Eleven v4 对比 VoxCPM2：一个排名模型，对阵一个你无法租用的检查点

这场对比中最有用的事实，是一条并不存在的记录。ElevenLabs Eleven v4在 Artificial Analysis 的 Provider Voice Arena 上，以 1,319 的 Elo 在 1,674 次亮相中位居第 1，价格为每百万字符 80.00 美元。VoxCPM2，这个 OpenBMB 于 2026 年 4 月发布的检查点，在两个语音榜单上都毫无踪影——不在已排名之列，不在未排名之列，也没有作为预览条目出现。这不是对质量的评判。这意味着，无论你原本希望拿哪个数字来与 1,319 比较，都没有人给出过它，因此比较必须基于偏好之外的某些东西来进行。剩下的就是所有权、微调，以及一个托管端点让你无法提出的许可问题。

各方实际交到你手上的东西

这些是不同类别的产品，差异并非表面上的。

• 访问方式 — Eleven v4 是通过 ElevenLabs 自家 API 访问的托管端点，按字符计费。VoxCPM2 则是 Hugging Face 上的一个模型检查点，位于 openbmb/VoxCPM2；你需要自行下载并运行，没有第一方端点可供调用。

• 许可证 — VoxCPM2 以 Apache 2.0 发布，明确可免费商用。Eleven v4 是商业 API，其条款由 ElevenLabs 制定。如果你的法务审查要问是否可以微调、再分发或发布权重，这一差异就很重要；对于该检查点，答案是白纸黑字且固定不变的。

• 规模与硬件——VoxCPM2 基于 MiniCPM-4 主干，拥有 20 亿参数，该卡片标注其在 bfloat16 下约需 8 GB 显存，最大序列长度为 8,192 个 token。ElevenLabs 未公布 Eleven v4 的参数数量，而托管模型的硬件占用也并非由你管理的事项。

• 输出链路——VoxCPM2 接受 16 kHz 参考音频，并通过 AudioVAE V2 内置的超分辨率输出 48 kHz，路径中无需外部上采样器。托管 TTS 会以供应商选择的任意采样率向你提供音频流。

• 独立评分——Eleven v4 有，而且是第一名。VoxCPM2 没有。没有并不等于低分；它是一个未评分的模型，两者绝不应被放在同一句话里相提并论，仿佛后者是一个分数。

替代缺失 Elo 的数字

如果你无法比较偏好，那就比较你能计算的东西；而对于自托管模型来说，那就是吞吐量。VoxCPM2 的模型卡援引的数据是：在 RTX 4090 上以标准 PyTorch 运行时，实时因子约为 0.30；在 Nano-VLLM 下则降至约 0.13。实时因子是每秒钟音频所需的计算秒数，因此这两个数字意味着：在第一种情况下，一个 GPU 小时大约能产出 3.3 小时的成品语音；在第二种情况下则约为 7.7 小时。

两个结论立刻随之而来。服务栈比模型更重要：同一张显卡上的同一个检查点，只要更换推理引擎，其输出就会翻一倍以上，因此任何使用 0.30 这个数字的成本模型，都会把你的自托管成本高估约 2.3 倍。而利用率才是关键：一张闲置的显卡，无论价格如何，都赢不了按字符计费的 API，因为 API 的账单随你说多少而增长，而显卡的账单则随你何时购买而增长。

这就是为什么这个决定诚实的表述不是“哪种听起来更好”，而是“你每个月制作多少小时音频，以及硬件是否繁忙”。在低于让一块卡保持加载状态的用量时，API 胜出，而且优势不小。高于这个用量时，在你自己已经拥有的硬件上，检查点第一千小时的边际成本与第一小时的成本相同——而这是一种任何价目表都无法匹敌的结构性优势。

托管端点不会卖给你的能力

比较到这里就不再是镜像对照了，因为有一件事 VoxCPM2 能做，而 Eleven v4 从根本上做不到：你可以重新训练它。模型卡记录了在少至五到十分钟音频上进行的完整 SFT 和 LoRA 微调，并为二者分别提供了训练脚本和配置。

这会改变语音项目的形态。托管式 API 为你提供固定模型，外加供应商开放的任何克隆功能——就 Eleven v4 而言，即时克隆只需十秒参考音频，其上方还有专业层级。可进行 LoRA 调优的检查点则为你提供一个从未见过他人数据的模型，并且你可以通过版本锁定其行为。对于品牌语音、受监管领域，或供应商的配音阵容处理不佳的语言，这属于另一类解决方案，而不是更便宜的方案。

这笔交易是明摆着的，也值得挑明：用上 VoxCPM2，你就得接受：从未有第三方给这个模型打过分，质量保证得靠你自己去建立和衡量，而 8,192 token 的序列长度上限，以及模型卡自己的那句警告——语音设计和风格控制在每次运行之间都会有所不同，建议生成一到三次——如今都成了你自己的质检难题。

Eleven v4 能带给你、而检查点给不了的东西

反过来说，托管模式的优势是那些会出现在发布日程表上、而不是规格表上的优势。

• 一项有据可依的排名——在估算背后有 1,674 个样本支撑的榜单上位列第一，其误差区间约为 ±19 分。无论该榜单衡量的是什么，它都独立于两家厂商，并且是本次比较中唯一的第三方质量信号。

• 文本中的表演指导——内联音频标签，例如[笑声]、[低语]和[用法语口音愤怒地说]，此外还有自然语言表达提示，以及对国际音标的改进支持。想让自托管模型产生情绪变化，意味着要重新生成或进行微调；而在这里，它只是脚本中的一个词元。

• 你无需核实的覆盖范围——90 多种语言对 VoxCPM2 的 30 种，但需注意：该检查点的清单明确且逐一列名（包括汉语方言），而供应商的“90 多种”只是一个数字，没有清单。

• 无运维面 — 无 GPU、无服务栈、无版本漂移，且在 10 月 12 日前为每 1,000 个字符 $0.022 的促销价，之后为 $0.08 的标价。

这两者都不是我们的，而这正是本节的重点所在。

OrcaRouter 并不托管这两个模型。我们的目录中既没有 ElevenLabs 端点，也没有 VoxCPM2 端点；诚实的路由答案是：Eleven v4 需通过 ElevenLabs 自家的 API 访问，而 VoxCPM2 则要部署在你自己的硬件上。我们不会为了让对比看起来更整洁而暗示其他情况。

单一密钥真正能帮上忙的地方，是决策之前的那个决策。自托管的讨论之所以停滞，是因为替代方案从未被评估：一次 API 调用就是一次调用，而一个 checkpoint 却是一整套服务栈，于是 API 靠默认胜出，而不是靠算账胜出。OrcaRouter 的贡献在于，让这一比较中托管的那一半变得测试成本很低——200 多个模型汇聚在一个 API 密钥背后，供应商标价按0% 加价原样传递，因此托管方案是按真实费率而非估算费率被评估，同时配有自动故障转移，前提是你在尚未完成决策之前，就把候选方案挂到线上路径上。

如何一遍就做出决定

如果语音必须第一遍就出好效果，而且你想这周就完成，那就选 Eleven v4。你能获得独立榜单的榜首、有文档说明的方向语法、本次对比中有文档记录的最多语言数量，以及零基础设施。自 10 月 13 日起，你需按每 1,000 个字符 0.08 美元付费，并且接受无法重新训练它、固定版本，或把音频保留在你自己的硬件上。

如果模型必须归你所有，就选 VoxCPM2。Apache 2.0、约 8 GB 显存上运行 2B 参数、48 kHz 输出且链路中没有上采样器，以及一条只需五到十分钟音频就能跑通的微调路径——这些能力是托管端点无论出多少钱都提供不了的，而缺少 arena 排名行就是拥有它们的代价。在正式投入之前，先在自己的显卡上跑一遍吞吐量数据，因为 0.30 和 0.13 这两个实时因子是模型卡自身的测量值，你的服务栈不会完全复现它们。

而如果诚实的答案是，你并不知道自己每月的音频播放量，那这个数字就是你要去弄清楚的。它决定了这一比较。两块看板都不会告诉你。