Ming-3.0-audio-flash vs. Gemini 3.8 Live: Offene Gewichte, acht GPUs und eine Rechnung, die sich tatsächlich kalkulieren lässt

Eine Stunde durchgehendes Audio in G​emini 3.8 Live kostet 0,30 US-Dollar zum von G​oogle veröffentlichten Listenpreis. Eine Stunde Audio wieder heraus kostet 1,08 US-Dollar. Eine bidirektionale Sprachsitzung, bei der beide Richtungen die volle Stunde laufen, kostet 1,38 US-Dollar. Ming-3.0-audio-flash hat überhaupt keinen Preis pro Minute, weil es keinen Endpunkt zu kaufen gibt: Es ist ein Mixture-of-Experts-Checkpoint mit 126 Milliarden Parametern unter MIT, und seine Kosten entsprechen dem, was dich acht H800 für die Stunde kosten. Das ist der gesamte Vergleich in zwei Sätzen, und nahezu jeder andere Unterschied zwischen diesen beiden Systemen folgt daraus. Die dokumentierten KI-Fehlfunktionen und Agenten-Zwischenfälle hinter Veröffentlichungen wie dieser sind gesammelt in dem OrcaRouter AI Incident Archive, wo jeder Eintrag seine eigenen Quellen, seinen Schweregrad, seine Vertrauensstufe und seine Kennzeichnung als umstritten enthält.

Der Zeitpunkt ist entscheidend, denn dies ist kein Launch. inclusionAI veröffentlichte die Ming-3.0-audio-flash-Gewichte am 3. September 2026 auf Hugging Face und sagte nichts dazu. Sechs Wochen lang war das Repository praktisch ein Ordner voller Shards: kein Serving-Code, keine Beispiele, keine brauchbare Modellkarte. Das GitHub-Repository wurde am 15. Oktober erstellt, die vLLM-Omni- und SGLang-Profile, die Voice-Presets und eine neu geschriebene Modellkarte erschienen zwischen dem 15. und 19. Oktober, und zum Zeitpunkt dieses Textes zeigt der Hugging-Face-Eintrag 22 Downloads. G​emini 3.8 Live hingegen ist ein stabiles, allgemein verfügbares Live-API-Modell, das G​oogle als Standard für latenzarme Sprachagenten beschreibt. Eines davon ist ein Produkt, das Sie heute Nachmittag aufrufen können. Das andere wurde diese Woche lauffähig und hat immer noch keinen Betreiber.

Was die beiden Systeme tatsächlich sind

{{1}}G​emini 3.8 Live{{/1}} ist ein gehostetes Streaming-Modell hinter der Live API. Die API akzeptiert rohes 16-Bit-PCM-Audio mit 16 kHz, Bilder mit bis zu einem Bild pro Sekunde sowie Text und gibt rohes 24-kHz-PCM-Audio zurück. Die Live-API-Dokumentation von {{2}}G​oogle's{{/2}} gibt die Sprachabdeckung mit 70 Sprachen an. Man öffnet eine Sitzung, streamt und erhält Audio zurück; es gibt keinen Checkpoint, keine GPU-Reservierung und keine Lizenz, die gelesen werden müsste.

Ming-3.0-audio-flash ist ein Audio-Sprachmodell im wörtlicheren Sinne. Ein Audio-Encoder und ein Projektor speisen ein Sprach-Backbone auf Mixture-of-Experts-Basis, und ein optionaler Talker wandelt die Textausgabe des Modells in Sprache um. Eingaben sind Audio plus eine Textanweisung. Ausgaben sind Text oder Text mit synthetisierter Sprache. Die Karte führt Chinesisch und Englisch als Hauptsprachen auf, „einschließlich verschiedener Akzente und Dialekte“. Die Lizenz ist MIT.

• Parameter — Ming: 126B insgesamt, 6,5B pro Inferenzschritt aktiviert (die Hugging-Face-Seitenleiste nennt separat 128B – eine Diskrepanz, die die Karte nicht erklärt). Gemini 3.8 Live: nicht angegeben.

• Sprachen — Ming: Chinesisch und Englisch. G​emini 3.8 Live: 70 Sprachen laut den Dokumenten zur Live-API.

• Eingabe — Ming: Audio und eine Textanweisung. Gemini 3.8 Live: Audio, Bilder, Text.

• Ausgabe — Ming: Text, optional Sprache. G​emini 3.8 Live: Audio und Text über dieselbe Sitzung.

• Lizenz — Ming: MIT für Gewichte und Code. Gemini 3.8 Live: eine kommerzielle API-Vereinbarung.

• Preis — Ming: keine Preisliste; Sie zahlen für GPUs. Gemini 3.8 Live: $3.00 pro Million Audio-Eingabe-Tokens oder $0.005 pro Minute; $12.00 pro Million Audio-Ausgabe-Tokens oder $0.018 pro Minute; Text bei $0.75 Eingabe und $4.50 Ausgabe pro Million.

Die Berechnung der Audio-Stunde – richtig gemacht

Die oben aufgeführten Minutenwerte sind es wert, verinnerlicht zu werden, und sie sind auch die, bei denen die meisten Vergleiche danebenliegen, weil sie Token-Preise gegenüber Lesern anführen, die keine Ahnung haben, wie viele Token eine Minute Sprache verbraucht. Verwenden Sie stattdessen die Minutenraten, denn Google veröffentlicht sie direkt.

• Nur Zuhören, eine Stunde — 60 Minuten zu 0,005 $ sind 0,30 $.

• Nur Sprechen, eine Stunde – 60 Minuten zu 0,018 $ ergeben 1,08 $.

• Eine volle Stunde in beide Richtungen — 1,38 $, bevor Text-Tokens oder Tool-Aufrufe hinzukommen.

Tausend Zweiweg-Stunden — $1,380.

Jetzt die gleiche Stunde auf Ming-3.0-audio-flash. Das Referenz-Serving-Profil für den vollen 128K-Kontext mit Sprachausgabe ist Tensor-Parallelität über acht 80-GB-H800-GPUs, gemäß den eigenen Deployment-Hinweisen des Repositorys. Vier GPUs betreiben ein validiertes SGLang-Profil, aber dieses Profil ist nur für Textausgabe. Der ehrliche Selbsthosting-Vergleich ist also acht GPUs gegenüber einer nutzungsbasiert abgerechneten Sitzung. Bei hypothetischen 2 US-Dollar pro GPU-Stunde kostet eine Stunde Kapazität 16 US-Dollar – und das für die gesamte GPU, die sich über gleichzeitige Anfragen statt über eine einzelne Konversation amortisieren lässt. Bei zehn gleichzeitigen Streams fällt der Kostenaufwand pro Konversation unter 1,60 US-Dollar pro Stunde; bei hundert unter 0,16 US-Dollar. Das ist Arithmetik, keine Messungen, und sie ignorieren Auslastung, Batching-Effizienz und die Tatsache, dass ein 126B-Modell mit 6,5B aktiven Parametern acht H800 bei kurzen Audioclips nicht auslasten wird.

Der Crossover ist real, liegt aber nicht dort, wo man ihn vermutet. Unterhalb von etwa einem Dutzend gleichzeitiger Unterhaltungen ist G​emini 3.8 Live günstiger als die Miete von acht H800 und deutlich günstiger als deren Kauf. Oberhalb davon – und vorausgesetzt, man kann den Batch voll halten – gewinnt der offene Checkpoint bei den reinen Rechenkosten; das ist das gesamte wirtschaftliche Argument für offene Gewichte und der Grund, warum die Acht-GPU-Anforderung die Zahl ist, die man sich merken sollte, und nicht die Parameteranzahl.

Was „Audioverständnis“ auf jeder Seite bedeutet.

Gemini 3.8 Live ist für Konversationen gebaut. Seine Aufgabe ist es, dir zuzuhören, schnell zu antworten und den Sprecherwechsel zu bewältigen. In Googles Modellliste wird es als Standard-Live-Modell positioniert, „für die meisten latenzarmen Voice-Agent-Erlebnisse ohne Verzögerungen durch Reasoning“, was eine Aussage über das Latenzbudget ist, nicht über die Tiefe der Audioanalyse.

Ming-3.0-audio-flash ist auf eine andere Aufgabe ausgerichtet. Die fünf Highlights der Karte sind komplexe Spracherkennung über Dialekte, Akzente, Lärm und Aufnahmen mit mehreren Sprecher:innen hinweg; das Verstehen langer Audiodateien; die Wahrnehmung von Nicht-Sprachschall, akustischen Szenen und Musik; Reasoning über Audioinhalte; und sprachliche Interaktion mit optional synthetisierten Antworten. Das ist eine Transkriptions-und-Analyse-Liste mit angeflanschtem Chatmodus, keine Voice-Agent-Liste.

Die praktische Konsequenz: Wenn Ihr Produkt ein Telefonagent ist, der in 400 Millisekunden antworten muss, dann ist G​emini 3.8 Live das passende Werkzeug und Ming-3.0-audio-flash nicht – unabhängig von Benchmark-Werten. Wenn Ihr Produkt darin besteht, „einen 90-minütigen Earnings Call einzulesen, mir zu sagen, wer was gesagt hat, und den Moment zu kennzeichnen, in dem sich der Ton des CFO verändert hat“, dann beschreibt die Ming-Karte Ihre Aufgabe und die Live-API eine andere.

Das Benchmark-Problem, das niemand gelöst hat

Ming-3.0-audio-flash enthält in seinem Repository drei Benchmark-Panels: Spracherkennung, Audio-Intelligenz und Text. Alle Werte sind Prozentangaben; höher ist besser, sofern nicht mit einem Pfeil nach unten markiert, und mit einem Sternchen gekennzeichnete Ergebnisse sind die eigene Evaluierung des Teams. Das Repository enthält außerdem den Hinweis, dass die Ergebnisse der Vergleichsmodelle unter inclusionAIs eigenem Evaluierungs-Setup reproduziert wurden und von den offiziellen Berichten dieser Modelle aufgrund von Prompts, Decoding-Einstellungen, Modellversionen und Pipelines abweichen können.

Diese Anmerkung ist ungewöhnlich offen, und sie bedeutet auch, dass die Diagramme nicht genutzt werden können, um Ming gegen G​emini 3.8 Live einzustufen. Die Zahlen stehen in Bildern, nicht im README-Text, und G​oogle veröffentlicht keine vergleichbare Audio-Verständnis-Suite für 3.8 Live. Es gibt keine unabhängige Bestenliste von Drittanbietern, die beide bewertet hat. Wer Ihnen ein Balkendiagramm mit diesen beiden Modellen nebeneinander zeigt, hat es aus Herstellerangaben auf der einen Achse und nichts auf der anderen gebaut.

Die einzige heute verfügbare ehrliche Aussage: Ming-3.0-audio-flash hat vom Anbieter ermittelte Zahlen und keine unabhängigen; G​emini 3.8 Live hat eine Erfolgsbilanz im Produktionseinsatz und keinen veröffentlichten Audio-Reasoning-Benchmark. Das ist ein Gleichstand in der einzigen Kategorie, die für eine Kaufentscheidung zählt: Belege.

Wo OrcaRouter passt – und wo nicht

Ming-3.0-audio-flash ist nicht auf unserer Plattform. Wir werden nicht so tun, als wäre es anders: Wenn du es ausführen willst, klonst du das Repository, installierst den vLLM-Omni- oder SGLang-Branch, den es nennt, und bringst die GPUs mit. Was ein Router in diesem Vergleich bringt, ist die andere Seite der Entscheidung – der Teil, in dem du bereits entschieden hast, dass ein gehostetes Audiomodell deinen Live-Traffic abwickelt, und es nur noch darum geht, welches gehostete Modell, zu welchem Preis und mit welchem Fallback, wenn eine Sitzung fehlschlägt. Das ist ein Routing-Problem über mehr als 200 Modelle hinter einem Schlüssel, zum Listenpreis des Anbieters ohne Aufschlag, sodass dich eine Preisänderung des Anbieters noch am selben Tag erreicht statt erst zur nächsten Vertragsverlängerung.

Für ein Team, das testet, ob ein offener Audio-Checkpoint Produktions-Traffic verdient, ist das nützliche Muster, den gehosteten Pfad als Fallback beizubehalten und das Volumen schrittweise auf selbst gehostetes Ming zu verlagern. Automatisches Failover ist das, was diese Migration umkehrbar macht statt zu einem Glücksspiel.

Wählen

Greifen Sie zu G​emini 3.8 Live, wenn Sie in diesem Quartal einen Voice-Agenten im Produktivbetrieb brauchen, mehr als zwei Sprachen benötigen, Bilder im selben Stream benötigen oder mit weniger als einem Dutzend gleichzeitiger Gespräche rechnen. Die Abrechnung pro Minute ist gering, der operative Aufwand ist null, und das Modell ist stabil und dokumentiert.

Nehmen Sie Ming-3.0-audio-flash, wenn Sie die Gewichte selbst besitzen müssen, on-premises oder in einer Air-Gap-Umgebung betreiben müssen, MIT-Lizenzbedingungen benötigen, überwiegend auf Chinesisch und Englisch arbeiten und acht H800s oder einen Scheduler haben, der Ihnen diese zuteilen kann. Rechnen Sie damit, Ihre eigene Evaluierung durchzuführen, denn niemand hat sie für Sie erledigt. Rechnen Sie damit, dass die Toolchain erst wenige Tage alt ist, denn das ist sie. Und rechnen Sie damit, dass sich die Modellkarte unter Ihnen weiter verändert: Ihr letzter Commit war am Tag, an dem dies geschrieben wurde.

Es gibt einen dritten Fall, und er ist der größte. Wenn Sie noch nicht wissen, welcher der beiden Sie sind, sind Sie noch nicht bereit, zwischen einer nutzungsabhängig abgerechneten API und einer Acht-GPU-Bereitstellung zu wählen. Lassen Sie zuerst hundert Stunden Ihres eigenen Audios durch ein gehostetes Modell laufen, messen Sie, welche Genauigkeit Sie tatsächlich benötigen, und lassen Sie diese Zahl entscheiden, ob der offene Checkpoint das Rack wert ist.

Was zu sehen

Was diesen Vergleich ändern würde, ist kein Benchmark. Es ist ein Betreiber. In dem Moment, in dem ein Serving-Anbieter Ming-3.0-audio-flash hinter einem OpenAI-kompatiblen Endpoint mit einem Stundenpreis listet, ist das Acht-GPU-Argument nicht mehr das Problem des Lesers und die 1,38-Dollar-Stunde bekommt einen Konkurrenten. Bis dahin lautet die ehrliche Zusammenfassung, dass Google eine Minute verkauft und inclusionAI eine Maschine verschenkt, und die beiden sind nur vergleichbar, wenn man die Maschine bereits besitzt.