LFM3-Omni-2B 対 Ming-3.0-audio-tiny：特化型モデルに対するスタック代替

2つのモデルはどちらも小型として売り出され、どちらも音声で応答できるが、共通点はほとんどない。LFM3-Omni-2Bは、Liquid AIによる21.7億パラメータのデンスチェックポイントで、テキスト、画像、動画、音声を入力として受け取り、テキストまたは24 kHzの音声を返す。Ming-3.0-audio-tinyは、inclusionAIによる93億パラメータのMixture-of-Expertsモデルで、1ステップあたり27億パラメータがアクティブになり、音声とテキストを入力として受け取り、テキストまたは44.1 kHzの音声を返す。一方はアシスタントスタック全体を置き換えようとしており、もう一方は可能な限り最高の耳になろうとしている。スペシャリストとジェネラリストを1つのキーの背後に置ける。1つのエンドポイントリクエストはルールに従ってルーティングされ、経路に障害が発生した場合は自動フェイルオーバーが行われる。

この命名は、本来不要なほど話を複雑にしている。Mingファミリーにおける「Tiny」は、絶対的なサイズではなく、Ming-3.0-audio-flashとの相対的な位置づけを指す。合計9.3Bなので、パラメータ数はLiquidモデルの4倍超だ。また、LFM3-Omni-2Bは視覚を後付けした音声モデルではなく、たまたま音声経路を持つ汎用マルチモーダルモデルである。両者を項目ごとに比較するのは、双方にとって不公平だ。両者が果たす役割で比較することだけが、意味のある比較なのだ。

それぞれが実際に何なのか

Ming-3.0-audio-tiny はネイティブな音声言語モデルです。音声エンコーダーとプロジェクターがスパース MoE 言語バックボーンに接続され、別個の Talker ステージが、要求に応じて音声を生成します。中国語と英語を扱い、アクセントや方言にも対応し、参照クリップとトランスクリプトからの音声クローニングをサポートします。重みは MIT ライセンスで、Hugging Face と ModelScope で利用可能です。MLX および GGUF 向けのコミュニティ量子化が存在し、それを基に構築された低遅延音声アシスタントの動作する ROCm デモもあります。リポジトリは2026年9月上旬にアップロードされ、カードと設定は10月中旬に更新されました。実質的に使用可能になったのはその時です。

LFM3-Omni-2Bは逆の構成である。単一のデンスなトランクに、視覚エンコーダー、因果的オーディオエンコーダー、音声出力用のLiquidCodecを備え、1組の重みで4つの入力モダリティと2つの出力モダリティを扱えるように学習されている。2026年10月27日に、Liquidの6モデルからなるLFM3ファミリーの一分岐として公開されたが、単独の発表も独立した評価もなかった。カードには2.17Bパラメータ、32,768トークンのコンテキスト、LFM Open License v1.0が記載されている。

• アーキテクチャ — 2.17Bの密なany-to-anyモデルに対し、総パラメータ9.3B・トークンあたり2.7BアクティブのスパースMoE、さらに独立した音声Talkerを組み合わせた構成。

• 入力 — テキスト、画像、音声付き動画、16 kHz音声 対 音声とテキストのみ。

• 音声出力 — LiquidCodecによる24 kHz、Talkerによる44.1 kHzモノラルと比べてリアルタイムより高速にストリーミング、名前付きプリセット音声とクローニングに対応。

• 言語 — 中国語と英語に対し、方言を含む16のテキスト言語と19の音声ロケール。

• コンテキスト — カードには32,768トークンと記載されている一方、カードにはコンテキストウィンドウの記載なし。公開されている設定には131,072トークンの位置バジェットが記述されている。

• ライセンス — 収益しきい値付きのLFM Open License v1.0とMITとの比較。

• フットプリント — BF16で約4.3 GB、BF16でおよそ21 GB、int8のエキスパート量子化により約12.5 GBになります。

本当に重なり合っている2つの行

ラボ横断のベンチマーク表はほとんど見せかけだ。なぜなら、各ラボが独自のハーネスを選ぶからだ。ここでは重なりが小さく、正確に述べられる。2つのデータセットが両方のベンダー報告に現れており、どちらも方法論がかなり標準的な音声タスクだ。

• 英語ASR単語誤り率 — LFM3-Omni-2Bは6.36、Ming-3.0-audio-tinyは4.36。低いほど良く、Mingは2ポイント差で先行しており、誤りはおよそ3分の1少ない。

• VoiceBench — 64.73 対 74.29。Ming は音声指示への追従と音声アシスタントの挙動において 9.6 ポイント先行しています。

両モデルが測定するタスクでは、専門特化モデルが勝ち、それは想定どおりの結果です。Mingは聴覚と音声に27億のアクティブパラメータを費やしています。LFM3-Omni-2Bは聴覚、音声、視覚、読解に同時に21.7億を費やしています。容量を4方向に分割していないモデルは、それが機能する1方向において優れているはずであり、実際にそうなっています。

Mingが報告しているがLFM3-Omni-2Bにはない項目は、より長いリストだ。中国語ASRの文字誤り率3.79、方言文字誤り率10.29、BigBenchAudio 99.20、MMAU 75.90、MMAU-Pro 56.42、長尺音声精度56.39、BFCL-v3 Audio 79.80。これらはこのサイズのモデルとしては強い数値であり、マルチモーダル表の1列としてではなく、音声推論に特化して評価されたシステムを表している。Liquidのカードで最も近い相当値は、音声理解のMMAR 51.40とツール呼び出しスコア52.20だが、そのツール呼び出しベンチマークはBFCL-v3 Audioと同じテストではなく、この2つの数値を並べることは、このブログが避けるために存在する種類の比較だろう。

この対戦では決着をつけられないベンチマーク

興味深い問いは、どのモデルがよりよく聞こえるかではない。単一のオムニモデルが、パイプラインにはできない音声視覚推論を行えるかどうかだ。Ming-3.0-audio-tinyには視覚経路がまったくない。フレームを見て何が起きているかを説明することはできず、動画を見ながらその動画のサウンドトラックについての質問に答えることもできない。LFM3-Omni-2Bはその両方ができ、Liquidはまさにその能力についてDaily-Omni 70.09とWorldSense 47.10を報告している。

それらの数値にはMingのカードに対応する項目がない。Mingはそのタスクを試みていないからだ。したがってこの比較は品質の問題ではなくスコープの問題に帰着する。アプリケーションが音声ストリームへの音声インターフェースなら、Mingはより有能な耳であり、稼働時の計算量もより小さい。アプリケーションがカメラ＋マイク＋スピーカーなら、LFM3-Omni-2BはMingがどのサイズでもできないことをしており、音声のギャップはカメラに対して支払う代償だ。

その代償は小さくない。音声インターフェースにおける英語の単語誤り率2ポイントの差は、ざっと目を通せる文字起こしと、修正が必要な文字起こしの違いになる。音声経路が主製品で、視覚がおまけなら、たとえ2つのチェックポイントが必要になっても、音声にはMingを使い、フレームには別の視覚モデルを使うのが正直な推奨だ。

メモリの請求額は、ベンチマークよりも多くのデプロイを左右する。

Ming-3.0-audio-tinyはBF16で約21GBの重みを必要とし、int8エキスパート量子化なら約12.5GBです。また、音声出力を含む完全なデプロイでは、ThinkerとTalkerを2台のGPUに分割できます。LFM3-Omni-2Bは約4.3GBで済みます。これは小さな差ではありません。ミッドレンジGPU1台で済むか、それを前提に計画を立てなければならないマシンが必要かの差であり、スマートフォンで済むかサーバーが必要かの差です。

比較は、何を測定するかによって逆転する。Mingの2.7Bのアクティブパラメータは、総サイズにもかかわらずトークンあたりのコストを安くする。これこそがスパースMoEの要点だ。LFM3-Omni-2Bは密であるため、すべてのトークンに2.17B全体のコストがかかる — しかしモデル全体がメモリのほんの一部に収まり、Mingには扱えないハードウェアで動作する。

ここでルーティングの経済性が具体的なものになります。OrcaRouter プロバイダーの定価をマークアップなしでそのまま通します。そのため、安価な専門モデルと高価な汎用モデルが、2つ目の契約を結ぶことなく1つのキーの背後に並ぶことができ、ベンダーの価格変更は次回の更新時ではなく当日に請求へ反映されます。LFM3-Omni-2BもMing-3.0-audio-tinyも現在当社のカタログには掲載されていないため、これはプラットフォームが価格をどのように設定するかについての説明であり、今すぐ当社経由でどちらかのモデルを呼び出せるという主張ではありません。しかし、これら2つのモデルが生み出すパターン — よくあるケースには安価な専門モデル、難しいケースには汎用モデル — はまさにルーターのためのパターンです。

ライセンスの問題、それが本当の分岐点だ。

Ming-3.0-audio-tinyはMITです。LFM3-Omni-2BはLFM Open License v1.0の下にあり、これは収益しきい値によって商用利用に別途の取り決めが必要かどうかが決まる独自の契約です。研究用プロトタイプなら、その違いは学術的なものです。製品となれば、法務が最初に尋ねる事項であり、どんなに大きなベンチマークの差もそれを覆し得ます。

MITライセンスは、Mingにすでにコミュニティポートが存在する理由も説明している。MLXビルド、GGUF量子化、ROCm音声アシスタントのデモだ。これらが存在するのは、ライセンスによって簡単に実現できたからであり、そのおかげでMingは今日、Liquidが一度もテストしたことのないハードウェア上でもデプロイ可能になっている。LFM3-Omni-2Bは10月27日に公開され、ダウンロード数は83で、文書化されている提供経路はテキスト出力専用の1つだけだ。そのエコシステムはまだ存在しない。

実用上の非対称性は歴然としている。音声精度、アクティブパラメータあたりのメモリ効率、中国語および方言の言語カバレッジ、音声クローニングとライセンスの自由度においては、Ming-3.0-audio-tiny が現時点でより安全な選択だ。モダリティのカバレッジと素のフットプリントにおいては、LFM3-Omni-2B は二者のうち部屋を見てそれについて語ることのできる唯一のモデルである。

誰がどれを拾うべきか

音声製品——文字起こし、音声対話、声のクローニング、通話分析——を構築していて、視覚機能が不要な場合、または別の視覚モデルと組み合わせる用意がある場合は、Ming-3.0-audio-tiny を選んでください。MIT ライセンス、既存の量子化、2点の ASR 上の利点により、より低リスクなデプロイとなり、その疎なアーキテクチャは 9.3B の総パラメータ数にもかかわらずトークンあたりのコストを抑えます。

デバイスにカメラとマイクがあり、制約がメモリであるなら、LFM3-Omni-2Bを選んでください。見て、聞いて、話す4.3 GBのチェックポイントは、21 GBの音声スペシャリストとは別カテゴリのオブジェクトであり、ASR精度がどれほど高くても、収まらないモデルを補えるものではありません。あなたが買っているのは深さではなく広さであり、それに付随するすべての音声数値はベンダー報告で再現されていないことを受け入れてください。

どちらのモデルカードにも書かれていないのは、両者が同じアプリケーションでどう振る舞うかだ。同じ音声、同じデバイス、同じレイテンシ予算というそのテストは、この2社の外の誰も実施していない。それが実施されるまでは、判断は精度ではなく、今日時点で把握できるスコープとライセンスに基づくことになる。精度は現時点では分からないからだ。