Ming-3.0-audio-tiny vs Qwen-Audio 3.1 : une fenêtre sur laquelle on peut faire de l’arithmétique, face à un catalogue sur lequel on ne peut pas

Voici un nombre facile à vérifier et difficile à exploiter : la colonne vertébrale textuelle à l'intérieur de Ming-3.0-audio-tiny est configurée pour 131 072 positions, et la tour audio qui la précède traite 3 000 trames à la fois avec 128 bandes mel. Qwen-Audio 3.1, en revanche, ne publie aucune longueur de contexte — ni sur l'index des modèles, ni dans les descriptions d'une ligne jointes à ses trois identifiants de modèle. D'un côté, on vous donne un nombre et on vous laisse l'interprétation ; de l'autre, on vous donne trois noms de produits et on laisse le matériel à Alibaba. Cette asymétrie, c'est toute la comparaison, et ce n'est pas une comparaison sur le modèle qui entend le mieux. C'est une comparaison sur celui que l'on peut dimensionner avant d'engager la moindre dépense. Les défaillances de l'IA et les incidents d'agents documentés derrière des sorties comme celle-ci sont rassemblés dans l'OrcaRouter AI Incident Archive où chaque entrée comporte ses propres sources, son niveau de gravité, sa note de confiance et son indicateur de contestation.

Les dates d’abord, car ce modèle a une chronologie bancale. Les poids derrière Ming-3.0-audio-tiny sont arrivés sur Hugging Face le 3 septembre 2026 ; le dépôt a été créé à 11:45 UTC et les deux shards safetensors ont suivi quatre minutes plus tard. Ce qui a changé récemment, ce n’est pas le point de contrôle. Entre le 16 et le 19 octobre 2026, le dépôt a été réécrit autour de lui — une configuration qui décrivait enfin un modèle audio plutôt qu’un modèle vidéo-langage, un Talker pour la sortie vocale, deux clips de voix de référence avec leurs transcriptions, trois profils de déploiement sur GitHub et, le 19 octobre à 13:19 UTC, la première fiche modèle que le dépôt ait jamais eue. Personne ne l’a annoncé. La bonne question n’est donc pas ce qui a été livré en septembre. C’est ce que vous pouvez désormais calculer pour l’exécuter, et ce que le catalogue d’A​libaba vous permet ou non de calculer concernant l’alternative.

Convertir 131 072 tokens en minutes

Le nombre est réel et testable, ce qui est plus qu’on ne peut en dire de la plupart des affirmations sur le contexte. La configuration texte déclare max_position_embeddings 131 072, une attention MLA avec un latent KV de largeur 512, et une base rotative de 6 000 000. Mais une fenêtre de contexte en tokens ne devient utile qu’une fois que l’on sait combien de tokens coûte une seconde d’audio, et le fournisseur ne le précise pas. On peut le déduire des propres chiffres de la tour audio.

• Entrée de l'encodeur — 3 000 trames de 128 bandes mel, soit la même fenêtre de 30 secondes que celle utilisée par Whisper avec un pas de 10 ms.

• Sous-échantillonneur — noyau [3,3,3] avec pas [2,2,2], de sorte qu’une fenêtre est réduite d’un facteur huit.

• Tokens par fenêtre — 3 000 divisé par 8, soit 375 tokens audio pour environ 30 secondes de son.

• Ce que cela implique — 131 072 divisé par 375 donne environ 349 fenêtres, soit un peu moins de trois heures d’audio, si le pipeline alimente un seul flux continu plutôt que de refaire une mise en tampon entre les fenêtres.

{{1}}Cette dernière clause{{/1}} joue un rôle crucial et je veux être explicite à ce sujet. Le chiffre de trois heures est un calcul arithmétique sur deux valeurs de configuration publiées, pas une affirmation du fournisseur, et il sera faux si le processeur réinitialise la position entre les clips — ce qui est exactement ce que le profil de reproduction ASR implique lorsqu'il limite l'audio à un clip par prompt. Considérez-le comme une borne supérieure à tester, pas comme une spécification à citer.

Ce qui n’est pas arithmétique, c’est la conséquence sur la mémoire. MLA stocke le latent KV plutôt que les clés et valeurs par tête, ce qui explique qu’une fenêtre de 131K soit même envisageable sur une seule carte. Le profil de texte de référence réserve 0,92 d’un seul GPU avec max_num_batched_tokens à 32 768, une réservation dimensionnée pour la fenêtre complète plus un grand lot, et non un plancher. Supprimez max_model_len et la réservation diminue d’autant. Les shards du Thinker totalisent 17,74 Go, donc une carte de 24 Go contient les poids avec de la marge.

L'autre partie répond à la même question par un découpage du produit

L'index de Model Studio d'Alibaba répertorie Qwen-Audio 3.1 sous trois identifiants de modèle plutôt que comme un seul modèle avec un champ de contexte. qwen-audio-3.1-asr-flash-streaming et qwen-audio-3.1-asr-flash-filetrans figurent dans la catégorie reconnaissance vocale ; qwen-audio-3.1-realtime-plus figure dans la catégorie parole-à-parole et est décrit comme une conversation vocale de bout en bout sans appels ASR et TTS distincts. Aucun poids, aucun nombre de paramètres, aucune longueur de contexte, aucun prix sur cette page. La documentation détaillée de chaque identifiant n'a pas pu être chargée lors de la vérification.

Interprétez cette séparation comme une réponse au problème des longs audios, et non comme un accident de conditionnement. Un SKU de transcription de fichiers, c’est la manière dont un fournisseur vend une heure d’audio : vous téléversez le fichier, le service le découpe comme bon lui semble, et la fenêtre de contexte devient le problème d’ingénierie de quelqu’un d’autre. Un SKU de streaming, c’est la manière dont un fournisseur vend un appel téléphonique. Aucun des deux SKU n’expose le chiffre que Ming expose, ce qui signifie que vous ne pouvez pas construire de modèle de capacité pour Qwen-Audio 3.1 comme vous pouvez le faire pour Ming-3.0-audio-tiny. Vous pouvez seulement établir une facture, et même cela nécessite la console.

• Ce que vous pouvez inspecter — Ming : configuration, architecture, licence, quatre fichiers safetensors, trois images de benchmark, YAML de déploiement. Qwen : trois identifiants et une phrase chacun.

• Ce que vous pouvez dimensionner — Ming : 17,74 Go de poids et un GPU pour le texte, deux pour la parole. Q​wen : inconnu tant que vous n’avez pas lu une grille tarifaire que vous ne pouvez pas consulter d’ici.

• Ce que vous pouvez mettre en cache — Ming : votre propre cache KV, à votre propre max_model_len. Qwen : ce que le point de terminaison fait en interne, de manière invisible.

• Mode de défaillance — M​ing : un OOM que vous avez provoqué et que vous pouvez corriger. Q​wen : un quota, une région ou une page de documentation qui ne renvoie rien.

• Licence — Ming : MIT, dans les métadonnées de la carte et dans le fichier LICENSE du dépôt GitHub, bien que le dépôt Hugging Face ne contienne aucun fichier LICENSE propre. Qwen : les conditions commerciales de Model Studio, car il n’y a aucune licence de poids à consulter.

La question de référence à laquelle personne ne peut répondre honnêtement

Ming-3.0-audio-tiny livre trois images d’évaluation dans assets/, et chaque cellule y est inclusionAI mesurant inclusionAI. La fiche marque d’un astérisque les lignes auto-évaluées et reconnaît que les modèles de comparaison ont été reproduits avec ses propres invites et paramètres de décodage. Il s’agit d’une divulgation normale, et elle mérite d’être prise au pied de la lettre : ce sont des cibles de conception, pas des résultats.

Pour cette confrontation, les chiffres sont doublement embarrassants, car les colonnes utiles ne sont pas celles qui sont présentes. En reconnaissance du chinois, le petit modèle obtient en moyenne un taux d’erreur de caractères de 3,79 contre 3,45 pour son homologue plus grand, et sur les dialectes, 10,29 contre 9,40. Sur l’intelligence audio, il perd réellement du terrain — MMAU 75,90 contre 82,00, MMAU-Pro 56,42 contre 66,41, et un effondrement de l’interaction vocale sur URO-Bench-Pro, de 81,92 à 54,15. Tout cela est minime face à flash. Rien de tout cela n’est minime face à Qwen-Audio 3.1, car Qwen-Audio 3.1 n’a publié aucun score comparable et il n’existe ni jeu de test commun, ni configuration de décodage commune, ni tiers ayant exécuté les deux.

Il y a un deuxième écart qu'il vaut la peine de nommer, car il est vérifiable en dix secondes. La fiche indique que les chiffres partagés incluent les résultats des deux variantes de Ming. C'est vrai pour l'image de reconnaissance et l'image d'intelligence audio. L'image d'intelligence textuelle comporte quatre colonnes, et le petit modèle n'en fait pas partie — ses colonnes sont Ming-3.0-audio-flash, Qwen3.8-Omni Flash, Qwen3.5-Omni Plus et Qwen3.5-Omni Flash. Si votre question est de savoir si le socle à 2,7 B de paramètres actifs peut tenir une conversation de raisonnement sur l'audio, inclusionAI n'y a pas répondu dans cette image, quoi qu'en dise la phrase au-dessus de l'image.

Comment les deux formes échouent différemment au bout de trois heures

C’est sur l’audio long que la distinction entre produits cesse d’être cosmétique. Un seul checkpoint avec une fenêtre de 131K est la promesse qu’un modèle lit l’intégralité de l’enregistrement et se souvient des dix premières minutes lorsqu’il atteint la fin. Cette promesse a un mode de défaillance bien précis : tout se dégrade en même temps. Si l’audio dépasse la fenêtre, vous découpez, et c’est là que le raisonnement entre segments meurt discrètement — l’intervenant présenté à la deuxième minute redevient un inconnu à la quarantième.

Le SKU de transcription de fichiers masque ce problème et en hérite d’un autre. Vous ne maîtrisez pas le découpage en blocs, vous ne pouvez donc pas reproduire une transcription défectueuse ; vous ne pouvez pas savoir si le service a conservé le contexte d’un bloc à l’autre ou assemblé des fenêtres indépendantes ; et lorsque la sortie change entre deux importations identiques, vous n’avez aucune variable à isoler. Le SKU de streaming est honnête sur sa contrainte dès son nom : il est conçu pour produire au fil de l’arrivée de l’audio, ce qui est le bon format pour des sous-titres et le mauvais pour un audit de conformité d’un appel de quatre-vingt-dix minutes.

Donc la décision n’est pas « laquelle est la plus précise » — aucun des deux camps ne vous a donné un chiffre qui trancherait. C’est « quel échec puis-je déboguer ». Si vous devez reproduire une transcription octet par octet, soyez propriétaire du point de contrôle. Si vous avez besoin d’une transcription en vingt minutes et du pager de quelqu’un d’autre, louez le SKU.

Où un routeur justifie sa place dans ce pipeline

OrcaRouter ne sert pas Ming-3.0-audio-tiny. Il n'est pas dans notre catalogue et nous ne pouvons pas vous fournir de point de terminaison pour celui-ci ; rien ici ne constitue une offre en ce sens. Ce qu'un routeur parvient à couvrir, c'est la partie d'un pipeline de traitement d'audio long qui n'est pas le modèle audio : décider quel enregistrement est envoyé au modèle local 2.7B et lequel à un modèle plus grand, rédiger le résumé à partir de la transcription, extraire les points d'action, étiqueter l'appel. Ce sont des appels texte, et plus de 200 modèles derrière une seule clé est un chemin plus court que quatre contrats fournisseurs — au prix catalogue du fournisseur, avec 0 % de marge, ainsi, lorsqu'un fournisseur baisse un prix, le montant que vous payez change le jour même. Le basculement automatique compte plus que d'habitude ici : une tâche de transcription qui échoue à la quatre-vingtième minute d'un fichier de quatre-vingt-dix minutes devrait réessayer sur un second chemin, et non repartir de zéro.

La frontière mérite d’être dite à voix haute. Un routeur achemine les appels. Il ne transforme pas un checkpoint de 17,74 Go en point de terminaison hébergé, et il ne vous dit pas si la fenêtre de 131K de Ming est réelle. Seule votre propre heure d’audio le fait.

L’expérience qui tranche

Prenez un enregistrement dont vous connaissez déjà la réponse — une réunion avec trois intervenants, dont l’un change de langue au milieu d’une phrase — et faites-le passer dans les deux. Pour Ming-3.0-audio-tiny, chargez-le avec trust_remote_code=True, utilisez le prompt ASR que valide la fiche (nommez la langue, tabulation, puis la transcription — cette tabulation est votre parseur), et réglez max_model_len exactement à la longueur dont vous avez besoin plutôt qu’à la valeur par défaut. Pour Qwen-Audio 3.1, faites passer le même fichier par le SKU de transcription de fichier et par le SKU temps réel, car ce sont des produits différents et ils ne seront pas d’accord.

Comparez ensuite trois choses, dont aucune n’est un score de benchmark. Le modèle a-t-il conservé les identités des locuteurs sur l’ensemble du fichier ? A-t-il passé le changement de langue sans translittérer ? Et pouviez-vous expliquer le résultat suffisamment bien pour modifier une variable et relancer l’essai ? La dernière question est celle qui détermine si vous évaluez un modèle ou auditionnez un fournisseur, et c’est le seul point où ces deux cas ne sont pas proches.