一張生成的標題卡寫著「兩個 99,兩張截然不同的帳單」,副標題列出 Ming-3.0-audio-flash 對比 Eleven Realtime v1 Max。三列編號列分別寫著「Ming-3.0-audio-flash:126B 開放權重,4 到 8 張 H800,無費率表」、「Eleven Realtime v1 Max:每分鐘 $0.08 另加 LLM 使用費,支援 90 多種語言」以及「準確率 99.8% 對 98.8%,首次音訊時間 1.12 秒 對 0.57 秒」。頁尾寫著「準確率與延遲資料來自 Artificial Analysis;Eleven 的價格依其 API 定價頁面。」
Guides & Insights

Ming-3.0-audio-flash 對決 Eleven Realtime v1 Max:兩個 99 分,只有其中一個每分鐘收費 0.08 美元

作者

jinhao.song

發佈日期

最新模型 · 20查看全部模型 →
基準測試:Artificial Analysis · 每日更新
返回全部文章

Ming-3.0-audio-flash與Eleven Realtime v1 Max兩者都宣稱語音推理分數約 99%,但一旦細看每個數字是怎麼產生的,相似之處就到此為止。ElevenLabs 在自己的 Realtime v1 Max 定價卡上寫著「語音推理 99%,首個音訊延遲 570 毫秒」;Artificial Analysis 對同一模型的測量則是 98.8% 與 0.567 秒。inclusionAI 的卡片宣稱 Ming-3.0-audio-flash 在 BigBenchAudio 上達到 99.40;Artificial Analysis 測得 Big Bench Audio 上為 99.8%,以及 1.12 秒。一家廠商以一個四捨五入級距低報了自己的模型,另一家則低報了 0.4 個百分點。兩者都接近到足以可信,但兩者都不是你該據以做決定的數字。

決策數字每個都不同。對 Eleven Realtime v1 Max 來說,是每分鐘 $0.08 加上 LLM 用量;以 Artificial Analysis 實測的費率計算,約等於每小時 $4.80 的輸入音訊。對 Ming-3.0-audio-flash 來說,則是四張 80 GB 的 H800,因為根本沒有價目表——它是一個採用 MIT 授權、讓你自行下載並提供服務的 1260 億參數混合專家檢查點。這項比較中的其餘一切,都源自這個分界:一個是語音代理的訂閱服務,另一個是你自己擁有的機器。

每一個實際上是什麼

Eleven Realtime v1 Max 並不是檢查點(checkpoint)意義上的模型。文件將每個 Realtime 模型描述為完整的語音代理——包含語音辨識、語音活動偵測與輪流發言、LLM,以及文字轉語音——並將其打包成可直接選用、無須自行組裝的形式。Max 的定位是能在多步驟任務中提供精準、周詳的回應,也是兩款 Realtime 模型中唯一列出工具呼叫(tool calling)功能的一款。它支援 90 種以上的語言,可透過與 OpenAI 相容的 Realtime API 存取,而要在 Max 與其較小的同系列模型之間切換,只需變更模型選擇,無須重新建置。

Ming-3.0-audio-flash 則是相反的安排。音訊編碼器與投影器會饋入混合專家語言骨幹;輸入是音訊加上文字指令;輸出是文字,或透過可選的 Talker 輸出文字與合成語音。模型卡中沒有描述內建的對話輪次偵測、工作階段管理或工具呼叫層。模型卡確實聲稱的是輸入端的廣度:中文與英文,包括口音與方言、非語音聲音、聲學場景、音樂,以及長篇錄音。

• 參數 — Ming-3.0-audio-flash:總計 126B,每步啟用 6.5B。Eleven Realtime v1 Max:未披露。

• 形式 — Ming:由你自行提供服務的檢查點。Eleven:由你選用的託管代理。

• 背景 — Ming:設定檔中宣告了 131,072 個 token。Eleven:未公開;單位是工作階段,而非 token 視窗。

• 語言 — Ming:中文與英文。Eleven:依據 Eleven v4 語言清單,支援 90 種以上語言。

• 語音輸出 — Ming:可選,透過 Talker 提供,包含內建與參考語音。Eleven:產品的核心;語音從語音庫中選擇。

• 工具呼叫 — Ming:未說明。Eleven:僅列於 Max,未列於 Mini。

• 授權 — Ming:權重採用 MIT 授權。Eleven:商業 API 協議。

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.

這兩個數字,以及它們為何朝相反方向分歧

ElevenLabs 卡片上的「99%」,幾乎可以肯定就是 Artificial Analysis 某次測試所得的 98.8 四捨五入而來,而且就刊在供應商自家的定價頁面上,還一併附上延遲數據。這種坦率相當罕見:大多數供應商引用的是打造該模型的實驗室自己所挑的基準測試。這也意味著這兩個來源並不獨立——供應商是在引用第三方,而不是自行跑一套平行的測試框架——所以當兩者說法一致時,這種一致是結構上必然的。

Ming 的數字是另一回事。十月的模型卡附有一張評估圖,顯示「BigBenchAudio」上的分數為 99.40,同時還有一張明顯較弱的長音訊表現圖。今天的 99.8 直接來自 Artificial Analysis,而模型卡今早被修改以引用這個數字。99.40 與 99.8 之間的差距不是更正;那是同名基準的兩次執行,使用不同的測試框架、提示與題項子集。兩者都沒有錯。兩者都是那種細節一變就會以小數點後一位變動的數字,這就是為什麼在一個有 42 個模型擠在九十分段的排行榜上,榜首領先一分並不是護城河。

排行榜排序所確立的,是進入頂尖群體的資格。在語音推理上,Ming-3.0-audio-flash 的 99.8 與 Eleven Realtime v1 Max 的 98.8 只相差一分,而在排行榜所衡量的其他方面別無差異。在首次音訊時間上,兩者相差一倍:1.12 秒對 0.567 秒。對於必須在對話停頓內作答的模型而言,這個數字決定系統是否感覺有生命力,而這也正是那個看似便宜的選項未必明顯較差的地方。

比較在哪裡失效,而它正是在對話上失效。

語音推理是以音訊形式呈現的選擇題。語音代理則是另一個問題:知道何時該開口、在停頓期間何時該保持安靜、如何處理插話、是否要發出回饋語。Artificial Analysis 在 Full Duplex Bench 上單獨衡量這一點,而這是整場對比中最不對稱的部分。

Eleven Realtime v1 Max 的 Full Duplex Bench 公佈分數為 0.941,其中中斷處理為 0.99、輪流發言為 1.0、停頓處理為 0.978、附和訊號為 0.796。它在航空公司、零售與電信任務模擬中的 tau-voice 分數則是 0.578——這個數字沒那麼好看,對於任何把 99% 當成整體結論的人來說,也是一項有用的修正。Ming-3.0-audio-flash 沒有 Full Duplex Bench 分數、沒有 tau-voice 分數,也沒有公佈任何測量結果說明有人在它說話時插話會如何。這並不是說該檢查點會通不過那些測試,而是沒有人跑過那些測試,而且模型卡也沒有描述能讓那些測試有意義的機制:輪次偵測與插話是你得在它周邊自行打造的東西,而不是它隨附的功能。

這種不對稱有其具體樣貌。選擇 Eleven Realtime v1 Max,你得到的是一套已解決的對話迴路,附帶一個已公布(雖屬中等)的任務完成分數。選擇 Ming-3.0-audio-flash,你得到的是一只異常靈敏的耳朵與一個文字介面,而把迴路——VAD、端點偵測、插話處理,以及語音背後那一輪 LLM 運算——留作你的工作。這兩個產品並不是同一層級的替代品,而針對準確度進行正面對決,會隱隱暗示它們是。

一小時的算術,誠實以對

Eleven Realtime v1 Max 上連續輸入音訊一小時的計費為每分鐘 $0.08,即 $4.80,另加隨附 LLM 所消耗的費用。Artificial Analysis 測得該模型每小時輸入音訊的成本正好是 $4.80,與價目卡相符。每月 1,000 小時即為 $4,800,尚未計入 LLM token,也尚未計入任何併發限制;文件列出了 TTS 與 STT 的併發限制,但未列出 Realtime 語音代理的併發限制。

Ming 方面沒有這樣的數字,因此任何比較都需要一項假設,而這項假設應該要明確可見。inclusionAI 的參考 128K 服務設定採用張量平行,橫跨四張 80 GB H800;長時間的音訊輸入可能使該配置發生 OOM,並迫使它退回八 GPU 的備援配置。在假設每 GPU 小時 2 美元的條件下——這只是暫定數字,並非報價——四張卡每小時成本為 8 美元,八張則為 16 美元;兩者都尚未計入使用率、尚未計入任何常駐服務都會有的閒置時間,也尚未計入負責運行它的工程師。若滿載運行,四 GPU 配置可與每小時 4.80 美元一較高下。若只填充到一成,則完全不可同日而語。

這就是完整的成本論證,而關鍵在於使用率,而不是任何一家供應商的定價。一個擁有穩定、高流量音訊流量且已有 GPU 容量的團隊,可以讓這筆算術成立。一個在週二下午測試某個想法的團隊則做不到,也不該假裝它在凌晨三點流量水準下算出的每小時數字有任何意義。

• {{1}}按用量計費{{/1}} — Eleven Realtime v1 Max:每分鐘 $0.08,約每小時 $4.80,另加 LLM 用量費用。

• 自架部署 — Ming-3.0-audio-flash:無費率卡;4 × 80 GB H800 參考配置,8-GPU 備援。

• 多一小時的邊際成本——Eleven:4.80 美元。Ming:在顯示卡飽和之前實際上為零,之後則呈階梯函數。

• 第一小時的成本 — Eleven:4.80 美元。Ming:硬體、服務堆疊與整合。

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.'

語言,正是規格表最容易誤導人的地方

ElevenLabs 表示支援 90 多種語言,而且這句話在 TTS 與 STT 技術堆疊中都算數。Ming-3.0-audio-flash 則表示支援中文與英文,接著又加上一個比語言數量更重要的限定條件:「包括各種口音與方言」。廠商自己十月的表格以方言錯誤率佐證這點,這些數字大幅優於它拿來比較的全能模型:閩南語為 12.84,而 Qwen3.8-Omni Flash 是 28.08、Gemini 3.8 Flash 是 81.62;上海話為 11.15,對比 21.10 與 88.64。如果你的音訊是帶有地方口音的華語,這是無論怎麼比較語言數量都捕捉不到的能力,而 ElevenLabs 的 90 多種語言清單也不會告訴你它在閩南語上的表現如何。

反過來說也完全成立:如果你的音訊是西班牙語、葡萄牙語、日語或阿拉伯語,Ming-3.0-audio-flash 就完全談不上涵蓋。這在涵蓋範圍上不是難以判斷的邊界情況。這幾乎是徹底的二分法,也是判斷你落在哪一欄最快的方法。

兩者都在同一個按鍵上,針對文字的那一半

OrcaRouter 不提供 Ming-3.0-audio-flash,也不提供 Eleven Realtime v1 Max——前者是自架檢查點,後者是廠商自家的即時產品,兩者都不是我們能為你提供端點的模型。我們真正提供的是上述任一方案所涵蓋的其餘管線。以自架音訊模型建構的語音系統,大多都是文字呼叫:告訴音訊模型要聽什麼的提示詞、將其以定位字元分隔的語言標籤轉成結構化輸出的解析器、根據逐字稿撰寫的摘要,以及將困難呼叫送到更強模型的路由器。那些都會經過 單一金鑰背後的 200 多個模型,0% 加價,並在供應商服務降級時自動容錯移轉——這正是為什麼可以安全地將尚未驗證的音訊模型用於部分流量,同時其餘流量持續正常運作。

該選哪一個

如果你想在這個月就擁有語音代理,就選 {{1}}Eleven Realtime v1 Max{{/1}}:支援 90 多種語言、對話迴圈已解決、可進行工具呼叫、有公開的每分鐘定價,以及 {{2}}OpenAI 相容的工作階段{{/2}}。但要接受它的 tau-voice 任務完成分數是 0.578、它的附和行為是其 Full Duplex Bench 評測概況中最弱的一環,而且你租用的是一套無法檢視的技術堆疊。

若你的音訊是中文或英文、你的困難案例是口音或方言、你的團隊能執行四張 80 GB GPU 與一套服務堆疊,而且你願意自行建置對話層,就採用 Ming-3.0-audio-flash。並請接受:該模型自己公布的數字顯示,它在長錄音與講者分離上正在退讓;它的首次音訊延遲是 Eleven 的兩倍;而它的 99.8 是排行榜名次,不是對你的工作負載的承諾。

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.

而如果答案是「兩者各取一部分」——涵蓋的語言用託管代理,口音偏重的流量用自託管模型——那並不是妥協,而是大多數實際投入生產的語音系統真正採取的形態。錯誤在於憑 99 百分位數來做選擇,因為到了表格的那一端,這個數字已經無法告訴你任何你自己的錄音不會更快告訴你的事。