Eleven v4 對決 VoxCPM2：一個榜上有名的模型，對上一個你租不到的檢查點

這場對決中最有用的事實，是一列根本不存在的資料。ElevenLabs Eleven v4在 Artificial Analysis 的 Provider Voice Arena 上以 1,319 的 Elo、累計 1,674 次出現位居第 1 名，價格為每百萬字元 80.00 美元。VoxCPM2，這個 OpenBMB 於 2026 年 4 月發布的檢查點，在兩個語音排行榜上都完全找不到——沒有排名、不在未排名名單中，也不是預覽條目。這不是對品質的評斷。這意味著，無論你原本希望拿哪個數字來和 1,319 比較，都沒有人產出過那個數字，而這項比較就必須建立在偏好以外的東西上。剩下的是所有權、微調，以及一個託管端點不會讓你提出的授權問題。

每一方實際上交給你的

這些是不同類別的產品，而差異並非僅止於表面。

• 存取方式 — Eleven v4 是透過 ElevenLabs 自家 API 存取的託管端點，按字元計費。VoxCPM2 則是 Hugging Face 上 openbmb/VoxCPM2 的檢查點；你得自行下載並執行，而且沒有官方端點可供呼叫。

• 授權 — VoxCPM2 採用 Apache 2.0，明確允許商業使用。Eleven v4 則是商業 API，條款由 ElevenLabs 制定。如果你的法務審查要問你能不能微調、重新散布或交付權重，這項差異就事關重大；有了這份檢查點，答案是白紙黑字寫下且固定不變的。

• 大小與硬體 — VoxCPM2 是基於 MiniCPM-4 主幹的 2B 參數模型，規格表標示在 bfloat16 下約需 8 GB 的 VRAM，最大序列長度為 8,192 個 token。ElevenLabs 並未公布 Eleven v4 的參數數量，而託管模型的硬體佔用也不是你需要管理的東西。

• 輸出鏈 — VoxCPM2 接受 16 kHz 參考音訊，並透過 AudioVAE V2 內建的超解析度技術輸出 48 kHz，路徑中不需任何外部升頻器。託管式 TTS 則以供應商自行選擇的任意取樣率，直接交給你一串串流。

• 獨立評分——Eleven v4 有一個，而且位居第一。VoxCPM2 則沒有。沒有分數並非低分；它是一個未獲評分的模型，而兩者絕不該被放在同一句話裡談論，彷彿後者是一個數字。

用來取代缺失 Elo 的數字

如果無法比較偏好，就比較你能計算的東西，而對自架模型而言，那就是吞吐量。VoxCPM2 的模型卡指出，在 RTX 4090 上以標準 PyTorch 執行時，即時因子約為 0.30，在 Nano-VLLM 下則降至約 0.13。即時因子是每生成一秒音訊所需的運算秒數，因此這兩個數字意味著：在第一種情況下，一個 GPU 小時可產出約 3.3 小時的成品語音，在第二種情況下則約為 7.7 小時。

兩個後果立刻隨之而來。服務堆疊比模型更重要：同一張卡上的同一個檢查點，只要更換推論引擎，輸出就會增加超過一倍，因此任何採用 0.30 這個數字的成本模型，都會把你的自架成本高估約 2.3 倍。而使用率才是關鍵：閒置的顯示卡無論價格如何都贏不過按字元計費的 API，因為 API 的帳單隨你說多少而變動，顯示卡的帳單則取決於你何時買下它。

這就是為什麼這個決策的誠實版本不是「哪個聽起來比較好」，而是「你一個月產出多少小時的音訊，以及硬體是否忙碌」。在顯示卡能持續滿載的用量之下，API 勝出，而且差距不小。超過那個用量後，在你已擁有的硬體上，checkpoint 每千分之一小時的邊際成本，與第一個小時的成本相同——而這是任何費率表都無法比擬的結構性優勢。

託管端點不會賣給你的能力

這裡就是比較不再呈現鏡像對照的地方，因為有一件事是 VoxCPM2 做得到、而 Eleven v4 根本做不到的：你可以重新訓練它。模型卡記載了完整 SFT 與 LoRA 微調，只需少至五到十分鐘的音訊，並為兩者分別提供訓練腳本與設定。

這改變了語音專案的樣貌。託管式 API 給你一個固定模型，再加上廠商所開放的任何複製功能——以 Eleven v4 來說，是十秒的參考音訊即可進行即時複製，其上還有專業層級。可用 LoRA 微調的檢查點則給你一個從未見過他人資料的模型，而且其行為可依版本鎖定。對於品牌語音、受監管的領域，或廠商的配音陣容處理不佳的語言來說，那是不同類別的解決方案，而不是比較便宜的方案。

這個取捨很明確，也值得說明：使用 VoxCPM2 時，你接受沒有任何第三方曾為這個模型評分、品質保證得由你自己建立與衡量，以及 8,192-token 序列限制和模型卡本身的警告——語音設計與風格控制會隨每次執行而異，且建議生成一到三次——如今都成了你的 QA 問題。

Eleven v4 能帶給你什麼，而檢查點做不到？

反過來說，託管式模型的優勢，是那些會出現在發布時程表上、而非規格表上的優勢。

• 一項經實測得出的排名——在一個背後有 1,674 個樣本支撐該估計值的排行榜上位居第一，而其周圍的信賴區間約為 ±19 分。無論那個排行榜衡量的是什麼，它都獨立於兩家廠商，而且它是這項比較中唯一的第三方品質訊號。

• 文本中的表演指示——行內音訊標籤，例如 [laughs]、[whispers] 和 [said angrily in French accent]，再加上自然語言的表達提示，以及更完善的國際音標支援。想讓自託管模型做出情緒變化，就得重新生成或微調；在這裡，它只是腳本裡的一個詞元。

• 你無需自行驗證的涵蓋範圍 — 90 多種語言對比 VoxCPM2 的 30 種，但需注意：該檢查點的語言清單是明確且具名的（包括中文方言），而廠商所稱的「90 多種」只是個數字，沒有清單。

• 沒有營運負擔——沒有 GPU、沒有服務堆疊、沒有版本漂移，10 月 12 日前享每 1,000 個字元 $0.022 的促銷價，之後的定價則為 $0.08。

這兩者都不是我們的，而這正是本節的重點

OrcaRouter 並未託管這兩個模型。我們的目錄中沒有 ElevenLabs 端點，也沒有 VoxCPM2 端點，而誠實的路由答案是：Eleven v4 是透過 ElevenLabs 自家的 API 存取的，而 VoxCPM2 則是你得部署在自己硬體上的東西。我們不會為了讓比較看起來更俐落，就暗示並非如此。

單一金鑰真正幫得上忙的地方，在於「做出決定之前的那個決定」。自架相關的討論之所以會卡住，是因為另一個選項從來沒被真正評估過：API 不過是一次呼叫，而 checkpoint 卻是一整套推論服務堆疊，所以 API 往往是靠預設值勝出，而不是靠算數勝出。OrcaRouter 的貢獻，就在於讓這場比較中「代管」的那一半變得便宜好測——200 多個模型只要一組 API 金鑰就能取用，供應商定價原價轉嫁，0% 加成因此代管選項是以其實際費率而非估算費率來評估，再加上自動容錯移轉，讓你在還沒下定決心之前，就能先把候選方案放到實際的流量路徑上測試。

如何一次決定

如果聲音必須一次到位，而且你想在這週內完成，就選 Pick Eleven v4。你能獲得獨立排行榜的榜首、有文件記載的方向語法、這份比較中記載最廣泛的語言數量，以及零基礎設施。從 10 月 13 日起，每 1,000 個字元你需支付 $0.08，並且你接受無法重新訓練它、鎖定版本，或將音訊保留在自己的硬體上。

如果模型必須是你自己的，就選 VoxCPM2。Apache 2.0、在約 8 GB 的 VRAM 上跑 2B 參數、48 kHz 輸出且鏈路中沒有升頻器，再加上只需五到十分鐘音訊就能執行的微調流程——這些是託管端點無論出多少錢都提供不了的能力，而競技場排行上沒有它的一席之地，正是換來這些能力的代價。在你下定決心之前，先在自己的顯示卡上實測吞吐量數字，因為 0.30 和 0.13 這兩個即時因子是模型卡自己的量測值，你的服務堆疊不會完全重現它們。

而如果誠實的答案是，你不知道自己每月的音訊量，那就是你該去查出來的數字。它會決定這項比較。兩塊板子都不會告訴你。