Ming-3.0-audio-flash vs Qwen-Audio-3.1 : un dossier que l'on peut télécharger face à un catalogue que l'on ne peut qu'appeler

Il existe une version de cette comparaison qui serait facile à écrire, et elle serait fausse. Elle alignerait Ming-3.0-audio-flash et Q​wen-Audio-3.1 comme deux modèles audio chinois, mettrait leurs nombres de paramètres côte à côte et déclarerait un vainqueur. Le problème, c’est que Q​wen-Audio-3.1 n’existe pas sous forme de checkpoint que l’on peut peser. Il existe sous la forme d’un ensemble d’ID de modèles hébergés dans le catalogue Model Studio d’A​libaba — qwen-audio-3.1-realtime-plus, qwen-audio-3.1-asr-flash-streaming, qwen-audio-3.1-asr-flash-filetrans — sans poids publiés sur Hugging Face ni nombre de paramètres public. Ming-3.0-audio-flash est l’inverse : 126 milliards de paramètres au total, 6,5 milliards actifs, licence MIT, dans un dépôt que l’on clone. L’un est un dossier. L’autre est une gamme de produits que l’on loue à l’appel. Toutes les questions qui comptent à propos de ces deux-là découlent de cette asymétrie, et aucune des questions habituelles des tableaux de benchmarks ne peut recevoir de réponse. Les défaillances de l’IA et les incidents d’agents documentés associés à des versions publiées comme celle-ci sont recensés dans l’OrcaRouter AI Incident Archive où chaque entrée comporte ses propres sources, un niveau de gravité, une note de confiance et un indicateur de contestation.

La généalogie mérite un paragraphe, car elle explique pourquoi les deux semblent comparables alors qu’ils ne le sont pas. Ming-3.0-audio-flash est arrivé selon le principe des poids d’abord : téléversé sur Hugging Face le 3 septembre 2026 sans annonce, puis laissé inutilisable pendant six semaines, jusqu’à ce que le code de service et les exemples soient poussés entre le 15 et le 19 octobre. Q​wen-Audio-3.1 est arrivé selon le principe du catalogue d’abord : trois identifiants de modèle listés dans la documentation Model Studio d’A​libaba Cloud sous reconnaissance vocale et parole-vers-parole, décrits en une ligne chacun, les pages de détail ne contenant pas les spécifications. Voilà les deux schémas de publication dominants de 2026 réunis dans un seul face-à-face — le laboratoire ouvert qui livre un dépôt et laisse le monde le remarquer, et le cloud qui livre des références commerciales et laisse la documentation faire office de lancement.

Ce que chacun vous apporte réellement

• Ce que vous recevez — Ming : un checkpoint MoE d'environ 126B de paramètres, le processeur, le tokenizer, les assets Talker, les scripts de serving et des exemples. Qwen-Audio-3.1 : des identifiants API et trois noms d'endpoints.

• Ce que vous pouvez inspecter — Ming : architecture, licence, panneaux de benchmark, YAML de déploiement, préréglages vocaux. Q​wen-Audio-3.1 : une étiquette de catégorie et une description d'une phrase par SKU.

• Licence — Ming : MIT, poids et code. Qwen-Audio-3.1 : les conditions commerciales de Model Studio ; il n’y a pas de licence pour les poids, car il n’y a pas de poids.

• Où il s’exécute — Ming : vos GPU, votre rack, votre air gap. Qwen-Audio-3.1 : l’infrastructure d’Alibaba, dans les régions qu’elle dessert.

• Mode de défaillance — Ming : c’est vous qui êtes d’astreinte. Q​wen-Audio-3.1 : un problème de quota, de région ou de compte est un ticket de support.

• Prix — Ming : matériel. Qwen-Audio-3.1 : non publié sur l'index des modèles ; il faut consulter les pages de détail ou la console.

Cette dernière ligne n’est pas une esquive. L’index des modèles de Model Studio liste les trois ID Q​wen-Audio-3.1 sous leurs catégories et n’indique pas, sur cette page, de tarification, de fenêtre de contexte ni de couverture linguistique. La documentation détaillée liée ne s’est pas chargée au moment de la vérification. Dire « Q​wen-Audio-3.1 coûte X » reviendrait à inventer un chiffre, et la nature du produit signifie que ce chiffre changerait de toute façon.

Les trois UGS ne correspondent pas à un seul et même modèle, et ce n’est pas anodin

C’est la partie que la plupart des comparaisons oublient. Q​wen-Audio-3.1 n’est pas une seule chose que l’on évalue. Le catalogue le divise en trois :

qwen-audio-3.1-asr-flash-streaming est une reconnaissance vocale diffusée en flux — le cas d'usage honnête est celui des sous-titres en direct ou d'une transcription d'appel qui arrive pendant que l'appel a lieu.

qwen-audio-3.1-asr-flash-filetrans correspond à la même tâche de reconnaissance, traitée par lots sur un fichier. « Flash » dans les deux noms suggère un niveau axé sur la vitesse et le coût plutôt que sur la qualité, bien qu’Alibaba ne documente pas cette distinction sur la page d’index.

qwen-audio-3.1-realtime-plus est le plus intéressant. L'index le décrit comme « conversation vocale de bout en bout sans appels ASR et TTS distincts » — un point de terminaison parole-parole, et le plus implique qu'il s'agit du plus complet des deux niveaux temps réel.

Ming-3.0-audio-flash les condense en un seul artefact. La reconnaissance, la compréhension des audios longs, le raisonnement audio et la sortie vocale facultative sont des modes d’un même checkpoint, sélectionnés par le prompt et par le profil de service plutôt qu’en choisissant un autre SKU. Le dépôt fournit un profil ASR, un profil texte et un profil de sortie audio ; le prompt ASR demande au modèle de nommer la langue parlée et de placer une tabulation entre l’étiquette et la transcription.

Quelle configuration est la meilleure dépend de ce que vous construisez. Trois SKU signifient que vous payez pour la reconnaissance lorsque vous n’avez besoin que de la reconnaissance et que vous ne supportez pas le coût d’inférence d’un modèle 126B pour une tâche de transcription. Un seul checkpoint signifie que la transcription et l’analyse de la transcription proviennent du même modèle, sans perte de sérialisation entre elles — pas de mode de défaillance du type « ASR a dit “their”, le modèle de raisonnement s’est trompé », car il n’y a pas de second modèle.

Pourquoi n’y a-t-il pas de benchmark honnête ici ?

Ming-3.0-audio-flash publie trois panneaux d’évaluation — reconnaissance vocale, intelligence audio, texte — sous forme d’images dans son dépôt GitHub. Toutes les valeurs sont des pourcentages, une valeur plus élevée est meilleure, sauf lorsqu’une flèche indique le contraire, et les résultats marqués d’une étoile sont ceux de l’équipe. Le dépôt ajoute une note indiquant que les modèles de comparaison ont été reproduits dans le cadre de la configuration d’évaluation d’inclusionAI et peuvent différer des rapports officiels de ces modèles en raison des prompts, des paramètres de décodage, des versions et des pipelines.

Q​wen-Audio-3.1 ne publie aucun tableau de référence sur sa page d’index. Sa documentation détaillée n’en expose pas non plus. Il n’existe donc ni jeu de test commun, ni configuration de décodage commune, ni partie indépendante ayant évalué les deux.

La seule affirmation défendable est négative : aucun des deux camps ne dispose d’un chiffre auquel l’autre puisse être comparé. Si un article comparatif vous montre Ming-3.0-audio-flash et Q​wen-Audio-3.1 dans des colonnes adjacentes avec des pourcentages, il a combiné une auto-évaluation de fournisseur avec une API non mesurée, et c’est la disposition des colonnes qui fait persuasion.

La question du coût, reformulée

Étant donné que les tarifs par token ou par seconde de Qwen-Audio-3.1 ne figurent pas dans l’index public, la comparaison utile n’est pas prix contre prix, mais structure de coûts contre structure de coûts.

La tarification à l’appel présente un avantage considérable : elle suit exactement votre utilisation, et elle est nulle lorsque votre utilisation est nulle. Pour un produit à trafic irrégulier — une équipe de conformité qui transcrit mille appels le dernier jour du trimestre et rien pendant onze semaines —, c’est décisif. On ne peut pas faire mieux que la facturation à l’appel avec des GPU possédés sur une charge de travail irrégulière, car les GPU continuent d’être facturés pendant les semaines creuses.

Les pondérations détenues en propre ont une vertu symétrique : le coût marginal de la millième heure est presque nul, et il ne bouge pas lorsqu’un fournisseur révise ses prix. Pour un produit à charge stable — un centre de contact fonctionnant à 60 % de sa capacité chaque jour de semaine —, le coût fixe s’amortit et le coût horaire descend sous n’importe quelle grille tarifaire. Le point de bascule est un calcul d’utilisation, pas une référence de marché, et il diffère pour chaque équipe.

Le plancher matériel de Ming est le chiffre qui tranche. Le profil de référence pour le contexte complet de 128K avec sortie vocale est le parallélisme tensoriel sur huit H800 de 80 Go. Il existe un profil SGLang validé sur quatre GPU, mais il est uniquement textuel — vous perdez le Talker. Sur quatre GPU, la comparaison est Ming en transcripteur face aux SKU ASR de Qwen ; sur huit, elle est Ming en conversation face à qwen-audio-3.1-realtime-plus. Ce sont deux décisions différentes et elles doivent être prises séparément.

Là où un routeur gagne sa place ici, c’est pendant la phase d’essai. Vous ne voulez pas découvrir qu’un checkpoint ouvert sous-performe sur votre audio après avoir acheté la baie. Faire tourner les SKU hébergés et le candidat auto-hébergé derrière un seul point de terminaison vous permet de les comparer en A/B sur le même trafic : plus de 200 modèles sur une seule clé, prix catalogue du fournisseur répercuté sans marge, basculement automatique si un chemin se dégrade. Quand le côté auto-hébergé l’emporte sur vos propres enregistrements, vous ajustez le pourcentage ; sinon, rien ne casse.

Langues, dialectes, et la chose que disent les deux cartes

Ming-3.0-audio-flash liste le chinois et l’anglais, « y compris des accents et des dialectes variés », et ses points forts mettent en avant des enregistrements multi-locuteurs et des environnements bruyants. Cette formulation est assez précise pour être vérifiable et assez vague pour que vous deviez la vérifier : « des accents et des dialectes variés » dans un modèle audio chinois désigne généralement des accents régionaux du mandarin et au moins une ou deux variétés yue, mais la fiche ne les énumère pas.

La couverture linguistique de Qwen-Audio-3.1 n’est pas indiquée dans l’entrée d’index. La gamme audio plus large d’Alibaba a historiquement couvert un vaste ensemble de langues et de dialectes chinois, mais la couverture d’un produit frère ne constitue pas la documentation de ce produit, et la position raisonnable est que ce nombre reste inconnu tant que la page de détail n’indique pas le contraire.

Les deux modèles viennent de laboratoires chinois et seront tous deux les plus performants là où leurs données d’entraînement étaient les plus denses. Aucune des deux fiches ne formule d’affirmation que l’on puisse réfuter sans faire passer de l’audio dans le modèle. Voilà le test : prenez vingt minutes de vos pires enregistrements — le bruyant, celui avec alternance de langues, celui où trois personnes parlent les unes par-dessus les autres — et faites-les passer dans les deux. Cela vous en dira plus que n’importe quel graphique publié par l’un ou l’autre des laboratoires.

Qu'est-ce qui changerait la donne

Deux événements. Premièrement, si Alibaba publie les poids de Qwen-Audio-3.1 — la gamme Qwen a ouvert à plusieurs reprises les poids de modèles texte et vision, ce n’est donc pas un fantasme —, toute la comparaison se réduit à « deux checkpoints MIT ou Apache, comparez-les sur votre matériel », et la distinction entre catalogue et dossier disparaît. Deuxièmement, si un fournisseur de service répertorie Ming-3.0-audio-flash derrière un point de terminaison compatible OpenAI avec un tarif publié, le seuil de huit GPU cesse d’être le problème du lecteur et les deux produits deviennent directement comparables au prix par heure d’audio.

Ni l’un ni l’autre ne s’est produit. À l’heure où ces lignes sont écrites, la famille Qwen-Audio-3.1 est appelable mais ses poids ne sont pas disponibles ; Ming-3.0-audio-flash a des poids disponibles mais n’est pas appelable, sauf sur le matériel que vous fournissez. C’est là tout le duel, et il porte sur la distribution, pas sur la qualité audio.

Comment décider cette semaine

Si vous avez besoin dès aujourd'hui d'un point de terminaison de reconnaissance vocale et que vous êtes déjà sur Alibaba Cloud, les SKU ASR Qwen-Audio-3.1 sont le chemin le plus court, et le risque opérationnel tient à un quota plutôt qu'à un pager. Si vous avez besoin de conversion voix-voix dans la même pile, qwen-audio-3.1-realtime-plus est l'option documentée, et son tarif est une question à poser à la console, pas une question de blog.

Si vous devez posséder le modèle — pour des raisons réglementaires, d'isolement réseau (air-gapped), ou simplement par conviction que votre audio est l'atout et que le modèle ne doit pas être loué — Ming-3.0-audio-flash est le seul de ces deux qui vous le permet. Prévoyez huit H800 pour le profil complet, quatre pour le texte seul, et une semaine de votre propre évaluation avant de croire quoi que ce soit dans les images de benchmark.

Et si vous n’êtes pas sûr de savoir lequel des deux vous êtes, la réponse est : aucun des deux, pas encore. Faites passer votre audio par un point de terminaison hébergé, mesurez le taux d’erreur avec lequel vous pouvez vivre, et laissez ce chiffre vous dire si le matériel vaut l’achat. Le choix du modèle se fait en aval de cette mesure, pas en amont.