Ming-3.0-audio-flash vs Qwen-Audio-3.1: una carpeta que puedes descargar frente a un catálogo al que solo puedes llamar

Hay una versión de esta comparación que sería fácil de escribir, y sería errónea. Colocaría en la misma fila a Ming-3.0-audio-flash y Q​wen-Audio-3.1como dos modelos de audio chinos, pondría sus recuentos de parámetros uno junto al otro y declararía un ganador. El problema es que Q​wen-Audio-3.1 no existe como un checkpoint que puedas sopesar. Existe como un conjunto de IDs de modelos alojados en el catálogo de Model Studio de A​libaba — qwen-audio-3.1-realtime-plus, qwen-audio-3.1-asr-flash-streaming, qwen-audio-3.1-asr-flash-filetrans — sin pesos publicados en Hugging Face y sin un recuento de parámetros público. Ming-3.0-audio-flash es lo contrario: 126 mil millones de parámetros en total, 6,5 mil millones activos, licencia MIT, alojado en un repositorio que clonas. Uno es una carpeta. El otro es una línea de productos que alquilas por llamada. Toda pregunta relevante sobre estos dos se deriva de esa asimetría, y ninguna de las preguntas habituales de las tablas de benchmarks puede responderse en absoluto. Los fallos documentados de IA y los incidentes de agentes que hay detrás de lanzamientos como este se recopilan en el Archivo de Incidentes de IA de OrcaRouter, donde cada entrada incluye sus propias fuentes, su nivel de gravedad, su grado de confianza y su indicador de disputa.

La genealogía merece un párrafo, porque explica por qué los dos parecen comparables cuando no lo son. Ming-3.0-audio-flash llegó primero con los pesos: se subió a Hugging Face el 3 de septiembre de 2026, sin anuncio, y luego quedó inutilizable durante seis semanas hasta que el código de servicio y los ejemplos se publicaron entre el 15 y el 19 de octubre. Q​wen-Audio-3.1 llegó primero al catálogo: tres IDs de modelo incluidos en la documentación de Model Studio de A​libaba Cloud bajo reconocimiento de voz y voz a voz, descritos en una línea cada uno, y las páginas de detalle no incluían las especificaciones. Esos son los dos patrones de lanzamiento dominantes de 2026 en una sola comparación: el laboratorio abierto que publica un repositorio y deja que el mundo se dé cuenta, y la nube que publica SKUs y deja que la documentación sea el lanzamiento.

Lo que cada uno te aporta realmente

• Qué recibes — Ming: aproximadamente un checkpoint MoE de 126B de parámetros, procesador, tokenizador, recursos de Talker, scripts de servicio y ejemplos. Q​wen-Audio-3.1: credenciales de API y tres nombres de endpoints.

• Qué puedes inspeccionar — Ming: arquitectura, licencia, paneles de benchmark, YAML de despliegue, preajustes de voz. Qwen-Audio-3.1: una etiqueta de categoría y una descripción de una frase por SKU.

• Licencia — Ming: MIT, pesos y código. Qwen-Audio-3.1: los términos comerciales de Model Studio; no hay licencia de pesos porque no hay pesos.

• Dónde se ejecuta — Ming: tus GPUs, tu rack, tu air gap. Qwen-Audio-3.1: la infraestructura de Alibaba, en las regiones que atiende.

• Modo de fallo — Ming: tú eres el responsable del buscapersonas. Q​wen-Audio-3.1: un problema de cuota, de región o de cuenta es un ticket de soporte.

• Precio — Ming: hardware. Q​wen-Audio-3.1: no está publicado en el índice de modelos; necesitas las páginas de detalle o la consola.

Esa última frase no es una evasiva. El índice de modelos de Model Studio enumera los tres ID de Q​wen-Audio-3.1 en sus categorías y no incluye precios, ventana de contexto ni cobertura de idiomas en esa página. La documentación de detalle enlazada no se pudo resolver al comprobarla. Decir "Q​wen-Audio-3.1 cuesta X" sería inventar una cifra, y la naturaleza del producto hace que la cifra cambie de todos modos.

Los tres SKU no son un solo modelo, y eso importa.

Esta es la parte que la mayoría de las comparaciones pasan por alto. Q​wen-Audio-3.1 no es una sola cosa que se evalúe con benchmarks. El catálogo lo divide en tres partes:

qwen-audio-3.1-asr-flash-streaming es reconocimiento de voz entregado como un flujo — el caso de uso honesto son los subtítulos en vivo o la transcripción de una llamada que llega mientras la llamada se está produciendo.

qwen-audio-3.1-asr-flash-filetrans es la misma tarea de reconocimiento procesada por lotes contra un archivo. «Flash» en ambos nombres sugiere un nivel de velocidad y costo más que un nivel de calidad, aunque Alibaba no documenta esa distinción en el índice.

qwen-audio-3.1-realtime-plus es el que más llama la atención. El índice lo describe como «conversación de voz de extremo a extremo sin llamadas ASR y TTS separadas» — un endpoint de voz a voz, y el plus implica que es el más completo de los dos niveles en tiempo real.

Ming-3.0-audio-flash los colapsa en un único artefacto. El reconocimiento, la comprensión de audio largo, el razonamiento de audio y la salida de voz opcional son modos del mismo checkpoint, seleccionados mediante el prompt y el perfil de servicio en lugar de elegir un SKU diferente. El repositorio incluye un perfil ASR, un perfil de texto y un perfil de salida de audio; el prompt ASR pide al modelo que indique el idioma hablado y coloque un tabulador entre la etiqueta y la transcripción.

De qué configuración sea mejor depende de lo que estés construyendo. Tres SKU implican que pagas por reconocimiento cuando solo necesitas reconocimiento y no asumes el coste de inferencia de un modelo de 126B para una tarea de transcripción. Un único checkpoint implica que la transcripción y el análisis de la transcripción provienen del mismo modelo, sin pérdida de serialización entre ellos — sin el modo de fallo de «el ASR dijo “their” y el modelo de razonamiento se equivocó», porque no hay un segundo modelo.

¿Por qué no hay un benchmark honesto aquí?

Ming-3.0-audio-flash publica tres paneles de evaluación —reconocimiento de voz, inteligencia de audio y texto— como imágenes en su repositorio de GitHub. Todos los valores son porcentajes; cuanto más altos, mejor, salvo donde una flecha indique lo contrario, y los resultados marcados con asterisco son del propio equipo. El repositorio añade una nota de que los modelos de comparación se reprodujeron con la configuración de evaluación de inclusionAI y pueden diferir de los informes oficiales de esos modelos debido a los prompts, la configuración de decodificación, las versiones y los pipelines.

Qwen-Audio-3.1 no publica ninguna tabla de benchmarks en su página de índice. Su documentación detallada tampoco expone ninguna. Por lo tanto, no hay un conjunto de pruebas compartido, ni una configuración de decodificación compartida, ni una parte independiente que haya evaluado ambos.

La única afirmación defendible es negativa: ninguna de las dos partes tiene una cifra con la que la otra pueda compararse. Si un artículo comparativo te muestra Ming-3.0-audio-flash y Qwen-Audio-3.1 en columnas adyacentes con porcentajes, ha combinado una autoevaluación del proveedor con una API no medida, y la disposición de las columnas es lo que persuade.

La cuestión del costo, replanteada

Como las tarifas por token o por segundo de Qwen-Audio-3.1 no están en el índice público, la comparación útil no es precio contra precio, sino estructura de costos contra estructura de costos.

El modelo de pago por llamada tiene una virtud enorme: registra tu uso con exactitud y es cero cuando tu uso es cero. Para un producto con tráfico irregular —un equipo de cumplimiento que transcribe mil llamadas el último día del trimestre y nada durante once semanas— eso es decisivo. No hay forma de superar la facturación por llamada con GPUs propias en una carga de trabajo irregular, porque las GPUs siguen generando factura durante las semanas de inactividad.

Los pesos en propiedad tienen la virtud del espejo: el coste marginal de la hora número mil es casi cero y no se mueve cuando un proveedor cambia sus precios. Para un producto con carga constante —un centro de contacto que funciona al 60 % de su capacidad todos los días laborables—, el coste fijo se amortiza y la cifra por hora cae por debajo de cualquier tarifa. El punto de cruce es un cálculo de utilización, no un punto de referencia, y es distinto para cada equipo.

El requisito mínimo de hardware de Ming es la cifra que lo decide. El perfil de referencia para el contexto completo de 128K con salida de voz es paralelismo tensorial en ocho H800 de 80 GB. Hay un perfil validado de SGLang en cuatro GPU, pero es solo de texto: se pierde el Talker. Con cuatro GPU, la comparación es Ming como transcriptor frente a las SKU de ASR de Qwen; con ocho, es Ming en modo conversación frente a qwen-audio-3.1-realtime-plus. Son dos decisiones diferentes y deben tomarse por separado.

Donde un router se gana su lugar aquí es en la fase de prueba. No quieres descubrir que un checkpoint abierto rinde por debajo de lo esperado con tu audio después de haber comprado el rack. Ejecutar los SKUs alojados y el candidato autoalojado detrás de un único endpoint te permite hacer A/B entre ellos con el mismo tráfico: más de 200 modelos con una sola clave, precio de lista del proveedor transferido sin recargo, conmutación automática por error si una ruta se degrada. Cuando el lado autoalojado gana con tus propias grabaciones, cambias el porcentaje; cuando no, nada se rompe.

Idiomas, dialectos y lo que dicen ambas tarjetas.

Ming-3.0-audio-flash indica chino e inglés, «incluidos acentos y dialectos variados», y sus aspectos destacados mencionan grabaciones con varios hablantes y entornos ruidosos. Esa formulación es lo bastante específica para ser verificable y lo bastante vaga como para que debas verificarla: «acentos y dialectos variados» en un modelo de audio chino suele significar acentos regionales del mandarín y al menos una o dos variedades del yue, pero la ficha no las enumera.

La cobertura lingüística de Qwen-Audio-3.1 no se indica en la entrada del índice. La línea de audio más amplia de Alibaba ha cubierto históricamente un amplio conjunto de idiomas y dialectos chinos, pero la cobertura de un producto hermano no es la documentación de este producto, y la postura razonable es que la cifra es desconocida hasta que la página de detalles indique lo contrario.

Ambos modelos provienen de laboratorios chinos y ambos serán más fuertes donde sus datos de entrenamiento eran más densos. Ninguna de las dos fichas contiene una afirmación que puedas refutar sin pasarle audio. Esa es la prueba: toma veinte minutos de tus peores grabaciones —la ruidosa, la de alternancia de idiomas, la de tres personas hablando a la vez— y pásalas por ambos. Te dirá más que cualquier gráfico que publique cualquiera de los dos laboratorios.

¿Qué cambiaría el panorama?

Dos eventos. Primero, si A​libaba publica los pesos de Q​wen-Audio-3.1 —la línea Q​wen ha abierto pesos para modelos de texto y visión en repetidas ocasiones, así que esto no es una fantasía—, toda la comparación se reduce a «dos checkpoints MIT o Apache, compáralos en tu hardware», y el planteamiento de catálogo frente a carpeta muere. Segundo, si un proveedor de servicio incluye Ming-3.0-audio-flash detrás de un endpoint compatible con OpenAI con una tarifa publicada, el mínimo de ocho GPU deja de ser un problema para el lector y los dos productos pasan a ser directamente comparables en precio por hora de audio.

No ha ocurrido ninguna de las dos cosas. Al momento de escribir esto, la familia Qwen-Audio-3.1 se puede invocar pero no permite obtener sus pesos; Ming-3.0-audio-flash permite obtener sus pesos pero no se puede invocar salvo en hardware que tú proporciones. Esa es toda la comparación, y es una comparación sobre distribución, no sobre calidad de audio.

Cómo decidir esta semana

Si hoy necesita un endpoint de voz a texto y ya está en Alibaba Cloud, los SKU de ASR de Qwen-Audio-3.1 son la vía más corta y el riesgo operativo es una cuota, no un buscapersonas. Si necesita voz a voz en el mismo stack, qwen-audio-3.1-realtime-plus es la opción documentada y su precio es algo que se consulta en la consola, no en un blog.

Si necesitas poseer el modelo —por normativa, por aislamiento de red o simplemente por la convicción de que tu audio es el activo y el modelo no debería alquilarse—, Ming-3.0-audio-flash es el único de estos dos que te lo permite. Presupuesta ocho H800 para el perfil completo, cuatro para solo texto, y una semana de tu propia evaluación antes de creer nada de lo que aparece en las imágenes de los benchmarks.

Y si no tienes claro cuál de esos eres, la respuesta es ninguno, todavía. Pasa tu audio por un endpoint alojado, mide la tasa de error con la que puedes convivir y deja que ese número te diga si vale la pena comprar el hardware. La elección del modelo está aguas abajo de esa medición, no aguas arriba de ella.