Ming-3.0-audio-flash vs Gemini 3.8 Live: pesi aperti, otto GPU e un conto che puoi davvero calcolare

Un'ora di audio continuo in ingresso a G​emini 3.8 Live costa $0,30 al prezzo di listino pubblicato da G​oogle. Un'ora di audio in uscita costa $1,08. Una sessione vocale bidirezionale, con entrambe le direzioni attive per l'intera ora, costa $1,38. Ming-3.0-audio-flash non ha alcun prezzo al minuto, perché non esiste un endpoint da acquistare: è un checkpoint mixture-of-experts da 126 miliardi di parametri con licenza MIT, e il suo costo è quello che ti costano otto H800 per un'ora. Questo è l'intero confronto in due frasi, e quasi ogni altra differenza tra questi due sistemi ne deriva. I fallimenti documentati dell'IA e gli incidenti degli agenti dietro a rilasci come questo sono raccolti in l'OrcaRouter AI Incident Archive in cui ogni voce riporta le proprie fonti, il livello di gravità, il grado di confidenza e il flag di contestazione.

La cronologia conta, perché questo non è un lancio. inclusionAI ha pubblicato i pesi di Ming-3.0-audio-flash su Hugging Face il 3 settembre 2026 e non ne ha detto nulla. Per sei settimane il repository è stato di fatto una cartella di shard: nessun codice di serving, nessun esempio, nessuna scheda utilizzabile. Il repository GitHub è stato creato il 15 ottobre, i profili vLLM-Omni e SGLang, i preset vocali e una scheda del modello riscritta sono arrivati tra il 15 e il 19 ottobre, e al momento in cui scriviamo la scheda su Hugging Face mostra 22 download. G​emini 3.8 Live, al contrario, è un modello Live API stabile e disponibile a tutti che G​oogle descrive come predefinito per agenti vocali a bassa latenza. Uno di questi è un prodotto che puoi chiamare oggi pomeriggio. L'altro è diventato eseguibile questa settimana e non ha ancora un operatore.

Cosa sono realmente i due sistemi

Gemini 3.8 Live è un modello di streaming ospitato dietro la Live API. L'API accetta audio PCM grezzo a 16 bit a 16 kHz, immagini fino a un frame al secondo e testo, e restituisce audio PCM grezzo a 24 kHz. La documentazione della Live API di Google indica una copertura linguistica di 70 lingue. Si apre una sessione, si esegue lo streaming e si riceve audio indietro; non c'è alcun checkpoint, nessuna prenotazione della GPU e nessuna licenza da leggere.

Ming-3.0-audio-flash è un modello audio-linguistico nel senso più letterale del termine. Un encoder audio e un proiettore alimentano un backbone linguistico mixture-of-experts, e un Talker opzionale converte l'output testuale del modello in parlato. Gli input sono audio più un'istruzione testuale. Gli output sono testo, oppure testo con parlato sintetizzato. La scheda elenca cinese e inglese come lingue principali, «compresi accenti e dialetti variegati». La licenza è MIT.

• Parametri — Ming: 126B totali, 6,5B attivati per ogni fase di inferenza (la barra laterale di Hugging Face indica separatamente 128B, una discrepanza che la scheda non spiega). Gemini 3.8 Live: non divulgati.

• Lingue — Ming: cinese e inglese. Gemini 3.8 Live: 70 lingue secondo la documentazione dell'API Live.

• Input — Ming: audio e un'istruzione testuale. G​emini 3.8 Live: audio, immagini, testo.

• Output — Ming: testo, opzionalmente voce. G​emini 3.8 Live: audio e testo attraverso la stessa sessione.

• Licenza — Ming: MIT su pesi e codice. Gemini 3.8 Live: un accordo commerciale per API.

• Prezzo — Ming: nessun listino prezzi; paghi per le GPU. G​emini 3.8 Live: 3,00 $ per milione di token audio di input oppure 0,005 $ al minuto; 12,00 $ per milione di token audio di output oppure 0,018 $ al minuto; testo a 0,75 $ in input e 4,50 $ in output per milione.

Il calcolo delle ore audio, fatto come si deve

I valori al minuto riportati sopra sono quelli che vale la pena interiorizzare, e sono anche quelli che la maggior parte dei confronti sbaglia citando i prezzi per token a un lettore che non ha idea di quanti token consumi un minuto di parlato. Usate invece le tariffe al minuto, perché G​oogle le pubblica direttamente.

• Solo ascolto, un'ora — 60 minuti a $0.005 sono $0.30.

• Solo conversazione, un'ora — 60 minuti a $0,018 fanno $1,08.

• Un'ora intera bidirezionale — $1.38, prima di qualsiasi token di testo o chiamata agli strumenti.

• Mille ore bidirezionali — $1,380.

Ora la stessa ora su Ming-3.0-audio-flash. Il profilo di servizio di riferimento per l'intera finestra di contesto da 128K con output vocale è il tensor parallelism su otto GPU H800 da 80 GB, secondo le note di deployment del repository stesso. Quattro GPU eseguono un profilo SGLang convalidato, ma quel profilo prevede solo output testuale. Quindi il confronto onesto in self-hosting è otto GPU contro una sessione a consumo. Ipotizzando 2 $ per GPU-ora, un'ora di capacità costa 16 $ — e questo per l'intera GPU, che puoi ammortizzare su richieste concorrenti anziché su una sola conversazione. Con dieci stream concorrenti, il costo per conversazione scende sotto 1,60 $ l'ora; con cento, sotto 0,16 $. Questi sono calcoli aritmetici, non misurazioni, e ignorano l'utilizzo, l'efficienza del batching e il fatto che un modello da 126B con 6,5B parametri attivi non saturerà otto H800 su clip audio brevi.

Il punto di crossover è reale, ma non è dove molti immaginano. Al di sotto di circa una dozzina di conversazioni simultanee, G​emini 3.8 Live costa meno che noleggiare otto H800 e molto meno che acquistarle. Al di sopra di quella soglia, e supponendo di riuscire a mantenere pieno il batch, il checkpoint aperto vince sul costo computazionale grezzo — che è l'intero argomento economico a favore dei pesi aperti, e il motivo per cui il requisito delle otto GPU è il numero da ricordare anziché il numero di parametri.

Cosa significa "comprensione audio" su ciascun lato

Gemini 3.8 Live è progettato per la conversazione. Il suo compito è ascoltarti, rispondere rapidamente e gestire l'alternanza dei turni. Nella lista dei modelli di Google, è posizionato come modello Live predefinito «per la maggior parte delle esperienze di agenti vocali a bassa latenza senza ritardi di ragionamento», un'affermazione che riguarda il budget di latenza, non la profondità dell'analisi audio.

Ming-3.0-audio-flash è orientato a un compito diverso. I cinque punti salienti della scheda sono: riconoscimento vocale complesso attraverso dialetti, accenti, rumore e registrazioni con più parlanti; comprensione di audio lunghi; percezione di suoni non vocali, scene acustiche e musica; ragionamento sui contenuti audio; e interazione parlata con risposte sintetizzate opzionali. È un elenco di trascrizione e analisi con una modalità chat appiccicata sopra, non un elenco di agenti vocali.

La conseguenza pratica: se il tuo prodotto è un agente telefonico che deve rispondere in 400 millisecondi, G​emini 3.8 Live è la forma giusta e Ming-3.0-audio-flash no, indipendentemente dai punteggi dei benchmark. Se il tuo prodotto è «ingerire una call sugli utili di 90 minuti, dirmi chi ha detto cosa e segnalare il momento in cui il tono del CFO è cambiato», la scheda Ming descrive il tuo lavoro e la Live API ne descrive un altro.

Il problema del benchmark che nessuno ha risolto

Ming-3.0-audio-flash include tre pannelli di benchmark nel suo repository: riconoscimento vocale, intelligenza audio e testo. Tutti i valori sono percentuali; i valori più alti sono migliori salvo indicazione con una freccia verso il basso, e i risultati contrassegnati da un asterisco sono la valutazione del team stesso. Il repository aggiunge una nota secondo cui i risultati dei modelli di confronto sono stati riprodotti con la configurazione di valutazione di inclusionAI e possono differire dai rapporti ufficiali di tali modelli a causa di prompt, impostazioni di decodifica, versioni dei modelli e pipeline.

Quella nota è insolitamente franca e significa anche che i grafici non possono essere usati per classificare Ming rispetto a G​emini 3.8 Live. I numeri vivono nelle immagini, non nel testo del README, e G​oogle non pubblica alcuna suite comparabile di comprensione audio per 3.8 Live. Non esiste alcuna classifica di terze parti che abbia assegnato un punteggio a entrambi. Chiunque vi mostri un grafico a barre con questi due modelli affiancati l'ha costruito con le dichiarazioni dei fornitori su un asse e nulla sull'altro.

L'unica affermazione onesta disponibile oggi: Ming-3.0-audio-flash ha numeri prodotti dal fornitore e nessun numero indipendente, G​emini 3.8 Live ha un track record produttivo e nessun benchmark pubblicato sul ragionamento audio. È un pareggio nell'unica categoria che conta per una decisione d'acquisto, ovvero le prove.

Dove OrcaRouter è adatto, e dove non lo è

Ming-3.0-audio-flash non è sulla nostra piattaforma. Non intendiamo fingere il contrario: se volete eseguirlo, clonate il repository, installate il branch vLLM-Omni o SGLang che indica e procuratevi le GPU. In questo confronto, l'utilità di un router sta nell'altro lato della decisione — la parte in cui avete già deciso che un modello audio ospitato gestisce il vostro traffico live, e la domanda diventa quale modello ospitato, a quale prezzo, con quale fallback quando una sessione fallisce. Questo è un problema di routing tra oltre 200 modelli dietro un'unica chiave, al prezzo di listino del provider senza alcun ricarico aggiunto, così una variazione di prezzo del fornitore vi raggiunge lo stesso giorno anziché al rinnovo contrattuale successivo.

Per un team che verifica se un checkpoint audio aperto merita traffico di produzione, il pattern utile è mantenere il percorso ospitato come fallback e spostare gradualmente il volume su Ming self-hosted. Il failover automatico è ciò che rende quella migrazione reversibile invece di una scommessa.

Scegliere

Scegli G​emini 3.8 Live se ti serve un agente vocale in produzione entro questo trimestre, se ti servono più di due lingue, se ti servono immagini nello stesso flusso, o se prevedi meno di una dozzina di conversazioni simultanee. Il costo al minuto è contenuto, il carico operativo è zero e il modello è stabile e documentato.

Scegli Ming-3.0-audio-flash se devi possedere i pesi, devi eseguirlo on-premises o in un ambiente air-gapped, hai bisogno di termini MIT, lavori principalmente in cinese e inglese e disponi di otto H800 o di uno scheduler che possa fornirtele. Aspettati di dover fare la tua valutazione, perché nessuno l'ha fatta per te. Aspettati che la toolchain abbia pochi giorni, perché è così. E aspettati che la model card continui a cambiare sotto di te: il suo ultimo commit era il giorno in cui questo è stato scritto.

C'è un terzo caso, ed è il più grande. Se non sai ancora quale dei due sei, non sei pronto a scegliere tra un'API a consumo e un deployment con otto GPU. Fai prima passare cento ore del tuo audio attraverso un modello ospitato, misura l'accuratezza di cui hai davvero bisogno e lascia che sia quel numero a decidere se il checkpoint aperto vale il rack.

Cosa guardare

La cosa che cambierebbe questo confronto non è un benchmark. È un operatore. Nel momento in cui un fornitore di servizi di serving elenca Ming-3.0-audio-flash dietro un endpoint compatibile con OpenAI con un prezzo a ore, l'argomento delle otto GPU smette di essere un problema del lettore e l'ora da $1.38 ottiene un concorrente. Fino ad allora, il riepilogo onesto è che G​oogle vende un minuto e inclusionAI regala una macchina, e i due sono confrontabili solo se possiedi già la macchina.