Ming-3.0-audio-flash مقابل Gemini 3.8 Live: أوزان مفتوحة، وثماني وحدات معالجة رسوميات، وفاتورة يمكنك حسابها فعليًا

ساعة واحدة من الصوت المستمر إلى G​emini 3.8 Live تكلّف 0.30 دولارًا بسعر القائمة المعلن من Google. وتكلّف ساعة واحدة من الصوت الصادر 1.08 دولار. أما جلسة صوتية ثنائية الاتجاه، يعمل فيها الاتجاهان طوال الساعة كاملة، فتكلّف 1.38 دولار. Ming-3.0-audio-flash ليس لديها سعر لكل دقيقة على الإطلاق، لأنه لا توجد نقطة نهاية لشرائها: فهي نقطة حفظ لنموذج خليط خبراء بمعاملات تبلغ 126 مليارًا تحت رخصة MIT، وتكلفتها هي ما تكلفك إياه ثماني وحدات H800 لمدة ساعة. تلك هي المقارنة بأكملها في جملتين، وكل اختلاف آخر تقريبًا بين هذين النظامين ينبع منها. تُجمع حالات فشل الذكاء الاصطناعي الموثّقة وحوادث الوكلاء التي تقف وراء إصدارات مثل هذا الإصدار في the OrcaRouter AI Incident Archive حيث يتضمن كل مدخل مصادره الخاصة، ودرجة خطورته، وتقييم مستوى ثقته، وعلامة كونه محل نزاع.

التوقيت مهم، لأن هذه ليست عملية إطلاق. inclusionAI وضعت أوزان Ming-3.0-audio-flash على Hugging Face في 3 سبتمبر 2026 ولم تقل شيئًا بشأن ذلك. لمدة ستة أسابيع، كان المستودع في الواقع مجرد مجلد من الشظايا: لا شيفرة لخدمة النموذج، ولا أمثلة، ولا بطاقة نموذج قابلة للاستخدام. أُنشئ مستودع GitHub في 15 أكتوبر، وظهرت ملفات تعريف vLLM-Omni وSGLang، والإعدادات الصوتية المسبقة، وبطاقة نموذج أعيدت كتابتها بين 15 و19 أكتوبر، واعتبارًا من وقت كتابة هذا النص تعرض قائمة Hugging Face 22 تنزيلًا. في المقابل، G​emini 3.8 Live هو نموذج Live API مستقر ومتاح عمومًا تصفه G​oogle بأنه الخيار الافتراضي لوكلاء الصوت منخفضي زمن الوصول. أحدهما منتج يمكنك استدعاؤه بعد ظهر اليوم. أما الآخر فقد أصبح قابلًا للتشغيل هذا الأسبوع ولا يزال بلا مشغّل.

ما هي الطبيعة الفعلية للنظامين

Gemini 3.8 Live هو نموذج بث مُستضاف يعمل خلف Live API. تقبل الواجهة صوت PCM خامًا بدقة 16 بت وتردد 16 كيلوهرتز، وصورًا بمعدل إطار واحد في الثانية كحد أقصى، ونصًا، وتعيد صوت PCM خامًا بتردد 24 كيلوهرتز. تشير وثائق Live API من Google إلى تغطية لغوية تبلغ 70 لغة. تفتح جلسة، وتبث، وتستعيد الصوت؛ فلا توجد نقطة تحقق، ولا حجز لوحدة معالجة رسومات، ولا ترخيص للقراءة.

Ming-3.0-audio-flash هو نموذج لغوي صوتي بالمعنى الأكثر حرفية. يُغذّي مُرمِّز صوتي ومُسقِط عمودًا فقريًا لغويًا قائمًا على مزيج الخبراء، ويحوّل Talker اختياري مخرجات النموذج النصية إلى كلام. المدخلات هي صوت بالإضافة إلى تعليمة نصية. المخرجات نص، أو نص مع كلام مُصنَّع. تدرج البطاقة الصينية والإنجليزية كلغتين أساسيتين، "بما في ذلك لهجات وأساليب نطق متنوعة." الترخيص هو MIT.

• المعاملات — Ming: 126B إجمالًا، ويُفعَّل 6.5B لكل خطوة استدلال (يذكر الشريط الجانبي في Hugging Face بشكل منفصل 128B، وهو تباين لا تشرحه البطاقة). G​emini 3.8 Live: غير معلنة.

• اللغات — Ming: الصينية والإنجليزية. G​emini 3.8 Live: 70 لغة وفقًا لوثائق Live API.

• المُدخَل — Ming: صوت وتعليمة نصية. Gemini 3.8 Live: صوت، وصور، ونص.

• الإخراج — Ming: نص، واختياريًا كلام. G​emini 3.8 Live: صوت، ونص عبر الجلسة نفسها.

• الترخيص — Ming: MIT للأوزان والكود. Gemini 3.8 Live: اتفاقية API تجارية.

• السعر — Ming: لا توجد قائمة أسعار؛ بل تدفع مقابل وحدات معالجة الرسومات. G​emini 3.8 Live: 3.00 دولارات لكل مليون توكن إدخال صوتي أو 0.005 دولار لكل دقيقة؛ و12.00 دولارًا لكل مليون توكن إخراج صوتي أو 0.018 دولار لكل دقيقة؛ والنص بسعر 0.75 دولارًا للإدخال و4.50 دولارات للإخراج لكل مليون.

حساب ساعات الصوت، على النحو الصحيح

الأرقام المذكورة أعلاه لكل دقيقة هي الجديرة بالاستيعاب، وهي أيضًا الأرقام التي تخطئ فيها معظم المقارنات حين تقتبس أسعار الرموز لقارئ لا يعرف شيئًا عن عدد الرموز التي تستهلكها دقيقة من الكلام. استخدم معدلات الدقيقة بدلًا من ذلك، لأن G​oogle تنشرها مباشرة.

• الاستماع فقط، ساعة واحدة — 60 دقيقة بسعر 0.005 دولار تساوي 0.30 دولار.

• التحدث فقط، ساعة واحدة — 60 دقيقة بسعر 0.018 دولار تساوي 1.08 دولار.

• ساعة كاملة ذهابًا وإيابًا — 1.38 دولار، قبل أي رموز نصية أو استدعاءات أدوات.

• ألف ساعة ثنائية الاتجاه — 1,380 دولارًا.

الآن الساعة نفسها على Ming-3.0-audio-flash. ملف تعريف الخدمة المرجعي لسياق 128K الكامل مع الإخراج الصوتي هو التوازي الموتر عبر ثماني وحدات GPU من طراز H800 بسعة 80 GB، وفقًا لملاحظات النشر الخاصة بالمستودع نفسه. تشغّل أربع وحدات GPU ملف تعريف SGLang مُتحقّقًا منه، لكن ذلك الملف مخصّص لإخراج النص فقط. لذا فالمقارنة الصادقة للاستضافة الذاتية هي ثماني وحدات GPU مقابل جلسة مدفوعة حسب الاستهلاك. بافتراض افتراضي قدره $2 لكل ساعة GPU، تكلّف ساعة واحدة من السعة $16 — وهذا مقابل وحدة GPU كاملة، يمكنك توزيع تكلفتها على طلبات متزامنة بدلًا من محادثة واحدة. مع عشرة تدفقات متزامنة، تنخفض تكلفة المحادثة الواحدة إلى أقل من $1.60 في الساعة؛ ومع مئة، إلى أقل من $0.16. هذه حسابات رياضية وليست قياسات، وهي تتجاهل معدل الاستخدام وكفاءة التجميع على دفعات وحقيقة أن نموذجًا بحجم 126B بمعاملات نشطة تبلغ 6.5B لن يُشبع ثماني وحدات H800 عند مقاطع صوتية قصيرة.

نقطة التقاطع حقيقية، لكنها ليست حيث يفترض الناس. تحت نحو اثنتي عشرة محادثة متزامنة، يكون G​emini 3.8 Live أرخص من استئجار ثماني وحدات H800، وأرخص بكثير من شرائها. وفوق ذلك، وبافتراض أنك تستطيع إبقاء الدفعة ممتلئة، تتفوق نقطة التحقق المفتوحة من حيث تكلفة الحوسبة الخام — وهذه هي الحجة الاقتصادية كاملةً لصالح الأوزان المفتوحة، والسبب في أن شرط ثماني وحدات GPU هو الرقم الجدير بالتذكر بدلاً من عدد المعاملات.

ماذا يعني "فهم الصوت" على كل جانب؟

G​emini 3.8 Live مصمم للمحادثة. وظيفته أن يسمعك، ويجيب بسرعة، ويتولى تبادل الأدوار. وتصنّفه قائمة نماذج G​oogle بوصفه نموذج Live الافتراضي «لمعظم تجارب وكلاء الصوت ذات الكمون المنخفض دون تأخيرات في الاستدلال»، وهو تصريح عن ميزانية الكمون، لا عن عمق تحليل الصوت.

Ming-3.0-audio-flash موجهة نحو مهمة مختلفة. تتضمن النقاط الخمس البارزة في البطاقة: التعرف المعقد على الكلام عبر اللهجات واللكنات والضجيج وتسجيلات متعددة المتحدثين؛ وفهم الصوت الطويل؛ وإدراك الأصوات غير الكلامية والمشاهد الصوتية والموسيقى؛ والاستدلال على محتوى الصوت؛ والتفاعل المنطوق مع ردود مُولّدة اختيارية. هذه قائمة نسخ وتحليل أُضيف إليها وضع محادثة، وليست قائمة وكيل صوتي.

النتيجة العملية: إذا كان منتجك وكيل هاتف يجب أن يستجيب خلال 400 مللي ثانية، فإن G​emini 3.8 Live هو الشكل المناسب للغرض، بينما Ming-3.0-audio-flash ليس كذلك، بغض النظر عن درجات الاختبارات المعيارية. وإذا كان منتجك هو «استيعاب مكالمة أرباح مدتها 90 دقيقة، وإخباري مَن قال ماذا، ورصد اللحظة التي تغيّرت فيها نبرة المدير المالي»، فإن بطاقة Ming تصف وظيفتك، بينما تصف Live API وظيفة مختلفة.

المشكلة المعيارية التي لم يحلها أحد

يأتي Ming-3.0-audio-flash مزوّدًا بثلاث لوحات معايير في مستودعه: التعرف على الكلام، والذكاء الصوتي، والنصوص. جميع القيم نسب مئوية، والأعلى أفضل ما لم تُعلَّم بسهم لأسفل، والنتائج المعلَّمة بنجمة هي تقييم الفريق نفسه. ويضيف المستودع ملاحظة مفادها أن نتائج النماذج المقارنة أُعيد إنتاجها وفق إعداد التقييم الخاص بـ inclusionAI، وقد تختلف عن التقارير الرسمية لتلك النماذج بسبب الموجّهات وإعدادات فك الترميز وإصدارات النماذج وخطوط المعالجة.

تلك الملاحظة صريحة على نحو غير معتاد، وهي تعني أيضًا أنه لا يمكن استخدام المخططات لترتيب Ming مقابل Gemini 3.8 Live. فالأرقام موجودة في الصور، لا في نص README، ولا تنشر Google أي مجموعة اختبارات قابلة للمقارنة لفهم الصوت خاصة بـ 3.8 Live. ولا توجد لوحة صدارة تابعة لطرف ثالث قيّمت كلا النموذجين. وأي شخص يعرض عليك مخططًا شريطيًا يضع هذين النموذجين جنبًا إلى جنب فقد بناه من ادعاءات المورّد على محور واحد، ومن لا شيء على المحور الآخر.

البيان الصادق الوحيد المتاح اليوم: يملك Ming-3.0-audio-flash أرقامًا يديرها المورّد ولا يملك أرقامًا مستقلة، ويملك G​emini 3.8 Live سجلًا إنتاجيًا مثبتًا ولا يملك معيارًا منشورًا للاستدلال الصوتي. وهذا تعادل في الفئة الوحيدة المهمة لقرار الشراء، ألا وهي الأدلة.

أين يتلاءم OrcaRouter، وأين لا يتلاءم

Ming-3.0-audio-flash ليس على منصتنا. ولن ندّعي غير ذلك: إذا أردت تشغيله، فاستنسخ المستودع، وثبّت فرع vLLM-Omni أو SGLang الذي يسمّيه، وأحضِر وحدات GPU. ما يفيد به الموجّه في هذه المقارنة هو الجانب الآخر من القرار — الجزء الذي تكون قد قررت فيه بالفعل أن نموذجًا صوتيًا مستضافًا يتولى حركة المرور الحية لديك، ويصبح السؤال: أي نموذج مستضاف، وبأي سعر، وبأي بديل احتياطي عند فشل جلسة. تلك مسألة توجيه عبر أكثر من 200 نموذج خلف مفتاح واحد، بسعر قائمة المزوّد دون أي هامش مضاف، بحيث يصلك تغيير سعر البائع في اليوم نفسه بدلًا من تجديد العقد التالي.

بالنسبة لفريق يختبر ما إذا كانت نقطة تحقق صوتية مفتوحة تستحق حركة مرور الإنتاج، فإن النمط المفيد هو الإبقاء على المسار المستضاف كخيار احتياطي ونقل حجم الاستخدام تدريجيًا إلى Ming المستضاف ذاتيًا. التحويل التلقائي عند الفشل هو ما يجعل هذه الهجرة قابلة للتراجع بدلًا من أن تكون مجازفة.

اختيار

اختر G​emini 3.8 Live إذا كنت بحاجة إلى وكيل صوتي في الإنتاج هذا الربع، أو تحتاج إلى أكثر من لغتين، أو تحتاج إلى صور في التدفق نفسه، أو تتوقع أقل من اثنتي عشرة محادثة متزامنة. فاتورة الدقيقة صغيرة، والسطح التشغيلي معدوم، والنموذج مستقر وموثّق.

اختر Ming-3.0-audio-flash إذا كنت بحاجة إلى امتلاك الأوزان، أو إلى التشغيل محليًا أو في بيئة معزولة عن الشبكة، أو إلى شروط MIT، أو كنت تعمل أساسًا بالصينية والإنجليزية، ولديك ثماني وحدات H800 أو مجدول يمكنه توفيرها لك. توقّع أن تجري التقييم بنفسك، لأنه لم يقم به أحد نيابةً عنك. وتوقّع أن تكون سلسلة الأدوات عمرها أيام فقط، لأنها كذلك فعلًا. وتوقّع أن تستمر بطاقة النموذج في التغيّر أثناء عملك: فقد كان آخر commit لها في اليوم الذي كُتب فيه هذا النص.

ثمة حالة ثالثة، وهي الأكبر. إن كنت لا تعرف بعد أيّ من هاتين الحالتين أنت، فأنت لست جاهزًا للاختيار بين API محدّد الاستهلاك ونشر بثماني وحدات GPU. شغّل مئة ساعة من صوتك الخاص عبر نموذج مستضاف أولًا، وقِس مستوى الدقة الذي تحتاجه فعليًا، ودع ذلك الرقم يقرّر ما إذا كانت نقطة التفتيش المفتوحة تستحق رف الخوادم.

ماذا تشاهد

الشيء الذي سيغيّر هذه المقارنة ليس اختبارًا معياريًا، بل مشغّل. في اللحظة التي يدرج فيها مزوّد خدمة Ming-3.0-audio-flash خلف نقطة نهاية متوافقة مع OpenAI بسعر بالساعة، تتوقف حجة وحدات GPU الثماني عن كونها مشكلة القارئ، ويحصل سعر الساعة البالغ 1.38 دولارًا على منافس. وحتى ذلك الحين، فالخلاصة الصادقة هي أن G​oogle تبيع دقيقة بينما inclusionAI يمنح آلة مجانًا، ولا يمكن المقارنة بين الاثنين إلا إذا كنت تملك الآلة بالفعل.