Ming-3.0-tts 对比 ElevenLabs：Eleven v4 以 140 分优势赢得 Arena，却输掉了那项决定你的文本能否被正确朗读的测试

如果让一屋子语音 AI 工程师在 Ming-3.0-tts 和 Eleven v4 之间做选择，几乎每次都会选 ElevenLabs；竞技场的结果也与他们一致：在 Provider Voice 上，Eleven v4 获得 1,328 Elo，而 Ant Group 的模型为 1,188，140 分的差距不是舍入误差、平局，也不是投票数造成的暂时性偏差。然后打开发音榜，同一个实验室让人类评审判断英文句子中每个高亮片段是否读得正确，Ming-3.0-tts 为 93.2%，Eleven v4 为 91.7%——第一名对第三名。一个在听众听来明显更差的模型，按一项独立指标衡量，反而更可靠地读出那些必须准确说出的词。 此类发布背后有记录的 AI 故障与智能体事件，均收录于 the OrcaRouter AI Incident Archive，其中每个条目都带有自己的来源、严重性、置信度等级和争议标记。

这并不是矛盾，而理解它为何不是矛盾，正是这项比较的全部价值所在。ElevenLabs 卖的是一种声音。Ming-3.0-tts 是你可以运行的检查点。它们真正竞争的重叠区间，比任何一家厂商的营销所暗示的都更窄；而在这个重叠区间内，答案会随着你喂给它们的文本类型而变化。

ElevenLabs 实际交付了什么

ElevenLabs 目前运营两条现行模型线。Eleven v4 是富有情感、高保真的那一款：支持 90 多种语言，每次请求上限为 10,000 个字符，支持多说话人对话；语音克隆从每月 6 美元的 Starter 套餐起提供即时克隆，从每月 22 美元的 Creator 套餐起提供专业克隆。Eleven v4 Turbo 是其实时同级版本，同样支持 90 多种语言，公布的中位推理延迟约为 100 毫秒（不含应用和网络开销），API 定价约为 v4 的一半。计费基于积分，每个字符一积分，套餐从免费的 10,000 积分到每月 990 美元、600 万积分不等；arena 将 v4 归一化为每百万字符 80 美元，Turbo 为 40 美元。

Ming-3.0-tts 完全是另一回事：它是蚂蚁集团 inclusionAI 团队推出的一个 2.96 GB、MIT 许可的检查点，基于 Qwen2.5-0.5B 骨干构建，并带有扩散 Transformer 补丁头；它于 2026 年 9 月 24 日以权重形式发布，并在推理代码于 10 月 19 日登陆 GitHub 后变得可运行。它覆盖七种语言以及四川话和粤语，可根据参考音频及其转写克隆声音，可根据文本描述设计声音，并接受 14 个内联副语言标签。它没有托管端点，没有订阅，也没有按字符计费。

ElevenLabs 的第二条模型线在这里很重要，却很少在对比中被提及：Eleven v3 的 Elo 为 1,072，仍在生产环境中提供；面向实时使用的 v3 Conversational 为 1,062。一个选择“ElevenLabs”的团队，往往实际选的是 v3，因为它更便宜，或者他们的集成早于 v4。两者在偏好榜上的得分都低于 Ming-3.0-tts。这里的比较对象是 v4，而 v4 与大多数现有部署所运行的 v3 系列确实处于不同层级。

偏好差距确实存在，而且它并不在你以为的地方。

提供商语音 Elo — Ming-3.0-tts 1,188（1,174–1,202）对比 Eleven v4 1,328（1,314–1,342）。Eleven v4 在 97 个中排名第 2；Ming 排名第 18。Eleven v4 Turbo 以 1,330 领跑榜单。

• 受控语音 Elo，每个系统均使用相同的八个克隆语音——Ming-3.0-tts 1,068（1,052–1,084）对比 Eleven v4 1,156（1,143–1,169）和 Turbo 1,158。差距从 140 分缩小至 88 分。

再读一遍第二行。当两个系统克隆同一个声音时，ElevenLabs 的优势有一多半就消失了。Provider Voice 衡量的是整个产品——原生语音目录、默认交付效果、供应商为你做出的韵律选择——而 ElevenLabs 在这个目录上投入了多年，Ming 则只有五个英语语音，相比之下中文语音有上百个。Controlled Voice 把这些都剥离掉，只问每个系统模仿交给它的声音有多好。ElevenLabs 仍然轻松获胜，但差距大小不同了，而且它衡量的是另一种能力。

对于正在克隆自身品牌声音的团队来说，88 分这个数字才是关键。对于想从目录中挑选一种声音并直接交付的团队来说，140 分这个数字才是关键；它反映出 Ming 的一项优势，而除非 Ming 建立一个声音库——它目前没有任何迹象表明会建立这样的库——否则它无法弥合这一优势。

排名反转之处

发音评审团对这两个类别赋予了很高的权重，而 Ming-3.0-tts 在这两项上都取得了完胜。

• 保留精确序列——代码、路径、电子邮件、标识符。Ming-3.0-tts 达到 90.6%，在 31 项中排名第一，而 Eleven v4 为 78.8%，Eleven v4 Turbo 为 73.9%。在决定订单号、仓库路径或客户电子邮件地址能否原样输出的这一类别上，这构成了 12 个百分点的差距。

• 扩展缩写——数字、日期、单位和符号。Ming 96.5%，在 31 项中排名第一，对比 Eleven v4 的 94.1% 和 Turbo 的 91.9%。

而 ElevenLabs 取胜之处，它赢得干净利落：

• 独立术语——品牌名、地名和技术名称。Eleven v4 93.2%，Ming 88.5%。Ming 在此项中位列 31 个中的第 21 名，对于任何制作英语营销或客服音频的人来说，这是本文中最重要的一句话。

• 语境恰当 — 如“wound”等同形异音异义词。Eleven v4 94.1%，Ming 91.0%。

所以同一次测试内部分化成了这样：Ming 能正确读出你的数据，却把你的品牌名念错；ElevenLabs 能正确读出你的品牌名，却把你的标识符念得一团糟。这两种失误都听得出来，却都不会体现在偏好投票里，因为听者如果不知道某个词的正确读音，就无从判断它念错了。

综合得分——93.2 对 91.7——实际上算是打平。置信区间重叠（Ming 为 91.5–94.9，v4 为 90.0–93.4），样本量也不同（1,800 个文本片段对 2,051 个），而且在 31 个模型的排行榜上领先 1.5 个百分点，并不足以作为决策依据。真正值得作为依据的是按类别拆分，因为在那里置信区间是分开的。

成本，如实折算

ElevenLabs 按每字符一个积分计费，其中 v4 按标准费率计费，Turbo 和 Flash 变体则根据套餐按半个至一个积分计费。在已公布的套餐表中，TTS 的有效每分钟成本约为 0.17–0.36 美元，具体取决于套餐档位；而该竞技场的归一化数据为：v4 每百万字符 80 美元，Turbo 为 40 美元。

按真实用量来算：一百万个字符大约相当于以正常旁白语速完成的 20 小时成品语音。按 80 美元计算，也就是每成品音频小时 4 美元，这很便宜，直到它不再便宜——一份包含 5,000 条产品描述、每条 600 个字符的目录就是三百万个字符，在 v4 上要 240 美元，在 Turbo 上要 120 美元。对于会重新生成文案的内容运营来说，这就是每月账单。

Ming-3.0-tts 没有按字符计价，因为它没有托管服务。成本在于 GPU 时间：按实测每秒 44.3 个字符计算，100 万字符在 H800 级显卡上大约需要 6.3 小时生成，再加上加载时间。这是否比 80 美元更划算，完全取决于你现有的计算成本，以及自托管路径会消耗多少工程时间。如果每月只生成一条产品描述，ElevenLabs 便宜得让这种比较显得可笑。如果是每晚重新生成大型语料库，这笔账就不一样了。

还有第三种选择，两家厂商的定价页面都不会提到，而这正是路由层体现价值的地方。OrcaRouter 既不托管 Ming-3.0-tts，也不提供 ElevenLabs，因此这场对比中的任何一方都无法通过我们访问；Ming 来自 Ant 的代码仓库，ElevenLabs 来自其自有 API。我们确实提供的是 Google 的 Gemini TTS 预览版和 OpenAI 的 tts-1 与 gpt-4o-mini-tts，以及200 多个文本模型，全部按提供商标价、不加价，并在一个密钥背后实现跨提供商的自动故障转移。如果语音只是某个流水线中的一个环节，而该流水线的前序环节是文本——摘要、翻译、脚本生成——那么今天能整合的正是这一部分，而且提供商价格变动会在当天生效，而不是等到下一次合同续约。

比 Elo 更能决定胜负的工程差异

ElevenLabs 给你的是一个请求、一个响应、一个从免费层的 2 扩展到 Scale 层的 15 的并发上限，以及一个在出问题时能回应的供应商。Ming-3.0-tts 给你的是一个 2.96 GB 的检查点、一个使用 PyTorch 2.6 和 CUDA 12.4 的 Docker 镜像、一个 Python 类，以及 Ant 的评估表。该仓库的路线图将 vLLM-Omni 加速推理列为已完成，但技术报告仍列为尚未开始。

接下来是两条运营事实，而且它们并非小事。

首先，Ming-3.0-tts 需要参考波形及其转录文本才能进行克隆——即该仓库自带示例中的 --prompt_wav_path 和 --prompt_text 参数。ElevenLabs 在 Starter 及以上版本中只需十秒音频即可克隆，无需转录文本，也无需本地流水线。如果你的克隆工作流是“客户上传一段语音备忘录”，那么这一差异属于产品决策，而非技术细节。

第二，Ming 中的各项能力是任务模式，而不是可组合的开关。Ant 自己的文档称，这些能力以独立任务的形式提供，不能自由组合，这意味着一个同时要求克隆、情感和方言的请求，未必是模型会作为单次调用接受的请求。ElevenLabs 则允许在同一个请求中，将情感和音频标签与克隆语音一起使用。对于一个需要同时具备这三者的智能体来说，这是最重要的限制，而它不会出现在任何排行榜上。

关于该信任哪个 ElevenLabs 数字的说明

ElevenLabs 的定价页面宣传 v4 是其最新、最具情感表现力的模型，而其对比表仍列出 v3；竞技场则另行将 v3、v3 Conversational、v4 和 v4 Turbo 评为四个不同系统，最高与最低之间相差 260 分。在这项比较中，“ElevenLabs”并不是单一竞争对手；它是一条产品线，而其当前最佳与最差模型之间的差距，大于 Ming-3.0-tts 与其中任一模型之间的差距。任何用单一数字代表 ElevenLabs 的比较，都是在选择一个会取悦或惩罚该厂商的数字，具体取决于选了哪一个。

具体该怎么做

如果音频是面向客户的对话——电话客服、交互式助手，或任何需要首个音节在有人等待时即刻到达的场景——请使用 Eleven v4 Turbo。其延迟指标已公布，并发层级也已公布，而 Ming-3.0-tts 完全没有流式处理路径。

如果音频是英文营销、品牌主导的旁白，或者任何专有名词是句子重点的内容，就使用 Eleven v4，并为发音词典预留预算。Ming 在独立术语上的 88.5% 在 31 个中排第 21，而且在第一个品牌名上就会听得出来。

如果音频属于运营类场景——订单确认、技术内容朗读、内部培训，以及任何大量包含标识符、单位和符号的内容——Ming-3.0-tts 是更合适的工具，而且在覆盖这些范围的这两个类别上，它的优势相当明显。如果供应商更改条款，它也是两者中唯一能保留的一个，因为 MIT 不会过期。

会改变答案的，还是一个月来一直没变的那件事：Ant 仍未发布技术报告，Ming 仍没有托管端点。一旦其中任何一项落地，88 个百分点的受控音色差距就是需要重新测量的数字，因为那是最接近团队克隆自己声音时实际会体验到的情况。