Ming-3.0-audio-flash vs Gemini 3.8 Live : poids ouverts, huit GPU et une facture que vous pouvez réellement calculer

Une heure d’audio continu envoyée à G​emini 3.8 Live coûte 0,30 $ au tarif catalogue publié de G​oogle. Une heure d’audio en sortie coûte 1,08 $. Une session vocale bidirectionnelle, avec les deux sens actifs pendant toute l’heure, revient à 1,38 $. Ming-3.0-audio-flash n’a aucun tarif à la minute, car il n’y a aucun point de terminaison à acheter : c’est un checkpoint mixture-of-experts de 126 milliards de paramètres sous licence MIT, et son coût correspond à ce que vous coûtent huit H800 pour l’heure. Voilà toute la comparaison en deux phrases, et presque toutes les autres différences entre ces deux systèmes en découlent. Les défaillances documentées de l’IA et les incidents d’agents à l’origine de versions comme celle-ci sont recensés dans l’OrcaRouter AI Incident Archive où chaque entrée comporte ses propres sources, sa gravité, sa note de confiance et son indicateur de contestation.

La date compte, car il ne s’agit pas d’un lancement. inclusionAI a déposé les poids de Ming-3.0-audio-flash sur Hugging Face le 3 septembre 2026 sans rien dire. Pendant six semaines, le dépôt n’a été en pratique qu’un dossier de fragments : aucun code de service, aucun exemple, aucune fiche utilisable. Le dépôt GitHub a été créé le 15 octobre, les profils vLLM-Omni et SGLang, les préréglages vocaux et une fiche de modèle réécrite ont été mis en ligne entre le 15 et le 19 octobre, et, à l’heure où nous écrivons, la page Hugging Face affiche 22 téléchargements. G​emini 3.8 Live, en revanche, est un modèle Live API stable et en disponibilité générale que G​oogle décrit comme le choix par défaut pour les agents vocaux à faible latence. L’un de ces modèles est un produit que vous pouvez appeler cet après-midi. L’autre est devenu exécutable cette semaine et n’a toujours pas d’opérateur.

Ce que sont réellement les deux systèmes

Gemini 3.8 Live est un modèle de streaming hébergé derrière l'API Live. L'API accepte de l'audio PCM brut 16 bits à 16 kHz, des images à raison d'une image par seconde maximum, et du texte, et renvoie de l'audio PCM brut à 24 kHz. La documentation de l'API Live de Google indique une couverture de 70 langues. Vous ouvrez une session, diffusez en continu et recevez de l'audio en retour ; il n'y a ni checkpoint, ni réservation de GPU, ni licence à lire.

{{1}}Ming-3.0-audio-flash{{/1}} est un modèle audio-langage au sens plus littéral. {{2}}Un encodeur audio et un projecteur alimentent un socle linguistique à mélange d'experts{{/2}}, et {{3}}un Talker facultatif convertit la sortie texte du modèle en parole{{/3}}. {{4}}Les entrées sont de l'audio ainsi qu'une instruction textuelle{{/4}}. {{5}}Les sorties sont du texte, ou du texte avec de la parole synthétisée{{/5}}. {{6}}La fiche indique le chinois et l'anglais comme langues principales, « y compris des accents et dialectes variés »{{/6}}. {{7}}La licence est MIT{{/7}}.

• Paramètres — Ming : 126 B au total, 6,5 B activés par étape d’inférence (la barre latérale Hugging Face indique séparément 128 B, une divergence que la fiche n’explique pas). G​emini 3.8 Live : non divulgué.

• Langues — Ming : chinois et anglais. Gemini 3.8 Live : 70 langues selon la documentation de l’API Live.

• Entrée — Ming : audio et une instruction textuelle. G​emini 3.8 Live : audio, images, texte.

• Sortie — Ming : texte, éventuellement la parole. G​emini 3.8 Live : audio et texte via la même session.

• Licence — Ming : MIT pour les poids et le code. Gemini 3.8 Live : un accord d’API commercial.

• Prix — Ming : pas de grille tarifaire ; vous payez les GPU. G​emini 3.8 Live : 3,00 $ par million de tokens d'entrée audio ou 0,005 $ par minute ; 12,00 $ par million de tokens de sortie audio ou 0,018 $ par minute ; texte à 0,75 $ en entrée et 4,50 $ en sortie par million.

Le calcul des heures d’audio, fait comme il se doit

Les chiffres par minute ci-dessus sont ceux qu'il vaut la peine d'intégrer, et ce sont aussi ceux que la plupart des comparaisons ratent en citant des prix par token à un lecteur qui n'a aucune idée du nombre de tokens que consomme une minute de parole. Utilisez plutôt les tarifs à la minute, car G​oogle les publie directement.

• Écoute uniquement, une heure — 60 minutes à 0,005 $ font 0,30 $.

• À l'oral uniquement, une heure — 60 minutes à 0,018 $ font 1,08 $.

• Une heure complète aller-retour — 1,38 $, avant tout jeton de texte ou appel d’outil.

• Mille heures bidirectionnelles — 1 380 $.

Passons maintenant à la même heure sur Ming-3.0-audio-flash. Le profil de service de référence pour le contexte complet de 128K avec sortie vocale est le parallélisme tensoriel sur huit GPU H800 de 80 Go, selon les propres notes de déploiement du dépôt. Quatre GPU exécutent un profil SGLang validé, mais ce profil ne produit que du texte. Ainsi, la comparaison honnête en auto-hébergement oppose huit GPU à une session facturée à l’usage. À un coût hypothétique de 2 $ par GPU-heure, une heure de capacité coûte 16 $ — et cela pour le GPU entier, que vous pouvez amortir sur des requêtes concurrentes plutôt que sur une seule conversation. À dix flux simultanés, le coût par conversation tombe sous 1,60 $ de l’heure ; à cent, sous 0,16 $. Ce sont des calculs arithmétiques, pas des mesures, et ils ignorent l’utilisation, l’efficacité du batching et le fait qu’un modèle de 126 B à 6,5 B de paramètres actifs ne saturera pas huit H800 sur de courts extraits audio.

Le point de bascule est réel, mais il n’est pas là où les gens le supposent. En dessous d’une douzaine de conversations simultanées environ, G​emini 3.8 Live coûte moins cher que louer huit H800 et bien moins cher que les acheter. Au-dessus, et à condition de pouvoir maintenir le lot plein, le checkpoint ouvert l’emporte sur le coût de calcul brut — ce qui constitue tout l’argument économique en faveur des poids ouverts, et la raison pour laquelle c’est l’exigence de huit GPU qu’il faut retenir, plutôt que le nombre de paramètres.

Ce que signifie « compréhension audio » de chaque côté

Gemini 3.8 Live est conçu pour la conversation. Son rôle est de vous entendre, de répondre rapidement et de gérer la prise de parole. Dans la liste de modèles de Google, il est présenté comme le modèle Live par défaut « pour la plupart des expériences d’agents vocaux à faible latence, sans délais de raisonnement », ce qui relève du budget de latence, et non de la profondeur de l’analyse audio.

Ming-3.0-audio-flash est orienté vers une autre tâche. Les cinq points forts de la fiche sont la reconnaissance vocale complexe sur différents dialectes, accents, bruits et enregistrements multiparticipants ; la compréhension de longs contenus audio ; la perception des sons non vocaux, des scènes acoustiques et de la musique ; le raisonnement sur le contenu audio ; et l’interaction parlée avec des réponses synthétisées facultatives. Il s’agit d’une liste de transcription et d’analyse à laquelle on a greffé un mode conversationnel, et non d’une liste d’agent vocal.

La conséquence pratique : si votre produit est un agent téléphonique qui doit répondre en 400 millisecondes, G​emini 3.8 Live est la solution adaptée et Ming-3.0-audio-flash ne l’est pas, quels que soient les scores aux benchmarks. Si votre produit consiste à « ingérer une conférence téléphonique de résultats de 90 minutes, me dire qui a dit quoi et signaler le moment où le ton du directeur financier a changé », la fiche Ming décrit votre travail et l’API Live en décrit un autre.

Le problème de benchmark que personne n’a résolu

Ming-3.0-audio-flash inclut trois tableaux de référence dans son dépôt : reconnaissance vocale, intelligence audio et texte. Toutes les valeurs sont des pourcentages, une valeur plus élevée étant meilleure sauf indication contraire par une flèche vers le bas, et les résultats marqués d’un astérisque correspondent à l’évaluation propre à l’équipe. Le dépôt ajoute une note indiquant que les résultats des modèles de comparaison ont été reproduits selon le propre protocole d’évaluation d’inclusionAI et peuvent différer des rapports officiels de ces modèles en raison des prompts, des paramètres de décodage, des versions de modèle et des pipelines.

Cette note est d’une franchise inhabituelle, et elle signifie aussi que les graphiques ne peuvent pas servir à classer Ming par rapport à Gemini 3.8 Live. Les chiffres se trouvent dans les images, pas dans le texte du README, et Google ne publie aucune suite comparable d’évaluation de la compréhension audio pour 3.8 Live. Il n’existe aucun classement tiers ayant évalué les deux. Quiconque vous montre un graphique à barres présentant ces deux modèles côte à côte l’a construit à partir d’affirmations de fournisseurs sur un axe et de rien du tout sur l’autre.

La seule affirmation honnête disponible aujourd’hui : Ming-3.0-audio-flash dispose de chiffres fournis par son éditeur et d’aucun chiffre indépendant ; G​emini 3.8 Live a un historique de production et aucun benchmark public de raisonnement audio. C’est une égalité dans la seule catégorie qui compte pour une décision d’achat : les preuves.

Là où OrcaRouter est pertinent, et là où il ne l'est pas

Ming-3.0-audio-flash n'est pas disponible sur notre plateforme. Nous n'allons pas prétendre le contraire : si vous voulez l'exécuter, vous clonez le dépôt, installez la branche vLLM-Omni ou SGLang qu'il indique, et vous amenez les GPU. Ce à quoi un routeur sert dans cette comparaison, c'est l'autre versant de la décision — celui où vous avez déjà décidé qu'un modèle audio hébergé prend en charge votre trafic en direct, et où la question devient de savoir quel modèle hébergé, à quel prix, avec quel repli lorsqu'une session échoue. C'est un problème de routage à travers plus de 200 modèles derrière une seule clé, au prix catalogue du fournisseur, sans marge ajoutée, de sorte qu'un changement de prix d'un fournisseur vous parvient le jour même plutôt qu'à la prochaine renégociation de contrat.

Pour une équipe qui cherche à savoir si un checkpoint audio ouvert mérite le trafic de production, le schéma utile consiste à conserver le chemin hébergé comme solution de repli et à transférer progressivement le volume vers Ming auto-hébergé. Le basculement automatique est ce qui rend cette migration réversible plutôt qu'un pari.

Choisir

Optez pour G​emini 3.8 Live si vous avez besoin d’un agent vocal en production ce trimestre, si vous avez besoin de plus de deux langues, si vous attendez des images dans le même flux ou si vous prévoyez moins d’une douzaine de conversations simultanées. La facture à la minute est faible, la surface opérationnelle est nulle, et le modèle est stable et documenté.

Choisissez Ming-3.0-audio-flash si vous devez posséder les poids, exécuter le modèle sur site ou dans un environnement isolé (air-gapped), si vous avez besoin de conditions MIT, si vous travaillez principalement en chinois et en anglais, et si vous disposez de huit H800s ou d'un ordonnanceur capable de vous les fournir. Attendez-vous à devoir réaliser votre propre évaluation, car personne ne l'a faite pour vous. Attendez-vous à ce que la chaîne d'outils n'ait que quelques jours, car c'est le cas. Et attendez-vous à ce que la fiche du modèle continue de changer sous vos pieds : son dernier commit date du jour où ces lignes ont été écrites.

Il existe un troisième cas, et c'est le plus important. Si vous ne savez pas encore lequel de ces deux cas vous concerne, vous n'êtes pas prêt à choisir entre une API facturée à l'usage et un déploiement à huit GPU. Faites d'abord passer cent heures de vos propres enregistrements audio dans un modèle hébergé, mesurez la précision dont vous avez réellement besoin, et laissez ce chiffre décider si le checkpoint ouvert vaut le coût du rack.

Que regarder

Ce qui changerait cette comparaison n’est pas un benchmark. C’est un opérateur. Dès qu’un fournisseur de services d’inférence propose Ming-3.0-audio-flash derrière un point de terminaison compatible OpenAI avec un prix à l’heure, l’argument des huit GPU cesse d’être le problème du lecteur et l’heure à 1,38 $ trouve un concurrent. D’ici là, le résumé honnête est que G​oogle vend une minute et qu’inclusionAI donne gratuitement une machine, et les deux ne sont comparables que si vous possédez déjà la machine.