
Ming-3.0-audio-flash 对比 Eleven Realtime v1 Max:两个 99,但只有一个每分钟只要 0.08 美元
- Orca新OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 每百万 tokens · 185 tok/s
- tencent新Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 每百万 tokens · 228 tok/s
- Google新Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 每百万 tokens · 89 tok/s
- Anthropic新Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 每百万 tokens · 98 tok/s
- orca新Orca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 每百万 tokens · 89 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 每百万 tokens · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 每百万 tokens · 79 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 每百万 tokens · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 每百万 tokens · 118 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 每百万 tokens · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百万 tokens · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百万 tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447智能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 每百万 tokens · 199 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929智能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 每百万 tokens · 113 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733智能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 每百万 tokens · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740智能
Ming-3.0-audio-flash 和 Eleven Realtime v1 Max 都宣称语音推理得分约为 99%,但一旦审视这两个数字各自是如何得出的,相似之处便到此为止。ElevenLabs 在其 Realtime v1 Max 的定价卡上写着“语音推理 99%,首个音频延迟 570ms”;Artificial Analysis 对同一模型测得的则是 98.8% 和 0.567 秒。inclusionAI 的卡片宣称 Ming-3.0-audio-flash 在 BigBenchAudio 上达到 99.40;Artificial Analysis 在 Big Bench Audio 上测得 99.8% 和 1.12 秒。一家厂商把自己的模型低报了一个舍入位,另一家则低报了 0.4。两者都足够接近而显得可信,但这两个数字都不是你应当据以做决策的那个数字。
用于决策的数字对两者并不相同。对 Eleven Realtime v1 Max 来说,是每分钟 $0.08 外加 LLM 使用费;按 Artificial Analysis 实测费率,这大约是每小时输入音频 $4.80。对 Ming-3.0-audio-flash 来说,则是四块 80 GB 的 H800,因为根本不存在价目表——它是 一个以 MIT 许可发布、由你自行下载并提供服务的 1260 亿参数混合专家检查点。这一比较中的其他一切,都源于这一分野:一个是语音智能体的订阅服务,另一个是你拥有的机器。
每一个实际上是什么
Eleven Realtime v1 Max 并不是检查点意义上的模型。文档将每个 Realtime 模型描述为一个完整的语音代理——语音识别、语音活动检测与轮次转换、LLM,以及文本转语音——并经过打包,让你直接选择它,而不是自行组装。Max 定位于在多步骤任务中提供精确、周全的响应,并且是两个 Realtime 模型中唯一列出工具调用的模型。它支持 90 多种语言,可通过兼容 OpenAI 的 Realtime API 访问,而在 Max 与其较小的同类模型之间切换只是更改模型选择,而不是重新构建。
Ming-3.0-audio-flash 则是相反的安排。音频编码器和投影器接入一个混合专家语言骨干网络;输入为音频加文本指令;输出为文本,或通过可选的 Talker 输出文本和合成语音。它没有内置的轮次检测,没有会话管理,卡片中也没有描述工具调用层。卡片确实宣称的是输入侧的广度:中英文,包括口音和方言、非语音声音、声学场景、音乐以及长录音。
• 参数 — Ming-3.0-audio-flash:总参数量 126B,每步激活 6.5B。Eleven Realtime v1 Max:未披露。
• 形态 — Ming:由你提供服务的检查点。Eleven:由你选择的托管智能体。
• 上下文 — Ming:配置中声明了 131,072 个 token。Eleven:未公布;会话才是单位,而不是 token 窗口。
• 语言 — Ming:中文和英文。Eleven:根据 Eleven v4 语言列表,支持 90 多种语言。
• 语音输出 — Ming:可选,通过 Talker 实现,支持内置音色和参考音色。Eleven:产品的核心;音色从音色库中选择。
• 工具调用 — Ming:未描述。Eleven:在 Max 中列出,但未在 Mini 中列出。
• 许可 — Ming:权重采用 MIT 许可。Eleven:商业 API 协议。

这两个数字,以及它们为什么会在相反方向上不一致
ElevenLabs 卡片上的“99%”几乎可以肯定是一个四舍五入后的 98.8,来自某次 Artificial Analysis 测试,并连同延迟数据一起发布在厂商自己的定价页面上。这种做法罕见地坦诚:大多数厂商引用的是构建该模型的实验室自行选定的基准。这也意味着这两个来源并不独立——厂商是在引用第三方,而不是并行运行一套测试框架——因此当它们结果一致时,这种一致是结构性的必然。
Ming 的数据是另一回事。10 月的模型卡上有一张评测图,显示 BigBenchAudio 上为 99.40,同时长音频表现要弱得多。今天的 99.8 直接来自 Artificial Analysis,而模型卡今早被修改以引用这一数字。99.40 与 99.8 之间的差距不是一次更正;而是同名基准的两次运行,使用了不同的评测框架、提示词和题目子集。两者都没有错。两者都是那种细节一变就会浮动零点几分的数字,因此,在一张有 42 个模型扎堆在九十多分的榜单上,领先一分并不构成护城河。
排行榜排序真正确立的,是进入顶尖梯队的成员资格。在语音推理上,Ming-3.0-audio-flash 的 99.8 分与 Eleven Realtime v1 Max 的 98.8 分之间只差一分,而榜单所衡量的其他任何指标都无法将二者区分开来。但在首次音频输出时间上,二者相差一倍:1.12 秒对 0.567 秒。对于一个必须在对话停顿间隙内给出回答的模型而言,正是这个数字决定了系统是否显得有生命力,而这也恰恰是那个看似廉价的选项并不明显更差的地方。
比较在哪里失效,而它恰恰在对话上失效
语音推理是以音频形式呈现的多项选择题。语音智能体则是另一个问题:知道何时开始说话、何时在停顿中保持沉默、如何处理被打断,以及是否发出附和式反馈。Artificial Analysis 在 Full Duplex Bench 上单独衡量这一点,而这是整场对比中最不对称的部分。
Eleven Realtime v1 Max 的已发布 Full Duplex Bench 得分为 0.941,其中打断处理为 0.99,轮次转换(turn-taking)为 1.0,停顿处理为 0.978,附和反馈(backchannels)为 0.796。它在航空、零售和电信任务模拟中的 tau-voice 得分为 0.578——这个数字远没有那么好看,也能对任何把 99% 当作总体结论的人起到有益的纠偏作用。Ming-3.0-audio-flash 没有 Full Duplex Bench 得分,没有 tau-voice 得分,也没有公布任何关于当有人插话时它如何表现的测量结果。这并不是说该检查点会通不过那些测试。而是说没有人运行过这些测试,并且模型卡也没有描述那些能让这些测试有意义的机制:轮次检测和插话打断是你围绕它构建的东西,而不是它自带的东西。
这种不对称有很实际的表现。选择 {{1}}Eleven Realtime v1 Max{{/1}},你买到的是一个已经解决好的对话闭环,外加一个已公布的(尽管只是中游水平的)任务完成度分数。选择 {{2}}Ming-3.0-audio-flash{{/2}},你买到的是一只异常灵敏的耳朵和一个文本接口,而把闭环——VAD、端点检测、打断处理、语音背后的 LLM 回合——留作你自己的活儿。这两款产品并不处在同一层面上,谈不上互相替代;而只就准确率做正面比较,等于悄悄暗示它们可以互相替代。
一小时的计算,如实完成
连续输入音频一小时,Eleven Realtime v1 Max 按每分钟 0.08 美元计费,即 4.80 美元,再加上所捆绑 LLM 消耗的任何费用。Artificial Analysis 测得的该模型每小时输入音频成本正好是 4.80 美元,这与价目卡相符。按每月 1,000 小时计算,就是 4,800 美元,这还不包括 LLM token 费用,也不包括任何并发限制;文档中列出了 TTS 和 STT 的并发限制,但没有列出 Realtime 语音代理的并发限制。
Ming 侧没有这样的数字,因此任何比较都需要先做一个假设,而这个假设应当明确可见。inclusionAI 的参考 128K 服务配置使用张量并行,跨四块 80 GB H800;长音频输入可能使其显存溢出(OOM),从而被迫回退到八 GPU 方案。按假设的每 GPU 小时 2 美元——这只是占位值,并非报价——四块卡每小时成本为 8 美元,八块为 16 美元,且都还未计入利用率、任何常开服务都会有的空闲时间,以及运维工程师的成本。若满载运行,四 GPU 配置可与每小时 4.80 美元的成本相竞争。若只跑到 10% 利用率,那就完全不在同一讨论范围内了。
这就是整套成本论证,关键在于利用率,而不在于任何一家供应商的定价。拥有稳定、高并发音频流量且已有 GPU 容量的团队,可以把这笔账算得过来。而周二下午还在测试一个想法的团队则做不到,也不应假装它在凌晨3点流量水平下算出的每小时数字有任何意义。
• 按量计费 — Eleven Realtime v1 Max:每分钟 $0.08,约每小时 $4.80,另加 LLM 使用费。
• 自托管 — Ming-3.0-audio-flash:无费率表;参考配置为 4 × 80 GB H800,回退配置为 8-GPU。
• 多一小时的边际成本——Eleven:4.80 美元。Ming:在卡片饱和之前实际上为零,之后则呈阶跃函数。
• 第一小时的成本 — Eleven:4.80 美元。Ming:硬件、服务栈和集成。

语言正是规格表容易误导人的地方
ElevenLabs 声称支持 90 多种语言,并且在 TTS 和 STT 整个技术栈中确实如此。Ming-3.0-audio-flash 声称支持中文和英文,随后又以比语言数量更重要的方式加以限定:“包括各种口音和方言”。厂商自己 10 月的表格印证了这一点,其方言错误率显著优于它所对比的全模态模型——闽南语为 12.84,而 Qwen3.8-Omni Flash 为 28.08、Gemini 3.8 Flash 为 81.62;上海话为 11.15,而两者分别为 21.10 和 88.64。如果你的音频是带有地区口音的普通话,那么这是一种无论多少语言数量对比都无法体现的能力,而 Eleven 的 90 多种语言列表也不会告诉你它在闽南语上的表现如何。
反过来也同样成立:如果你的音频是西班牙语、葡萄牙语、日语或阿拉伯语,那么 Ming-3.0-audio-flash 完全不在覆盖范围内。在覆盖范围上,这并不是一个难以判断的边缘情况。这几乎是一种彻底的分割,而这是判断你属于哪一列的最快方法。
两者都放在同一个按键上,用于属于文本的那一半
OrcaRouter 不提供 Ming-3.0-audio-flash,也不提供 Eleven Realtime v1 Max——前者是自托管检查点,后者是供应商自家的实时产品,而这两者都不是我们能为你提供端点的模型。我们提供的是二者各自所暗示的流水线中的其余部分。基于自托管音频模型构建的语音系统,主要都是文本调用:告诉音频模型要听什么的提示词、把其制表符分隔的语言标签转换为结构化输出的解析器、根据转录文本撰写的摘要、把困难调用发送给更强模型的路由器。这些调用都通过一个密钥背后的 200 多个模型,0% 加价,并在供应商服务降级时自动故障转移——这正是为什么可以安全地把一个未经证实的音频模型放在你部分流量之后,而其余部分仍照常运行。
该选哪一个
如果你本月就想要一个语音智能体,那就选择 Eleven Realtime v1 Max:支持 90 多种语言、对话循环已经解决、支持工具调用、公开每分钟价格,并提供兼容 OpenAI 的会话。同时要接受:它的 tau-voice 任务完成分数为 0.578,其反馈行为是 Full Duplex Bench 表现中最薄弱的部分,而且你租用的是一套无法审查的技术栈。
如果你的音频是中文或英文,你的难点是口音或方言,你的团队能运行四块 80 GB GPU 和一套服务栈,并且你愿意自己搭建对话层,那就选 Ming-3.0-audio-flash。要接受:该模型自己公布的数字显示,它在长录音和说话人分离上正在失去优势;它的首音频时间是 Eleven 的两倍;而且它的 99.8 是排行榜名次,而不是对你工作负载的承诺。

如果答案是“两者兼有”——对它所覆盖的语言使用托管代理,对口音较重的流量使用自托管模型——那并不是妥协,而是大多数生产级语音系统实际呈现的形态。错误在于依据 99 分位值来做选择,因为到了表格的那一端,这个数字已经不再能告诉你任何你自己的录音不会更快告诉你的事情。
