemini 3.8 Flash, tiếng Thượng Hải là 11.15 so với 21.10 và 88.64. Nếu âm thanh của bạn là tiếng Quan Thoại với giọng vùng miền, thì đó là một năng lực mà mọi so sánh về số lượng ngôn ngữ đều không nắm bắt được, và danh sách 90+ của Eleven không cho bạn biết nó hoạt động thế nào với tiếng Phúc Kiến.

Điều ngược lại cũng đúng y như vậy: nếu âm thanh của bạn là tiếng Tây Ban Nha, tiếng Bồ Đào Nha, tiếng Nhật hoặc tiếng Ả Rập, thì Ming-3.0-audio-flash hoàn toàn không có cơ sở nào. Đây không phải là một phán đoán sát nút về độ bao phủ. Đó là một sự phân vùng gần như toàn phần, và là cách nhanh nhất để quyết định bạn đang ở cột nào.

Cả hai trên cùng một phím, dành cho nửa phần là văn bản

OrcaRouter không phục vụ Ming-3.0-audio-flash và cũng không phục vụ Eleven Realtime v1 Max — đó là một checkpoint tự triển khai và một sản phẩm realtime riêng của nhà cung cấp, và cả hai đều không phải mô hình mà chúng tôi có thể cấp cho bạn một endpoint. Thứ chúng tôi phục vụ là phần còn lại của pipeline mà mỗi mô hình đó hàm ý. Một hệ thống thoại xây trên mô hình âm thanh tự triển khai chủ yếu là các lệnh gọi văn bản: prompt báo cho mô hình âm thanh biết cần nghe gì, bộ phân tích chuyển nhãn ngôn ngữ phân tách bằng tab của nó thành đầu ra có cấu trúc, bản tóm tắt viết từ bản ghi lời, bộ định tuyến gửi một cuộc gọi khó đến mô hình mạnh hơn. Những phần đó chạy qua hơn 200 mô hình sau một khóa, với 0% phụ trội, cùng khả năng tự động chuyển đổi dự phòng khi nhà cung cấp suy giảm — điều này khiến việc đặt một mô hình âm thanh chưa được kiểm chứng phía sau một phần lưu lượng của bạn trở nên an toàn trong khi phần còn lại vẫn tiếp tục hoạt động.

Chọn cái nào?

Hãy chọn Eleven Realtime v1 Max nếu bạn muốn có một tác nhân giọng nói trong tháng này: hơn 90 ngôn ngữ, vòng hội thoại đã được giải quyết, gọi công cụ, giá công bố theo phút và phiên tương thích OpenAI. Hãy chấp nhận rằng điểm hoàn thành tác vụ tau-voice của nó là 0.578, rằng hành vi backchannel là phần yếu nhất trong hồ sơ Full Duplex Bench của nó, và rằng bạn đang thuê một ngăn xếp mà bạn không thể kiểm tra.

Hãy dùng Ming-3.0-audio-flash nếu âm thanh của bạn là tiếng Trung hoặc tiếng Anh, các trường hợp khó của bạn là giọng vùng miền hoặc phương ngữ, nhóm của bạn có thể vận hành bốn GPU 80 GB và một ngăn xếp phục vụ, và bạn sẵn sàng tự xây dựng lớp hội thoại. Hãy chấp nhận rằng các con số do chính mô hình công bố cho thấy nó mất lợi thế ở các bản ghi âm dài và phân tách người nói, rằng thời gian đến âm thanh đầu tiên của nó gấp đôi Eleven, và rằng 99.8 chỉ là thứ hạng trên bảng xếp hạng chứ không phải lời hứa về khối lượng công việc của bạn.

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.

Và nếu câu trả lời là “cả hai một phần” — một agent được host cho các ngôn ngữ mà nó hỗ trợ, một mô hình tự host cho lưu lượng nặng về giọng/ngữ âm — thì đó không phải là một sự thỏa hiệp, mà là hình dạng mà hầu hết hệ thống giọng nói trong sản xuất thực tế vẫn có. Sai lầm là chọn dựa trên các con số phân vị 99, bởi vì ở đầu đó của bảng, con số đã ngừng cho bạn biết bất cứ điều gì mà chính các bản ghi âm của bạn sẽ không cho bạn biết nhanh hơn.