
Ming-3.0-audio-flash lidera el razonamiento de voz de Artificial Analysis con un 99,8 %: un punto por delante y todavía sin precio
- OrcaNUEVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 por 1M de tokens · 185 tok/s
- tencentNUEVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 por 1M de tokens · 228 tok/s
- GoogleNUEVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 89 tok/s
- AnthropicNUEVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 98 tok/s
- orcaNUEVOOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 89 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 por 1M de tokens · 79 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 por 1M de tokens · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 118 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligencia
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 199 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencia
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 113 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligencia
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 por 1M de tokens · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligencia
Artificial Analysis ahora incluye a Ming-3.0-audio-flash en el primer puesto de su tabla Speech Reasoning, la evaluación Big Bench Audio, con una precisión del 99,8 %, por delante de StepAudio 3 Realtime con el 99,7 %, Qwen Audio 3.0 Realtime Plus con el 99,2 %, Eleven Realtime v1 Max con el 98,8 %, Grok Voice 3.0 con el 98,5 %, Gemini 3.8 Live Extended Thinking (High) con el 97,7 % y GPT-Realtime-2.1 High con el 95,8 %. La afirmación fue difundida por Ant Ling el 18 de noviembre de 2026 a las 08:37 UTC, diecinueve minutos después de que el propio repositorio del modelo se editara para añadir la misma cifra y una imagen de la tabla de clasificación. Ese momento lo es todo: un modelo que se lanzó en septiembre sin ninguna puntuación de terceros ahora tiene una, y la cifra está muy cerca del techo.
Para ser precisos sobre qué es nuevo y qué no —porque esto no es un lanzamiento—, inclusionAI subió los pesos de Ming-3.0-audio-flash a Hugging Face el 3 de septiembre de 2026 y no dijo nada al respecto durante seis semanas; la tarjeta del modelo, los perfiles de servicio y el código de ejemplo solo aparecieron entre el 15 y el 19 de octubre. Lo que cambió hoy es la evaluación, no el checkpoint. Los fragmentos de safetensors son los mismos bytes que en septiembre. Así que la forma honesta de plantearlo es que un modelo de audio de pesos abiertos de siete semanas de antigüedad acaba de ser evaluado por alguien distinto de su autor, y quedó en primer lugar.
Lo que Big Bench Audio realmente le pide hacer a un modelo
Vale la pena ser concreto sobre la prueba, porque el «razonamiento del habla» suena a algo que un agente de voz hace en una conversación y, en su mayoría, no es así. Big Bench Audio es un conjunto de preguntas de opción múltiple presentadas como audio: el modelo escucha una grabación, escucha o lee una pregunta sobre ella y elige una respuesta. Recompensa la capacidad de mantener un pasaje hablado en contexto y aplicarle un razonamiento ordinario. No recompensa la toma de turnos, el manejo de interrupciones, las retrocanalizaciones ni la capacidad de sonar como una persona. Esas cosas están en otro panel de Artificial Analysis, Full Duplex Bench, donde Ming-3.0-audio-flash actualmente no tiene ninguna puntuación publicada.
Esa distinción importa más de lo habitual aquí, porque con 99,8 % la métrica casi no tiene margen. En una tabla de 42 modelos, la diferencia entre el primer y el quinto puesto es de un punto porcentual. Entre el primero y el modelo que ocupa el decimotercer puesto —GPT-Realtime-2.1 High— es de cuatro puntos. Una prueba en la que casi todo lo moderno puntúa en los noventa es una prueba que ha dejado de separar la parte superior del campo, y una ventaja de un punto sobre StepAudio 3 Realtime son un puñado de ítems en un benchmark cuyo número de ítems nadie fuera de Artificial Analysis puede comprobar. Interpreta la clasificación como «este modelo pertenece al grupo de cabeza», lo cual es realmente útil, en lugar de como «este modelo es mediblemente mejor a la hora de escuchar que todo lo demás», algo que la cifra no puede respaldar.
La tabla en orden, para quien quiera la forma del campo en lugar del titular:
• 1 — Ming-3.0-audio-flash, 99,8 %
• 2 — StepAudio 3 Realtime, 99,7%
• 3 — Qwen Audio 3.0 Realtime Plus, 99,2%
• 4 — Phonic 1 (Alto), 98,9 %
• 5 — Eleven Realtime v1 Max, 98,8 %
• 7 — Grok Voice 3.0, 98,5%
• 8 — Gemini 3.8 Live Extended Thinking (High), 97,7%
• 13 — GPT-Realtime-2.1 High, 95,8%

Un detalle en la documentación del propio proveedor merece señalarse, porque es el tipo de cosa que se omite discretamente. Las imágenes de evaluación de la tarjeta de modelo de inclusionAI, subidas en octubre, muestran el modelo flash con 99,40 en "BigBenchAudio". Artificial Analysis ahora informa 99,8. Son dos ejecuciones distintas de un benchmark similar, y la diferencia no es un error en ninguna de las dos: es la dispersión normal que se obtiene cuando el harness, el formato de prompt y el subconjunto de ítems no son idénticos. También es un recordatorio de que la tabla de octubre del proveedor y el tablero de terceros de hoy no son cifras intercambiables, incluso cuando llevan casi la misma etiqueta.
Lo que el tablero no dice
Faltan tres cosas en la entrada de Artificial Analysis, y cada una de ellas importa más para una decisión de despliegue que la cifra de precisión.
Lo primero es el precio. Ming-3.0-audio-flash no tiene tarifa por token ni por minuto en Artificial Analysis porque no hay nada que comprar: es un checkpoint de mezcla de expertos de 126 mil millones de parámetros bajo MIT, con 6.5 mil millones de parámetros activos por paso. El coste es el que tenga el hardware. Las propias notas de despliegue de inclusionAI sitúan el perfil de servicio de referencia de 128K en paralelismo de tensores entre cuatro H800 de 80 GB, con una alternativa de ocho GPU para audio largo, y un perfil validado de SGLang en cuatro GPU que devuelve solo texto. Todos los modelos por encima de él en la clasificación, excepto él mismo, son una API de pago por uso. Compararlos solo por precisión compara una puntuación de benchmark con otra puntuación de benchmark e ignora que un lado de la tabla es una compra y el otro es una suscripción.
La segunda es la latencia. Artificial Analysis sí mide el tiempo hasta el primer audio, y Ming-3.0-audio-flash se sitúa en 1,12 segundos. Eleven Realtime v1 Max está en 0,57 segundos — aproximadamente la mitad. Si tu aplicación es un agente de voz que tiene que responder dentro de una pausa conversacional, una victoria en un benchmark no compensa un segundo de silencio, y el orden de la tabla de clasificación no dice nada sobre con cuál de esas dos cifras puedes vivir.
El tercero es el comportamiento conversacional. Existen puntuaciones de Full Duplex Bench para Eleven Realtime v1 Max (0.941 global, con 0.99 en manejo de interrupciones y 1.0 en alternancia de turnos) y para varios modelos en tiempo real de Gemini y GPT. Ming-3.0-audio-flash no tiene puntuación FDB, ni desglose de dinámicas conversacionales, ni ninguna medición publicada de cómo maneja que lo interrumpan. Un modelo puede responder perfectamente preguntas de opción múltiple sobre audio y aun así hablar por encima de ti.
Y las propias cifras de octubre del proveedor son la evidencia menos halagüeña de todo este panorama. En la misma ficha que anuncia la victoria en razonamiento de voz, inclusionAI publicó una puntuación de cadena de audio largo de 12,31 frente a 34,54 de Qwen3.8-Omni Flash y 49,63 de Gemini 3.8 Flash, un LongAudioSpan de 41,12 frente a 66,40, y tasas de error de diarización de hablantes en AMI de 25,29 frente a 11,16 de MiMo-V2.6 Pro. Son las cifras del proveedor, en las tareas elegidas por el proveedor, y describen un modelo excelente en audio corto de preguntas y respuestas y débil en razonamiento a lo largo de una grabación larga. Nada de un 99,8 en Big Bench Audio cambia eso, porque Big Bench Audio no es una prueba de audio largo.
El intervalo de diecisiete minutos entre la tarjeta y el tuit
El commit del repositorio tiene fecha y hora 08:26:48 UTC del 18 de noviembre y se titula, en parte, «Actualizar la puntuación de Flash BBA al 99,8 % y añadir los resultados… de la tabla de clasificación general n.º 1». La publicación de Ant Ling llegó después, a las 08:37:02. El mismo commit modificó la tarjeta del hermano pequeño cuarenta y ocho segundos más tarde, añadiendo la misma frase: un párrafo de benchmark compartido, copiado a ambos repositorios, y una razón más para comprobar a qué checkpoint pertenece realmente una cifra antes de citarla.

Lo que esa secuencia te dice es que la ficha del modelo ahora está aguas abajo de la tabla de clasificación y no al revés. Durante seis semanas, la única evidencia de rendimiento de Ming-3.0-audio-flash fue un conjunto de imágenes PNG en una assets/ carpeta; ese conjunto lo produjo el equipo que lo entrenó. Eso no es poca cosa —las evaluaciones de proveedores suelen ser honestas, solo que optimistas en cuanto a la selección de tareas—, pero es una categoría de evidencia distinta de la que aporta un tercero que ejecuta su propio arnés y publica una posición en la clasificación. Lo interesante de hoy no es que el proveedor afirme tener el primer puesto. Es que una organización sin ningún interés en el resultado puso ahí al modelo.

Dónde encaja un router y dónde no
OrcaRouter no sirve Ming-3.0-audio-flash. No está en nuestro catálogo, no podemos ofrecerte un endpoint para él, y nada de lo que aparece aquí debe interpretarse como una oferta. Si quieres ejecutarlo, clonas el repositorio, instalas la ruta de código de Transformers 5 o uno de los perfiles de servicio de SGLang-Omni, y le asignas al menos cuatro tarjetas de 80 GB. Eso es infraestructura, y un router no se encarga de la infraestructura.
Lo que sí hace un router es la otra mitad de cualquier pipeline de voz. Una aplicación de voz construida sobre un modelo de audio autoalojado sigue siendo, en su mayor parte, trabajo con texto: el prompt que decide qué preguntarle a la grabación, el posprocesamiento que convierte una etiqueta de idioma delimitada por tabulaciones en una salida estructurada, el resumen redactado a partir de la transcripción, el clasificador que enruta una llamada con ruido a una persona. Esas son llamadas de chat ordinarias, y una API para más de 200 modelos con 0 % de margen —el precio de lista del proveedor se traslada tal cual, así que una bajada de precio del proveedor está activa en nuestro lado el mismo día— es algo más sencillo de conectar que un segundo y un tercer contrato con proveedores. La conmutación por error automática es lo que te permite poner un modelo de pesos abiertos no probado detrás de parte de tu tráfico sin apostar todo el recorrido por él.
La frontera es lo esencial. Un checkpoint de 259 GB que ejecutas en tus propias GPUs es una decisión de capital; un router enruta llamadas. No convierte un modelo de clúster en uno alojado, ni hace que un 99,8 % en un benchmark de opción múltiple sea evidencia sobre tu producto.
¿Qué haría que esto significara algo?
Tres mediciones convertirían el titular de hoy en una decisión, y las tres son cosas que Artificial Analysis o una arena podrían publicar sin pedirle nada a inclusionAI. Una puntuación de Full Duplex Bench indicaría si el comportamiento conversacional está a la altura de la comprensión. Un resultado de audio largo sobre un conjunto público pondría a prueba el único eje en el que la propia tabla del proveedor es más débil. Y una segunda ejecución independiente de Big Bench Audio —con un arnés distinto y una muestra de elementos distinta— te diría si 99,8 es un efecto techo o una brecha real.
Hasta entonces, la frase precisa es limitada y merece decirse sin rodeos: un modelo de audio con pesos abiertos de Ant Group, lanzado en septiembre y documentado en octubre, ahora ocupa el primer lugar en un benchmark de razonamiento del habla de terceros por un margen de un punto porcentual sobre el siguiente modelo, sin precio publicado, con el doble de tiempo hasta el primer audio que el competidor más rápido de esa tabla y sin ninguna puntuación conversacional. Ese es un resultado real. También es una afirmación mucho más modesta que «mejor modelo de voz», y la diferencia entre esas dos frases es donde todavía tiene que ocurrir la mayor parte del pensamiento útil sobre este modelo.
Comparados en este artículo2
Detectado en este artículo · Benchmarks: Artificial Analysis · actualizado a diario
