Ming-3.0-audio-flash vs Qwen-Audio-3.1: una cartella che puoi scaricare contro un catalogo che puoi solo chiamare

C'è una versione di questo confronto che sarebbe facile da scrivere, e sarebbe sbagliata. Metterebbe Ming-3.0-audio-flash e Qwen-Audio-3.1 una accanto all'altra come due modelli audio cinesi, allineerebbe il numero dei loro parametri e dichiarerebbe un vincitore. Il problema è che Qwen-Audio-3.1 non esiste come checkpoint che puoi pesare. Esiste come un insieme di ID di modelli ospitati nel catalogo Model Studio di Alibaba — qwen-audio-3.1-realtime-plus, qwen-audio-3.1-asr-flash-streaming, qwen-audio-3.1-asr-flash-filetrans — senza pesi pubblicati su Hugging Face e senza un numero pubblico di parametri. Ming-3.0-audio-flash è l'opposto: 126 miliardi di parametri totali, 6,5 miliardi attivi, licenza MIT, dentro un repository che cloni. Uno è una cartella. L'altro è una linea di prodotti che noleggi per chiamata. Ogni domanda significativa su questi due deriva da quell'asimmetria, e nessuna delle solite domande da tabella di benchmark può ricevere alcuna risposta. I guasti documentati dell'IA e gli incidenti degli agenti dietro rilasci come questo sono raccolti in the OrcaRouter AI Incident Archive dove ogni voce riporta le proprie fonti, la gravità, il grado di confidenza e il flag di contestazione.

La genealogia merita un paragrafo, perché spiega perché i due sembrano comparabili quando non lo sono. Ming-3.0-audio-flash è arrivato come weights-first: caricato su Hugging Face il 3 settembre 2026 senza alcun annuncio, per poi restare inutilizzabile per sei settimane finché il codice di serving e gli esempi non sono stati pubblicati tra il 15 e il 19 ottobre. Qwen-Audio-3.1 è arrivato come catalogue-first: tre ID modello elencati nella documentazione di Model Studio di Alibaba Cloud sotto riconoscimento vocale e speech-to-speech, descritti con una riga ciascuno, con le pagine di dettaglio che non riportavano le specifiche. Questi sono i due pattern di rilascio dominanti del 2026 in un unico confronto — il laboratorio aperto che pubblica un repository e lascia che il mondo se ne accorga, e il cloud che pubblica SKU e lascia che sia la documentazione a fare da lancio.

Cosa ti dà davvero ognuno

• Cosa ricevi — Ming: un checkpoint MoE da circa 126B parametri, processore, tokenizer, asset Talker, script di serving ed esempi. Q​wen-Audio-3.1: credenziali API e tre nomi di endpoint.

• Cosa puoi ispezionare — Ming: architettura, licenza, pannelli di benchmark, YAML di deployment, preset vocali. Q​wen-Audio-3.1: un'etichetta di categoria e una descrizione di una frase per SKU.

• Licenza — Ming: MIT, pesi e codice. Qwen-Audio-3.1: i termini commerciali di Model Studio; non esiste una licenza per i pesi perché non ci sono pesi.

• Dove viene eseguito — Ming: le tue GPU, il tuo rack, il tuo air gap. Q​wen-Audio-3.1: l'infrastruttura di A​libaba, nelle regioni in cui opera.

Modalità di errore — Ming: il pager è tuo. Qwen-Audio-3.1: un problema di quota, di regione o di account è un ticket per il supporto.

• Prezzo — Ming: hardware. Qwen-Audio-3.1: non pubblicato nell'indice dei modelli; servono le pagine di dettaglio o la console.

Quell'ultima riga non è un modo per eludere la questione. L'indice dei modelli di Model Studio elenca i tre ID Q​wen-Audio-3.1 nelle rispettive categorie e non riporta prezzi, finestra di contesto o copertura linguistica in quella pagina. La documentazione di dettaglio collegata non risultava accessibile al momento della verifica. Dire "Q​wen-Audio-3.1 costa X" significherebbe inventare una cifra, e la natura del prodotto implica che la cifra cambierebbe comunque.

I tre SKU non sono un unico modello, e questo è importante

Questa è la parte che sfugge alla maggior parte dei confronti. Qwen-Audio-3.1 non è un'unica cosa su cui fare benchmark. Il catalogo lo suddivide in tre:

qwen-audio-3.1-asr-flash-streaming è il riconoscimento vocale fornito come stream: il caso d'uso realistico sono i sottotitoli in tempo reale o una trascrizione della chiamata che arriva mentre la chiamata è in corso.

qwen-audio-3.1-asr-flash-filetrans è lo stesso compito di riconoscimento, ma eseguito in batch su un file. "Flash" in entrambi i nomi suggerisce un livello orientato a velocità e costo anziché alla qualità, sebbene Alibaba non documenti questa distinzione nell'indice.

qwen-audio-3.1-realtime-plus è quello interessante. L'indice lo descrive come "conversazione vocale end-to-end senza chiamate ASR e TTS separate" — un endpoint speech-to-speech, e il plus implica che sia il più completo di due livelli realtime.

Ming-3.0-audio-flash li fonde in un unico artefatto. Riconoscimento, comprensione di audio lunghi, ragionamento audio e output vocale opzionale sono modalità dello stesso checkpoint, selezionate tramite prompt e profilo di servizio anziché scegliendo uno SKU diverso. Il repository include un profilo ASR, un profilo testuale e un profilo di output audio; il prompt ASR chiede al modello di indicare la lingua parlata e di inserire una tabulazione tra l'etichetta e la trascrizione.

Quale configurazione sia migliore dipende da ciò che stai costruendo. Tre SKU significano che paghi per il riconoscimento quando ti serve solo il riconoscimento e non sopporti il costo di inferenza di un modello da 126B per un'attività di trascrizione. Un solo checkpoint significa che la trascrizione e l'analisi della trascrizione provengono dallo stesso modello, senza perdita di serializzazione tra di esse — nessuna modalità di errore del tipo "ASR ha detto 'their', il modello di ragionamento ha indovinato male", perché non c'è un secondo modello.

Perché non c'è un benchmark onesto qui

Ming-3.0-audio-flash pubblica tre pannelli di valutazione — riconoscimento vocale, intelligenza audio, testo — come immagini nel suo repository GitHub. Tutti i valori sono percentuali, più alti è meglio tranne dove una freccia indica il contrario, e i risultati contrassegnati da un asterisco sono quelli del team. Il repository aggiunge una nota secondo cui i modelli di confronto sono stati riprodotti con la configurazione di valutazione di inclusionAI e potrebbero differire dai rapporti ufficiali di tali modelli a causa di prompt, impostazioni di decodifica, versioni e pipeline.

Qwen-Audio-3.1 non pubblica alcuna tabella di benchmark nella sua pagina indice. Anche la sua documentazione dettagliata non ne espone una. Non esiste quindi un set di test condiviso, né una configurazione di decodifica condivisa, né una parte indipendente che abbia valutato entrambi.

L’unica affermazione difendibile è negativa: nessuna delle due parti dispone di un numero rispetto al quale l’altra possa essere confrontata. Se un articolo comparativo vi mostra Ming-3.0-audio-flash e Qwen-Audio-3.1 in colonne adiacenti con percentuali, ha combinato un’autovalutazione del fornitore con un’API non misurata, ed è la disposizione delle colonne a fare opera di persuasione.

La questione dei costi, riformulata

Poiché le tariffe per token o per secondo di Q​wen-Audio-3.1 non figurano nell'indice pubblico, il confronto utile non è tra prezzo e prezzo, ma tra struttura dei costi e struttura dei costi.

La tariffazione pay-per-call ha un enorme pregio: segue esattamente il tuo utilizzo ed è pari a zero quando il tuo utilizzo è zero. Per un prodotto con traffico a picchi — un team di compliance che trascrive mille chiamate l'ultimo giorno del trimestre e nulla per undici settimane — è decisivo. Non puoi battere la fatturazione per chiamata con GPU di proprietà su un carico di lavoro a picchi, perché le GPU vengono fatturate durante le settimane di inattività.

I pesi posseduti hanno la virtù speculare: il costo marginale della millesima ora è quasi zero e non cambia quando un fornitore rivede i prezzi. Per un prodotto con carico costante — un contact centre operativo al 60% della capacità ogni giorno feriale — il costo fisso si ammortizza e il valore per ora scende sotto qualsiasi tariffario. Il punto di crossover è un calcolo di utilizzo, non un benchmark, ed è diverso per ogni team.

La soglia hardware di Ming è il numero che decide. Il profilo di riferimento per il contesto completo da 128K con output vocale è il parallelismo tensoriale su otto H800 da 80 GB. Esiste un profilo SGLang validato su quattro GPU, ma è solo testo — si perde il Talker. Su quattro GPU il confronto è Ming come trascrittore contro gli SKU ASR di Qwen; su otto è Ming come conversazione contro qwen-audio-3.1-realtime-plus. Sono due decisioni diverse e vanno prese separatamente.

Qui è nella fase di prova che un router si guadagna il suo posto. Non vuoi scoprire che un checkpoint aperto offre prestazioni inferiori sul tuo audio dopo aver acquistato il rack. Eseguire le SKU hosted e il candidato self-hosted dietro un unico endpoint ti consente di confrontarli in A/B sullo stesso traffico: oltre 200 modelli su un'unica chiave, prezzo di listino del fornitore trasferito senza alcun ricarico, failover automatico se un percorso peggiora. Quando il lato self-hosted vince sulle tue registrazioni, sposti la percentuale; quando non lo fa, nulla si rompe.

Lingue, dialetti e la cosa che dicono entrambe le carte

Ming-3.0-audio-flash elenca cinese e inglese, "inclusi accenti e dialetti variegati", e i suoi punti salienti menzionano registrazioni con più parlanti e ambienti rumorosi. Questa formulazione è abbastanza specifica da poter essere verificata e abbastanza vaga da meritare un controllo: "accenti e dialetti variegati" in un modello audio cinese di solito significa accenti regionali del mandarino e almeno una o due varietà yue, ma la scheda non le enumera.

La copertura linguistica di {{1}}Qwen-Audio-3.1{{/1}} non è indicata nella voce dell'indice. La linea audio più ampia di {{2}}Alibaba{{/2}} ha storicamente coperto un'ampia gamma di lingue e dialetti cinesi, ma la copertura di un prodotto affine non costituisce la documentazione di questo prodotto, e la posizione ragionevole è che il numero sia sconosciuto finché la pagina di dettaglio non indica il contrario.

Entrambi i modelli provengono da laboratori cinesi ed entrambi saranno più forti là dove i loro dati di addestramento erano più densi. Nessuna delle due schede avanza un’affermazione che si possa falsificare senza far passare dell’audio attraverso il modello. Questo è il test: prendi venti minuti delle tue registrazioni peggiori — quella rumorosa, quella con code-switching, quella in cui tre persone parlano una sopra l’altra — e falle passare attraverso entrambi i modelli. Ti dirà più di qualsiasi grafico pubblicato da uno dei due laboratori.

Cosa cambierebbe il quadro

Due eventi. Primo, se A​libaba pubblica i pesi di Q​wen-Audio-3.1 — la linea Q​wen ha ripetutamente pubblicato i pesi per modelli di testo e visione, quindi non è una fantasia — l'intero confronto si riduce a "due checkpoint MIT o Apache, confrontali sul tuo hardware", e l'impostazione catalogo-versus-cartella cade. Secondo, se un fornitore di serving elenca Ming-3.0-audio-flash dietro un endpoint compatibile con OpenAI con una tariffa pubblicata, la soglia minima di otto GPU smette di essere un problema del lettore e i due prodotti diventano direttamente confrontabili sul prezzo per ora di audio.

Nessuna delle due cose è accaduta. Al momento in cui scriviamo, la famiglia Q​wen-Audio-3.1 è invocabile e non ha pesi disponibili; Ming-3.0-audio-flash ha pesi disponibili e non è invocabile, se non su hardware fornito da te. Questo è l'intero confronto, ed è un confronto sulla distribuzione, non sulla qualità audio.

Come decidere questa settimana

Se oggi ti serve un endpoint speech-to-text e sei già su Alibaba Cloud, le SKU ASR di Qwen-Audio-3.1 sono la via più rapida e il rischio operativo è una quota anziché un pager. Se ti serve speech-to-speech nello stesso stack, qwen-audio-3.1-realtime-plus è l'opzione documentata e il suo prezzo è una questione da console, non da blog.

Se devi possedere il modello — per esigenze normative, per ambienti air-gapped o semplicemente per la convinzione che il tuo audio sia la risorsa e che il modello non debba essere noleggiato — Ming-3.0-audio-flash è l’unico dei due che te lo consente. Prevedi in budget otto H800 per il profilo completo, quattro per il solo testo e una settimana di valutazione autonoma prima di credere a qualsiasi cosa nelle immagini dei benchmark.

E se non sei sicuro di quale di questi tu sia, la risposta è nessuno dei due, per ora. Fai passare il tuo audio attraverso un endpoint ospitato, misura il tasso di errore con cui puoi convivere e lascia che sia quel numero a dirti se vale la pena acquistare l'hardware. La scelta del modello è a valle di quella misurazione, non a monte.