Ming-3.0-tts 對決 ElevenLabs：Eleven v4 在 Arena 以 140 分勝出，卻輸掉那項決定你的文字能否被正確朗讀的關鍵測試

如果請一屋子語音 AI 工程師在 Ming-3.0-tts 和 Eleven v4 之間做選擇，幾乎每次都會選 ElevenLabs；競技場的數據也支持他們：Eleven v4 在 Provider Voice 上得到 1,328 Elo，而螞蟻集團的模型為 1,188，140 分的差距不是四捨五入誤差、不是平局，也不是投票數造成的暫時性假象。接著打開發音榜，同一個實驗室請人工評審判斷英文句子中每個醒目片段是否發音正確，Ming-3.0-tts 為 93.2%，Eleven v4 為 91.7%——第一名對第三名。一個對聽眾而言明顯更差的模型，按另一項獨立衡量，卻更能在必須準確說出的詞語上保持可靠。 這類發布背後的已記錄 AI 故障與代理事件，收錄於 OrcaRouter AI Incident Archive，其中每一條目都附有自己的來源、嚴重程度、信心等級與爭議標記。

那不是矛盾，而理解它為什麼不是矛盾，正是這項比較的全部價值。ElevenLabs 賣的是一個聲音。Ming-3.0-tts 則是你自行執行的 checkpoint。它們真正競爭的重疊範圍，比任何一方的行銷所暗示的都更窄；而在那個重疊範圍內，答案會隨著你餵給它們的文字類型而改變。

ElevenLabs 實際上推出了什麼

ElevenLabs 目前有兩條現行模型產品線。Eleven v4 是主打情感與高傳真度的模型：支援 90 多種語言、每次請求上限 10,000 字元、多說話者對話，以及聲音複製；即時複製從 $6 的 Starter 方案起，專業複製則從 $22 的 Creator 方案起。Eleven v4 Turbo 是同系列的即時版本，同樣支援 90 多種語言，公布的中位推論延遲約 100 毫秒（不含應用程式與網路額外負擔），API 價格約為 v4 的一半。計價以點數計算，每個字元一點；方案從免費的 10,000 點數，到每月 $990 的六百萬點數。arena 將 v4 標準化為每百萬字元 $80，Turbo 則為 $40。

Ming-3.0-tts 完全是另一回事：它是一個 2.96 GB、以 MIT 授權的檢查點，來自螞蟻集團 inclusionAI 團隊，基於 Qwen2.5-0.5B 主幹，搭配擴散 Transformer patch 頭，於 2026 年 9 月 24 日以權重形式發布，並在推論程式碼於 10 月 19 日登上 GitHub 後變得可執行。它涵蓋七種語言，外加四川話與粵語，能從參考音訊及其轉錄稿複製聲音，依文字描述設計聲音，並接受 14 個行內副語言標籤。沒有代管端點、沒有訂閱制，也沒有按字元計費。

ElevenLabs 的第二條模型產品線在這裡很重要，卻很少在比較中被提到：Eleven v3 的 Elo 為 1,072，仍在正式提供中；用於即時用途的 v3 Conversational 則為 1,062。選擇「ElevenLabs」的團隊往往實際上選的是 v3，因為它比較便宜，或因為他們的整合早於 v4。兩者在偏好排行榜上的分數都低於 Ming-3.0-tts。這裡比較的對象是 v4，而 v4 與大多數現有部署所運行的 v3 系列確實屬於不同層級。

偏好落差確實存在，而且不在你以為的地方

供應商語音 Elo — Ming-3.0-tts 1,188（1,174–1,202）對比 Eleven v4 1,328（1,314–1,342）。Eleven v4 在 97 個中排名第 2；Ming 排名第 18。Eleven v4 Turbo 以 1,330 分領先排行榜。

• 受控語音 Elo，每個系統皆使用相同的八個複製人聲——Ming-3.0-tts 1,068（1,052–1,084）對比 Eleven v4 1,156（1,143–1,169）與 Turbo 1,158。差距從 140 分縮小至 88 分。

再讀一次第二行。當兩個系統複製同一個聲音時，ElevenLabs 的優勢有超過一半會煙消雲散。Provider Voice 衡量的是整個產品——原生語音目錄、預設的呈現方式、廠商替你挑好的韻律選擇——而 ElevenLabs 在這份目錄上投注了多年心血，Ming 卻只有五個英文語音，對比其中文的一百多個。Controlled Voice 把這些全部剝除，只問每個系統模仿交給它的那個聲音時，模仿得有多好。ElevenLabs 依然從容勝出，但差距的大小不同了，而且它衡量的其實是另一種能力。

對於正在複製自家品牌聲音的團隊來說，88 分這個數字才是關鍵。對於想從目錄中挑選一種聲音並直接推出的團隊來說，關鍵則是 140 分這個數字；而這反映出 Ming 的一項優勢：除非建立語音庫，否則 Ming 無法追平這項優勢，但它目前毫無建立語音庫的跡象。

排名反轉之處

發音評測榜對兩個類別給予很高權重，而 Ming-3.0-tts 在兩者上都完勝。

• 保留精確序列 — 代碼、路徑、電子郵件、識別碼。Ming-3.0-tts 為 90.6%，在 31 個項目中排名第一，相較於 Eleven v4 的 78.8% 與 Eleven v4 Turbo 的 73.9%。在決定訂單編號、儲存庫路徑或客戶電子郵件地址能否完整輸出的這個類別上，這是 12 個百分點的差距。

• 擴充縮寫 — 數字、日期、單位、標記法。Ming 96.5%，在 31 項中排名第一，相較於 Eleven v4 的 94.1% 與 Turbo 的 91.9%。

而在 ElevenLabs 勝出的地方，它贏得乾淨俐落：

• 獨立術語——品牌、地名與技術名稱。Eleven v4 93.2%，Ming 88.5%。Ming 在此 31 項中排名第 21，對任何製作英文行銷或客服語音的人而言，這是本文最重要的一行。

• 符合語境 — 同形異音異義詞，例如「wound」。Eleven v4 94.1%，Ming 91.0%。

所以同一項測試內部的分歧在於：Ming 能正確讀出你的資料，卻把你的品牌念錯；ElevenLabs 能正確讀出你的品牌，卻把識別碼念得亂七八糟。這兩種失誤都聽得出來，卻都不會反映在偏好投票上，因為聽眾若不知道某個詞的正確發音，就無從判定它念錯了。

總體分數——93.2 對 91.7——實際上算平手。信賴區間重疊（Ming 為 91.5–94.9，v4 為 90.0–93.4），樣本數也不同（1,800 個 span 對 2,051 個），而且在一個 31 個模型的排行榜上領先 1.5 分，並不足以作為決策依據。真正值得作為依據的是類別拆分，因為在那裡信賴區間是分開的。

成本，如實換算

ElevenLabs 以每個字元一信用點計費，v4 採用標準費率，Turbo 與 Flash 變體則依方案不同為半個至一個信用點。在公布的方案表中，TTS 的每分鐘實際成本約落在 0.17–0.36 美元，視方案層級而定；而 arena 的標準化數字為 v4 每百萬字元 80 美元、Turbo 為 40 美元。

以實際用量來算：一百萬個字元大約等於在正常旁白語速下 20 小時的成品語音。以 $80 計算，等於每小時成品音訊 $4，看起來很便宜，直到不再便宜——一份有 5,000 則產品說明的目錄，每則 600 個字元，就是三百萬個字元，在 v4 上要 $240，在 Turbo 上要 $120。對一個會重新生成文案的內容營運來說，這就是每月帳單。

Ming-3.0-tts 沒有按字元計價，因為它沒有託管服務。成本在於 GPU 時間：以實測每秒 44.3 字元計算，一百萬字元約需在 H800 等級的顯示卡上生成 6.3 小時，另加載入時間。這是否比 80 美元划算，完全取決於你原本的運算費用，以及自架路線會消耗多少工程時間。若每月只做一則產品描述，ElevenLabs 便宜的程度會讓這項比較顯得荒謬。若是每晚重新生成大型語料庫，這筆帳就算得不一样了。

還有第三種選項，是兩家供應商的定價頁面都不會提出的，而這正是路由層發揮價值之處。OrcaRouter 不託管 Ming-3.0-tts，也不提供 ElevenLabs，因此這場對比中的兩邊都無法透過我們取得；Ming 來自 Ant 的儲存庫，ElevenLabs 則來自其自家 API。我們確實提供的是 G​oogle 的 G​emini T​TS 預覽版，以及 O​penAI 的 tts-1 和 gpt-4o-mini-tts，還有超過 200 個文字模型，全部以供應商定價提供，不額外加價，並可透過單一金鑰跨供應商自動容錯移轉。如果語音只是整條流程中的一個階段，而前面的階段是文字——摘要、翻譯、腳本生成——那麼今天能整合的就是這一塊，且供應商價格變更會當天生效，而不是等到下一次合約續約。

比 Elo 更能決定勝負的工程差異

{{1}}ElevenLabs{{/1}} 為你提供一個請求、一個回應、一個從免費方案的 2 擴展到 Scale 方案的 15 的併發上限，以及一個在出問題時會回應的供應商。{{2}}Ming-3.0-tts{{/2}} 為你提供一個 2.96 GB 的檢查點、一個使用 PyTorch 2.6 與 CUDA 12.4 的 Docker 映像檔、一個 Python 類別，以及 Ant 的評估表。該儲存庫的路線圖將 vLLM-Omni 加速推論列為已完成，但將技術報告列為尚未開始。

接著是兩項營運事實，而它們並非小事。

首先，Ming-3.0-tts 在進行克隆時需要一段參考波形及其逐字稿——也就是該儲存庫自身範例中的--prompt_wav_path與--prompt_text參數。ElevenLabs 在 Starter 及以上方案中只需十秒音訊即可克隆，既不需要逐字稿，也不需要本地管線。如果你的克隆流程是「客戶上傳一段語音備忘錄」，那麼這項差異屬於產品決策，而非技術細節。

其次，Ming 的能力是任務模式，而非可組合的開關。Ant 自己的文件指出，這些能力以獨立任務的形式提供，無法自由組合，這意味著一個同時想要克隆、情感與方言的請求，未必是模型能以單次呼叫接受的請求。ElevenLabs 則在與克隆語音相同的請求中提供情感與音訊標籤。對於需要在一次請求中同時具備這三者的代理而言，這是最關鍵的限制，而它不會出現在任何排行榜上。

關於該相信哪個 ElevenLabs 數字的說明

ElevenLabs 的定價頁面宣傳 v4 是最新且最具情感表現的模型，但其比較表仍列出 v3；而 arena 排行榜另行將 v3、v3 Conversational、v4 與 v4 Turbo 評為四套截然不同的系統，最高與最低之間相差 260 分。「ElevenLabs」在這項比較中並不是單一競爭者；它是一條產品線，而其目前最佳與最差模型之間的差距，大於 Ming-3.0-tts 與其中任何一款之間的差距。任何只用單一數字代表 ElevenLabs 的比較，都是在挑選一個會視所選模型而美化或貶損該廠商的數字。

具體該怎麼做

如果音訊是面向客戶的對話——電話客服人員、互動式助理，或任何得在有人等待時就送出第一個音節的情境——請使用 Eleven v4 Turbo。延遲的宣稱已公開，併發層級已公開，而 Ming-3.0-tts 完全沒有串流路徑。

如果音訊是英文行銷素材、以品牌為主的旁白，或任何以專有名詞為句子重點的內容，就採用 Eleven v4，並為發音詞典預留預算。Ming 在獨立詞條上拿到 88.5%，在 31 家中排第 21，而這在第一個品牌名稱上就會聽得出來。

如果音訊屬於營運用途——訂單確認、技術內容朗讀、內部訓練，或任何充斥識別碼、單位與符號標記的內容——Ming-3.0-tts 是更好的工具，而且在涵蓋這些用途的兩個類別上，差距還相當明顯。它也是兩者之中唯一在供應商改變條款時你還留得住的，因為 MIT 不會到期。

會改變答案的，仍是這一個月來始終如一的同一件事：Ant 仍未發布技術報告，而 Ming 仍沒有託管端點。一旦其中任一落實，88 點的控制語音落差就是必須重新測量的數字，因為那最接近團隊複製自家語音時實際會遇到的情況。