Ming-3.0-audio-flash、自身のモデルカードより6週間早く出荷されていた

1,260億パラメータの音声言語モデルは2026年9月3日からHugging Faceでダウンロード可能で、その実績として示されているのは22回のダウンロードと8件のいいねだけだ。今週まで、このリポジトリに添えられていた唯一の説明は、自らを「Ming Audio V3」と名乗り、リポジトリは「現在ASRパスを文書化している」と述べる古びたカードだった。Ming-3.0-audio-flashが現在の名称だ。重みは新しいものではない。2026年10月13～19日に届いたのは、訓練していない人でもチェックポイントを使えるようにするために必要なすべてだ。すなわち、ようやく128Kコンテキストをうたう設定、動画言語音声モデルをTransformers 5のコードパス上で音声専用モデルに変える再アップロード、2つの参照クリップを備えたボイスパック、そしてこのリポジトリが初めて持つ本物のモデルカードだ。inclusionAIはそのどれも発表していない。第三者によるこのモデルの数値は一件も公開されていない。したがって以下の内容はすべて、コミット履歴から直接読み取ったものか、ベンダー自身の評価画像から引用したものだ。だからこそ冒頭で述べておく価値がある。モデルは9月のもので、今週のものはドキュメントだけだ。このようなリリースの背後にある、文書化されたAIの失敗とエージェントのインシデントは、OrcaRouter AI Incident Archiveに収集されており、各エントリには独自の情報源、重大度、信頼度グレード、異議ありフラグが付いている。

何が変わったのか、そしてそれはいつなのか

コミットログは異例なほど読みやすく、モデルカードが語らない物語を明かしている。リポジトリは2026年9月3日11:49 UTCに作成され、中身はファイル1つ、.gitattributesだけだった。9分後、合計257 GBの25個のsafetensorsシャードが「Add files using upload-large-folder tool」というタイトルのコミットの下に置かれた——これは製品チームがローンチを準備するのではなく、学習チームがチェックポイントをプッシュする際の典型的な痕跡だ。付属のREADMEはApache 2.0を宣言し、リポジトリにautomatic-speech-recognitionタグを付け、モデルのインスタンス化にはtrust_remote_code=Falseを使うよう指示していた。

それからリポジトリは6週間静かになった。再び動き出したとき、7日間で4回動いた。

• 10月13日 12:17 UTC —「config.jsonをアップロード」。ファイルは1つだけ、しかも興味深いのは：max_position_embeddingsが8,192から131,072に変わります。リポジトリ内で他に何も変わっていないため、2日間のあいだ、このリポジトリは128Kコンテキストを謳っていながら、それを利用できるモデリングコードを一切備えていませんでした。

• 10月15日 09:35 および 09:40 UTC —「Remove deprecated files」に続く「Upload updated model」。重みのレイアウトは変わらなかったが、46 個のファイルが書き換えられ、最初のシャードは 10.64 GB から 9.77 GB に減った。設定のオーディオのmodel_typeはbailing_moe_v3_vl_audioからbailing_moe_v3_audioに変わり、残っていたvideo_patch_tokenが削除され、宣言されているtransformers_versionは 4.56.2 から 5.14.1 へと跳ね上がり、auto_mapにはAutoModelとAutoProcessorのエントリが加わった。これらは以前は存在しなかった。同じプッシュで、README と examples/ フォルダが消えた — その後 4 日間、リポジトリにはモデルカードがまったく存在しなかった。

• 10月17日 11:44 UTC —「ボイスプリセットを追加」voice_presets/フォルダが現れ、US_James.wav、灵楷.wav、およびそれらの書き起こしを収めたvoice_prompts.jsonが含まれる。

• 10月19日 11:35 UTC 以降 —「Add model card」、続いてアセット、さらにナビゲーションとリンクの整列を整える十数件の小さなコミットが続き、13:20 UTC の「Add Tiny model link」で終わる。これはモデル名を変更し、ライセンスメタデータを MIT に変え、ASR 経路ではなく完全な音声言語モデルを説明する 8,259 バイトのカードを追加したコミットだ。これが置き換えた README は4日前に削除されていた。そのさらに前の9月のバージョンは「Ming Audio V3」というタイトルで、Apache 2.0 を宣言していた。

知っておく価値のある2つ目のリポジトリがあります。Ming-3.0-audio-tinyは、flashモデルと同じ瞬間、9月3日11:45 UTCに作成され、10月19日に同じ扱いを受けました。これはより小さい兄弟分です。総パラメータ9.3Bでアクティブ2.7B、MIT、4つのシャードにまたがって約21 GB、ダウンロード数は3回です。

実際にダウンロードできるもの

設定は公開されているので、アーキテクチャは謎ではない。今週変わったのは、設定とコードがようやく一致したことだ。カスタムモデリングファイルは最初のアップロード以降リポジトリに存在していた——modeling_bailing_moe_v3_audio.py と processing_bailing_moe_v3_audio.py はどちらも9月3日には存在していた——しかし、それらが読み込むはずだった設定は、8Kウィンドウを持つビデオ・言語・音声モデルを記述しており、モデルカードは trust_remote_code=False でインスタンス化するよう指示していた。これはカスタムコードに必要なこととは正反対だ。10月15日の再アップロードは、audio_config.model_type が bailing_moe_v3_audio を指し、ビデオパッチトークンは消え、宣言されたランタイムは transformers_version 5.14.1 であり、auto_map は AutoModel と AutoProcessor を、もともと存在していた2つのエントリと並んで登録するバージョンだ。

• サイズ — 言語モデル用の合計256 GBの25個のbfloat16 safetensorsシャードに加え、talker/ にある3 GBのTalkerとVAEのペアです。小型モデルは4つのシャードで約21 GBです。

• バックボーン — 42 層、隠れサイズ 2,560、512 エキスパート（トークンあたり 8 個がアクティブ）、語彙数 157,184。カードによると、合計 126B、推論ステップあたり 6.5B がアクティブです。

• オーディオタワー — 32層、幅1,280、20ヘッド、128メルビン、3,000フレームの音声コンテキストを備えたWhisper形式のエンコーダー。音声トークンIDは157,168です。

• コンテキスト — 131,072 ポジション。9月3日の設定では8,192でした。そして、それを最初に引き上げた10月13日の設定も、依然として自身をbailing_moe_v3_vl_audioと呼んでおり、ビデオパッチトークンも引き続き含んでいました。クリーンな音声のみのバージョンは10月15日のものです。

• 出力 — テキスト、またはオプションのTalkerを通じたテキストと合成音声。カードにはデフォルトのIP音声、灵小柔、および2つのプリセット参照音声、灵楷とUS_Jamesが記載されており、これらの音声とトランスクリプトはどちらもリポジトリ内にあります。

• ライセンス — MIT。10月19日まではApache 2.0でした。リポジトリ自体にはLICENSEファイルが含まれていないことに注意してください。MITという主張はカードのメタデータとGitHubパスへのリンクにあり、リポジトリ内に実際に存在する唯一のライセンス条文は、talker/data/.

クイックスタートはまだ解決されません

これは、モデルを評価しようと計画している読者が何よりも先に必要とする部分であり、カードには載っていません。カードのインストールブロックはgithub.com/inclusionAI/Ming-3.0-audio-flashをクローンします。このURLは現在、WebからもAPIからもHTTP 404を返します。カードがその上に構築するすべてのパスも同様です：examples/transformers_audio.py、examples/transformers_thinker_talker.py、docs/voices.md、scripts/serve_vllm_omni.sh、scripts/serve_sglang.sh、およびrequirements-transformers.txt。

Hugging Face リポジトリにも、それらはどれも存在しません。リポジトリには examples/ ディレクトリもなく（以前のものは9月17日に削除されました）、scripts/ も、docs/ も、talker/ の外側にある requirements ファイルもありません。一方、含まれているのは Transformers でモデルを直接読み込むために必要なすべてであり、カードでも Python スニペットとして記載されています: AutoProcessor を use_fast=False で使用し、AutoModelForCausalLM を bfloat16 で、device_map="auto" を指定して使用し、trust_remote_code=True を指定し、音声は processor(messages) を通し、audio_feats をモデルの dtype にキャストします。

正直な状況はこうです。モデルは読み込めますが、現時点では読者が閲覧できるサービング用スクリプトは存在せず、カードはまだ公開されていないリポジトリについて説明しています。これはスキャンダルではありません——コードのプッシュの数時間前にドキュメントが届くのはよくあることです——しかし、それは下記の2つのデプロイ手順を監査できず、引用しかできないということを意味します。このチェックポイントを検討する人は皆、Transformersの経路を前提にすべきで、リモートコードを有効にする前にmodeling_bailing_moe_v3_audio.pyを読むべきです。カード自体もそう勧めています。

確認できるのはトークン化契約であり、カードはそれについて異例なほど具体的です。検証済みのASRプロンプトは、モデルに話されている言語を明示し、言語ラベルと文字起こしの間にタブを入れるよう求めています。評価ハーネスを書いているなら、そのタブがパーサーです。汎用的な「これを文字起こしして」というプロンプトは、ベンダーが測定した構成ではありません。

inclusionAI が公開した表（失われる列を含む）

3枚のPNG画像assets/にあり、評価を担っています。そこに記載されたすべての数値はinclusionAI自身による実行結果です。アスタリスクはベンダーが自己評価とラベル付けした項目を示しており、そのいずれも第三者によって再現されていません。Artificial Analysisは音声リーダーボードを公開していますが、このモデルの項目はありません。アリーナスコアも、独立したEloも、第二の意見もありません — したがって、以下はベンダーが自社モデルについて説明しているものとして読んでください。それはまさにそのとおりなのです。

音声認識のイメージはこのケースで最も強い部分であり、モデルが明らかに狙って作られた軸において強い。中国語のテストセットで平均すると、flashモデルは3.45、Qwen3.8-Omni Flashは3.54、Gemini 3.8 Flashは9.83となっている。英語では3.69対4.02、および5.05。方言では差が急激に広がる：

• 方言平均 — Ming-3.0-audio-flash 9.40、Seed2.0 Lite 13.01、Qwen3.8-Omni Flash 11.58、Gemini 3.8 Flash 48.41。

• 福建語 — 同じ3つでは49.95、28.08、81.62であるのに対し、12.84。

• 上海語 — 26.32、21.10、88.64に対して11.15。

• 広東語 — 6.64、4.76、42.62に対して4.09。これはQwen3.8-Omni Flashとはほぼ互角で、Gemini 3.8 Flashには完勝だ。

• 湖北 — 9.46 対 11.35、7.75、48.24。この行では Qwen3.8-Omni Flash が勝利し、それでもベンダーはそれを掲載した。

• 湖南省 — 8.76 対 20.30、17.11、71.39。

同じ構図も、タスクが文字起こしではなくなると、あまり有利には見えません。話者ダイアリゼーションでは、AISHELL-4でFlashモデルのダイアリゼーション誤り率が8.58、Qwen3.8-Omni Flashが2.80と報告されています。AliMeetingでは8.66対3.40、AMIでは25.29対MiMo-V2.6 Proの11.16です。問題が「何が言われたか」ではなく「誰がいつ話したか」なのであれば、これはベンダー自身の表が推奨するモデルではありません。AMIにおける長文連結最小置換文字誤り率も同じことを物語っています。Flashモデルが39.62、MiMo-V2.6 Proが30.91、Qwen3.8-Omni Flashが23.19です。

音声インテリジェンスの分野は、この主張が弱まる領域だ。モデルは見出しとなる項目——BigBenchAudio 99.40、MMAU 82.00——では勝っているが、短い録音を描写するのではなく長い録音全体にわたる推論をタスクが要求するほぼすべての場面で後退している。

• LongAudioSpan — 41.12（Seed2.0 Lite は 50.26、Qwen3.8-Omni Flash は 66.40）

• Long-audio Chainスコアは12.31で、Qwen3.8-Omni Flashの34.54、そのthinkingモードの48.70、Gemini 3.8 Flashの49.63と対比されます。これはベンダーが公表を選んだ指標における4倍の差です。

• MMAR — Seed2.0 Liteの77.70に対して74.40。MMSU — 82.10に対して78.82。AudioMarathon — 70.06に対して68.41。

• ツール呼び出し — BFCL-v3 Audio は 81.40 で、Seed2.0 Lite の 75.08 および Gemini 3.8 Flash の 86.68 に対して。

テキストベンチマークは最も驚きが少なく、最も有用だ。モデルが何ではないかを示しているからだ。一般推論では、Flashモデルは比較対象のOmniモデルをほぼすべての行で下回る。GPQA Diamondは82.45で、Qwen3.8-Omni Flashの91.00に対して不利だ。MMLU-Proは80.00対87.70、IFBenchは59.00対81.50、LiveCodeBench v6は79.90対92.60、AA-LCRは73.90対80.00となっている。バックボーンは6.5Bアクティブの音声専門モデルであり、126Bのパラメータ数をまとっている。テキストの表は、それが外からどう見えるかを示している。会議を聞き、その後のコードを書くという両方を1つのモデルに求めるなら、inclusionAI自身の数字は、このモデルが後半を担うことを期待すべきではないと示している。

運営にかかる費用

2つのサービングプロファイルが挙げられているが、どちらもまだ監査可能ではない。128Kコンテキスト向けのリファレンスvLLM-Omniプロファイルは、8基の80 GB H800 GPUにまたがるテンソル並列処理を使用している。検証済みのSGLangプロファイルは4基のGPUを使用し、テキストのみを返す。これらはベンダーの構成であり、測定値ではない。そして、KVキャッシュを一切含まない重みが256 GBあるため、これより小さいバージョンは存在しない——リポジトリが9月に提供した8K構成でもメモリの下限は変わらなかっただろう。なぜなら下限はチェックポイントそのものだからだ。

実用上の結論は、これはクラスターモデルであり、ワークステーションモデルではないということだ。GPU 4基は本格的なGPUノードとほぼ同じコストだが、80GBを8基となるとまったく別の予算枠になる。Ming-3.0-audio-tinyは、そのような負担なしでファミリーを試したい人への答えだ——21GBとアクティブパラメータ2.7Bなら大型カード1枚に収まる——が、tinyモデルは別のチェックポイントであり、同じ表で一貫して悪い数値を示している（長音声Chainスコアは12.31に対して10.56、LongAudioSpanは41.12に対して35.45、URO-Bench-Proは81.92に対して54.15、VoiceBenchは86.74に対して74.29）。しかも、その挙動が引き継がれることを裏付けるものはベンダーから何も公開されていない。

統合を計画している方に留意いただきたい点として、Talker はオプションであり分離可能です。カードでは、モデルの出力から音声を生成するものとして説明されており、プリセットは独自のフォルダに独自の requirements ファイルとともに配置されているため、テキストのみのデプロイにそれを含める必要はありません。文書化されている両方のサービングプロファイルは、デフォルトでテキストを返します。

ルーターが真価を発揮する場面と、そうでない場面

OrcaRouterはMing-3.0-audio-flashを提供していません。当社のカタログにはなく、そのためのエンドポイントをお渡しすることはできず、本記事のいかなる内容も、それを提供する申し出として解釈されるべきではありません。このようなモデルを中心に構築されたパイプラインにおいてルーターが役立つのは、モデルではない半分の部分です。音声システムは主にテキスト処理です。つまり、音声に対して何を尋ねるかを決めるプロンプト、タブ区切りの言語ラベルを構造化出力に変える後処理、文字起こしから書かれる要約、GPUノードが飽和したときに実行されるフォールバックです。これらは通常のテキスト呼び出しであり、0%のマークアップで200以上のモデルに対応する単一のAPI — プロバイダーの定価がそのまま反映されるため、ベンダーの値下げは当日に当社側でも有効になります — は、4社とのベンダー契約よりも配線が簡単です。自動フェイルオーバーがあれば、新しい実績のないモデルをトラフィックの一部に配置し、経路全体をそれに賭けることなく試せます。

この境界ははっきり述べておく価値がある。なぜなら、それがこの記事がサインアップボックスで終わらない理由そのものだからだ。{{1}}自分の8基のGPUで実行する259 GBのチェックポイント{{/1}}はインフラであり、API呼び出しではない。{{2}}ルーターは呼び出しをルーティングする。{{/2}}それは{{3}}クラスターモデルをホスト型モデルに変える{{/3}}わけではなく、{{4}}22件のダウンロードを本番環境の証拠に変える{{/4}}わけでもない。

何を見るべきか

状況を変える3つのことがあり、いずれもベンチマークとは違う形で検証できます。第一に、GitHubリポジトリ：inclusionAI/Ming-3.0-audio-flashが404を返さなくなれば、配信スクリプトと音声ガイドが実在するものになり、上記の2つのデプロイ手順も監査可能になります。第二に、独立したスコア：Artificial Analysis かアリーナがこのチェックポイントを掲載した時点で、長音声における4倍の差はベンダーの自己申告ではなくなり、データポイントになります。第三に、ライセンスファイル：MITはメタデータで宣言されており、リポジトリ内のLICENSEファイルがあれば、それが主張ではなく事実になります — この違いは、調達プロセスがカードではなくリポジトリを読む人にとって重要です。

それまでは、正確な説明は地味なものにならざるを得ない。本格的な音声言語チェックポイントで、アクセント付きや方言の中国語音声に最も強く、公開されている自社の数値を見る限り長尺音声の推論と話者ダイアライゼーションは弱く、紙の上ではMITライセンスで、ディスク上は約259 GB、そして今週になってようやく文書化された。6週間の沈黙は、inclusionAIが書類を出す前に重みを出荷したという以外、何の証拠にもならない——しかし、書類こそが自分が何をダウンロードしているかを教えてくれる部分であり、それが今、ようやく読める形で存在する。