LFM3-Audio-2B 対 Ming-3.0-audio-flash：8基のGPUで動く「耳」に挑むラップトップ向けチェックポイント

を分ける最初の数字はLFM3-Audio-2BとMing-3.0-audio-flashベンチマークではない。それは8だ。Ming-3.0-audio-flashは、InclusionAIの126Bパラメータ音声言語混合専門家（MoE、6.5Bアクティブ）で、音声出力付きの完全な128Kコンテキストプロファイルを提供するには、8台の80GB H800にまたがるテンソル並列処理が必要だ。4台のGPUでは、Talkerモジュールが収まらないため、テキスト専用の検証済みSGLang経路しか得られない。Liquid AIが2026年10月27日に6モデル構成のLFM3ファミリー内でリリースしたLFM3-Audio-2Bは、2.1GBのOllamaダウンロードとして届く2Bチェックポイントだ。どちらもオープンウェイトである。開発者一人が今日の午後に下せる判断は、そのうちの一方だけである。

その差こそがこの比較のすべてであり、それを品質ランキングとして扱うという明らかな誤りには陥らないようにする価値がある。Ming-3.0-audio-flashはLFM3-Audio-2Bよりはるかに多くを聴き取る。長い録音、複数の話者、音楽、音響シーン、非音声の音だ。LFM3-Audio-2Bはラップトップ上の音声ループ向けに作られている——18言語での認識、合成、翻訳、そして音声によるツール呼び出し。Mingは口が付いた耳であり、Liquidのモデルは耳が付いた口だ。問題は、あなたが実際にどちらの仕事を抱えているかだ。

静かな二隻の船、二つの異なる沈黙

どちらのモデルも従来通りのローンチではなかったが、それぞれの登場の仕方の違いから、各リポジトリに何を期待すべきかが分かる。

Ming-3.0-audio-flashは2026年9月3日に予告なしでHugging Faceにアップロードされ、その後6週間にわたって使用不能な状態が続いた。10月15日から19日にかけて、サービングコード、サンプル、書き直されたモデルカードが公開された。GitHubリポジトリは15日に作成され、モデルカードは19日時点でも編集されていた。Hugging Faceのページには先月22件のダウンロードが表示されている。MITライセンスで、リファレンスデプロイ用のYAMLはリポジトリ内にある。

LFM3-Audio-2Bは10月27日に、Liquidのファミリードロップにおける6モデルの1つとして登場し、LFM3-1.7B-Baseのバックボーンを共有した。オーディオ部門はファミリー投稿の1段落とモデルカードを得ただけであり、単独のオーディオ発表も、Liquidのサイト上での価格項目も存在しない。1日以内に、マージ済みのllama.cppプルリクエスト（#31257）とOllamaビルドが用意された。違いはツール整備の速さであり、ドキュメントの深さではない。Mingにはベンチマークパネルが画像としてあるが、Liquidにはハーネス名の記載がない6行の表がある。

それぞれが聞こえるもの

• 入力 — LFM3-Audio-2B: テキストまたは16 kHz音声。Ming-3.0-audio-flash: 音声とテキスト指示。

• 出力 — LFM3-Audio-2B：テキスト、24 kHz 音声、またはテキストと音声のインターリーブ。Ming-3.0-audio-flash：テキスト、またはオプションの Talker による合成音声付きテキスト。

• コンテキスト — LFM3-Audio-2B：32Kトークン（入力と出力の合計）。Ming-3.0-audio-flash：128Kトークン（10月のコミットで8,192から引き上げ）。

• 言語 — LFM3-Audio-2B: 英語が米国版と英国版として現れるため、18言語が19ロケールとして記載されています。ライブASRは英語のみです。Ming-3.0-audio-flash: 中国語と英語、アクセントや方言を含む — 広東語、上海語、湖南語、福建語がファミリーの対応範囲で挙げられています。

• ライセンス — LFM3-Audio-2B: LFM Open License v1.0、年間売上高1,000万米ドル未満は商用無料。Ming-3.0-audio-flash: MIT。

• ハードウェア最低要件 — LFM3-Audio-2B：GGUF経由でCPU対応、2.1 GB。Ming-3.0-audio-flash：フルオーディオプロファイルには80 GBのH800を8基、テキスト専用なら4基。

言語に関する表記は、この2つが最もよく誤解される箇所だ。18言語は2言語より広く聞こえるし、音声合成に関しては実際に広い。しかしその18言語は主にヨーロッパの言語に加えて日本語、韓国語、中国語であり、LiquidはライブASRを英語に明示的に限定している。Mingの2言語には、長いロケール一覧よりも中国のコンタクトセンターで重要となる方言カバレッジが伴う。音声がコードスイッチングを伴う北京語なら、狭く聞こえるMingの言語表記の方が強い。ノートPCでオランダ語やスウェーデン語の音声が必要なら、LFM3-Audio-2Bが2つのうちそれをうたう唯一のものだ。

唯一一致する数字、そしてそれでもなおそれが結論にならない理由

両ベンダーともVoiceBenchの数値を公表しており、これがここでは最も共通の軸に近いものとなっています。Ming-3.0-audio-flashは86.74を報告しています。LFM3-Audio-2Bは73.13を報告しています。一見すると、これはMingに有利な13.6ポイントの差です。

結果ではなく仮説として扱うべきだ。この2つの数値は、異なるハーネスバージョン、異なるプロンプト、異なるデコーディング設定から得られたものであり、どちらのリポジトリも正確な構成を明記していない。Ming自身の資料は、比較モデルがinclusionAIの評価設定の下で再現されたものであり、プロンプト、デコーディング、バージョン、パイプラインのために公式レポートとは異なる可能性があると警告している。Liquidの表はテストセット名をまったく明記していない。あるベンダーの数値を別のベンダーの数値と比較することは、2つの主張の順序付けであって、2つのモデルの測定ではない。

同じ注意はMingのパネルの残りの部分にも当てはまる。中国語ASR平均CER 3.45、英語WER 3.69、方言CER 9.40、BigBenchAudio 99.40、MMAU 82.00 ——いずれも提供元の報告値であり、いずれも表示専用だ。LFM3-Audio-2Bの英語WER 6.23およびMMAR 50.60と比べると、方向性は一貫している。Mingの方がより優れた聞き手だ。その大きさは、どちらのラボも公表した何ものによっても確立されていない。

ライセンスで得られるもの、そしてそれに伴うコスト

MITの方が明確にクリーンなライセンスであり、比較にならない。LFM Open License v1.0は売上高が一定の基準を下回る場合は無償だが、それを超えると有償の商用ライセンスが必要となる。MITにはそのような基準がない。売上高$10Mを超える成長を見込む企業にとって、この違いは脚注ではなく、調達上の一行の費用項目である。

ライセンス料もまた、コストの小さい方の半分にすぎない。Ming の 8 GPU という最低ラインは、減価償却スケジュール、ラック、ポケベルを伴う資本判断だ。Liquid の 2.1 GB のダウンロードは GGUF 経由でノート PC の CPU 上で動作し、Apple silicon 向けには MLX 4-bit、移植性向けには ONNX Runtime を備える。音声の 1,000 時間目における限界コストはどちらもほぼゼロだが、固定費は 3 桁離れている。

それはMingを高価にするわけではない。Mingを別種の購入にするのだ。ワークロードが安定していて、音声を建物の外に出せないなら、126B earを所有する方が、何年も分単位で支払うより安くつくことがある——分岐点は利用率の計算であって、ベンチマークではない。ワークロードがプロトタイプ、デモ、あるいは音声量がまだ不明な製品なら、8-GPUプロファイルは証拠が揃う前に賭けるようなものだ。

買う前に試す

両モデルに共通する実用的な問題は同じです。モデルカードからは、どちらがあなたの録音で機能するかを判断できません。Mingのサービング経路は、ほとんどのチームが持っていないハードウェアを前提としています。Liquidのものはどこでも動作しますが、独立した評価がありません。どちらの場合も安上がりな方法は、本格的に採用する前に小さなサンプルで測定することです。

OrcaRouter はこれらのチェックポイントのどちらもホストしていないため、ルーティングの売り込みは音声レイヤー自体には当てはまりません。当てはまるのは一段上です。音声パイプラインは音声モデルと、聞こえた内容を分類・要約・ルーティングするテキストモデルで構成され、ルーターが真価を発揮するのはこの2回目の呼び出しです：200以上のモデルを1つのキーで、プロバイダーの定価でマークアップなしに利用でき、プロバイダー間の自動フェイルオーバーも備え、複数を1回の呼び出しにまとめたい場合にはルーティング DSL も使えます。最も出来の悪い録音を20本、音声モデルに通し、次にその文字起こしを同じエンドポイント上の同じ下流モデルに通してください — これなら比較がクリーンに保たれ、コストはほとんどかかりません。

どちらを選ぶべきですか

すでに所有しているマシン上でモデルを動かす必要がある場合、Ming がカバーしていない言語で音声出力が必要な場合、あるいは音声によるツール呼び出しループをプロトタイピングしていてモデルをツールと同じマシンに置きたい場合は、LFM3-Audio-2B を選んでください。認識部分は中位の性能にとどまり、ライブ ASR は英語のみで、しかも llama.cpp ではまだ後続のプルリクエスト段階であることを受け入れてください。

会話ではなく理解が目的なら、Ming-3.0-audio-flash を選んでください。長時間の会議、雑音の多い複数話者の録音、音声推論、または方言の対応範囲が重要な中国語のワークロードに適しています。8基のGPUを予算に組み込むか、4基のGPUによるテキスト専用プロファイルを受け入れてTalkerを諦めてください。そのうえで、どちらかのベンダーのパネルを信じる前に、自分で評価を実行してください。

どちらも選ぶな。ただし、その2つの仕事のどちらを自分が担っているか言えないなら、なおさらだ。モデルはそれぞれ4日前と6週間前のもので、両方とも資料は能力の主張より薄く、共通コーパスでの最初の独立した直接対決は、この記事のあらゆる数値よりも価値があるだろう。それが実現するまでは、ハードウェアの下限が利用可能な最も正直なタイブレーカーだ。片方はノートPCに収まり、もう片方はラックに収まる。