生成されたタイトルカードには「Ming-3.0-audio-flashが音声推論で99.8%を達成し首位」と表示され、サブタイトルには2026年11月18日のArtificial Analysis Big Bench Audioで1位を獲得したこと、およびチェックポイントが9月3日に公開され料金表は示されていないことが記されている。4つの統計チップには「99.8% Big Bench Audio」「42モデル中1位」「最初の音声まで1.12秒」「価格は未公開」と表示されている。フッターには「スコアはArtificial Analysis(2026年11月18日)による。」と記されている。
Engineering & Research

Ming-3.0-audio-flash、Artificial Analysis Speech Reasoningで99.8%を記録し首位 — 1ポイント差、価格は依然未発表

著者

jinhao.song

公開日

最新モデル · 20すべてのモデルを見る →
ベンチマーク:Artificial Analysis · 毎日更新
すべての記事に戻る

Artificial Analysisは現在、Ming-3.0-audio-flashをSpeech Reasoningボード(Big Bench Audio評価)で99.8%の精度で1位に掲載しており、StepAudio 3 Realtimeの99.7%、Q​wen Audio 3.0 Realtime Plusの99.2%、Eleven Realtime v1 Maxの98.8%、G​rok Voice 3.0の98.5%、G​emini 3.8 Live Extended Thinking (High)の97.7%、GPT-Realtime-2.1 Highの95.8%を上回っている。この主張は2026年11月18日08:37 UTCにAnt Lingから発信された。モデル自身のリポジトリが同じ数値とリーダーボード画像を追加するために編集されてから19分後のことだった。そのタイミングがすべてを物語っている。9月にリリースされた時点では第三者スコアがなかったモデルに、今ではスコアがあり、その数値は上限に非常に近い。

何が新しくて何が新しくないのかを正確に言うと——これはローンチではないからだ。inclusionAIは2026年9月3日にMing-3.0-audio-flashの重みをHugging Faceにアップロードしたが、それについて6週間何も言わなかった。モデルカード、サービングプロファイル、サンプルコードが揃ったのは10月15日から19日の間だけだった。今日変わったのは評価であって、チェックポイントではない。safetensorsのシャードは9月の時点と同じバイト列だ。したがって正直に言えば、7週間前のオープンウェイト音声モデルが、作者以外の誰かによって測定され、首位に立ったということだ。

Big Bench Audio が実際にモデルに求めていること

このテストについては具体的に説明する価値がある。というのも、「音声推論」は音声エージェントが会話中に行うことのように聞こえるが、実際にはほとんどそうではないからだ。Big Bench Audioは音声で出題される多肢選択式の設問群である。モデルは録音を聞き、それについての質問を聞くか読むかして、答えを選ぶ。これは、話された文章を文脈に保持し、それに通常の推論を適用する能力を評価する。ターンテイキング、割り込み処理、あいづち、人間のように聞こえる能力は評価しない。それらは別のArtificial AnalysisのボードであるFull Duplex Benchで扱われており、Ming-3.0-audio-flashは現在そこに公開スコアが一切ない。

この区別はここでは通常以上に重要だ。なぜなら99.8%では、この指標にはほとんど余地がないからだ。42モデルのボードでは、1位と5位の差は1パーセントポイントだ。1位と13位のモデル——GPT-Realtime-2.1 High——の差は4ポイントだ。現代のほぼすべてが90点台を取るテストは、分野のトップを区別しなくなったテストであり、StepAudio 3 Realtimeに対する1ポイントのリードは、Artificial Analysisの外部では誰も項目数を確認できないベンチマーク上のほんの一握りの項目にすぎない。ランキングは「このモデルはトップグループに属する」と読むべきだ。それは確かに有用だが、「このモデルは他のすべてより測定可能なほど聴覚に優れている」と読むべきではない。数字はそれを裏付けられない。

見出しではなく戦況の全体像を知りたい人のために、順位表を順番に示します:

• 1 — Ming-3.0-audio-flash、99.8%

• 2 — StepAudio 3 Realtime、99.7%

• 3 — Q​wen Audio 3.0 Realtime Plus、99.2%

• 4 — Phonic 1(高)、98.9%

• 5 — Eleven Realtime v1 Max、98.8%

• 7 — G​rok Voice 3.0、98.5%

• 8 — G​emini 3.8 Live Extended Thinking(High)、97.7%

• 13 — GPT-Realtime-2.1 High、95.8%

A screenshot of the Artificial Analysis Speech to Speech page, showing the site navigation, the page heading, a blurb describing comparison of speech-to-speech models across reasoning quality, conversational dynamics, generation time and price, and two chart panels labelled Speech to Speech Index and Speed & Cost per Hour of Input Audio, plus a Related Links rail. The per-model rows inside the charts are not legible at this size.

ベンダー自身の書類にある一つの細部は、指摘する価値がある。というのも、それは静かに落とされがちな類のものだからだ。10月にアップロードされたinclusionAIのモデルカードにある評価画像では、flashモデルが「BigBenchAudio」で99.40を示している。Artificial Analysisは現在99.8と報告している。これらは類似ベンチマークの異なる2回の実行であり、その差はどちらかの誤りではない。ハーネス、プロンプト形式、項目のサブセットが同一でないときに生じる通常のばらつきだ。また、ベンダーの10月の表と今日の第三者によるボードは、ほとんど同じラベルが付いていても、交換可能な数値ではないという注意喚起でもある。

取締役会が語らないこと

Artificial Analysisのエントリには3つの点が欠けており、そのいずれも、精度の数値よりもデプロイ判断にとって重要です。

最初は価格です。Ming-3.0-audio-flash には Artificial Analysis 上でトークン単位や分単位の料金がありません。購入できるものが何もないからです。これは MIT ライセンス下の1260億パラメータの mixture-of-experts チェックポイントで、ステップごとに65億パラメータが有効になります。コストはハードウェアにかかる費用次第です。inclusionAI 自身のデプロイメントノートでは、参照用の128Kサービングプロファイルを4台の80 GB H800にまたがるテンソル並列とし、長い音声向けに8 GPUのフォールバックを用意し、検証済みのSGLangプロファイルでは4 GPUでテキストのみを返すとしています。リーダーボード上でこれより上位にあるモデルは、それ自体を除いてすべて従量制APIです。それらを精度だけで比較することは、ベンチマークスコアをベンチマークスコアと比べるようなものであり、表の片側が購入で、もう片側がサブスクリプションであることを無視しています。

2つ目はレイテンシーです。Artificial Analysisは最初の音声が届くまでの時間を確かに測定しており、{{1}}Ming-3.0-audio-flash{{/1}}は1.12秒です。{{2}}Eleven Realtime v1 Max{{/2}}は0.57秒——およそ半分です。もしあなたのアプリケーションが、会話の間合いの中で答える必要のある音声エージェントなら、ベンチマークでの勝利は1秒の無音を埋め合わせてはくれませんし、リーダーボードの順位は、その2つの数値のどちらなら許容できるかについて何も語ってはいません。

第三は会話時の振る舞いです。Full Duplex Bench のスコアは、Eleven Realtime v1 Max(総合0.941、割り込み処理0.99、ターンテイキング1.0)と、G​emini および G​PT の複数のリアルタイムモデルにあります。Ming-3.0-audio-flash には FDB スコアも、会話ダイナミクスの内訳も、割り込みを受けた際の処理に関する公表された測定値もありません。モデルは音声に関する多肢選択式の問題で満点を取っても、それでもあなたの話に被せて話すことがあります。

そして、ベンダー自身の10月の数値は、この全体像の中で最も芳しくない証拠である。音声推論での勝利を宣伝している同じカード上で、inclusionAIは長尺音声チェーン・スコアを12.31と公表しており、Qwen3.8-Omni Flashは34.54、Gemini 3.8 Flashは49.63だった。LongAudioSpanは41.12対66.40、AMIにおける話者ダイアリゼーション誤り率は25.29対MiMo-V2.6 Proの11.16である。これらはベンダー自身の数値であり、ベンダーが選んだタスクにおけるもので、短い質疑応答型音声には優れるが、長い録音全体にわたる推論には弱いモデルを描写している。Big Bench Audioでの99.8という数値はこれを変えない。Big Bench Audioは長尺音声のテストではないからだ。

カードとツイートの間の17分間のギャップ

リポジトリのコミットのタイムスタンプは11月18日 08:26:48 UTCで、タイトルの一部は「Flash BBA スコアを 99.8% に更新し、総合 #1 リーダーボードの res… を追加」となっている。Ant Ling による投稿が 08:37:02 に続いた。同じコミットは48秒後に小さな兄弟リポジトリのカードにも触れ、同じ文を追加した——両方のリポジトリにコピーされた共有ベンチマーク段落であり、数値を引用する前にその数値が実際どのチェックポイントに属するかを確認すべきもう一つの理由である。

A generated single-column scoreboard titled 'Ming-3.0-audio-flash - the scoreboard'. Rows read 'Big Bench Audio: 99.8%, rank 1 of 42', 'Vendor card, October: 99.40, self-evaluated', 'Time to first audio: 1.12 s', 'Full Duplex Bench: not published', 'Price: no rate card' and 'Reference hardware: 4 x 80GB H800'. The footer reads 'Big Bench Audio score, rank and latency per Artificial Analysis, 18 November 2026; the 99.40 figure is vendor-reported and unaudited.'

その順序が示しているのは、モデルカードが今やリーダーボードの下流にあり、その逆ではないということだ。6週間の間、Ming-3.0-audio-flash の唯一の性能証拠は、assets/フォルダ内の一連のPNG画像で、それを訓練したチームが作成したものだった。それは決して無意味ではない——ベンダー評価は通常は誠実で、ただタスク選択については楽観的になりがちだ——が、第三者が独自のハーネスを実行して順位を公表するのとは証拠の種類が異なる。今日興味深いのは、ベンダーが首位を主張していることではない。結果に利害関係のない組織が、そのモデルをそこに置いたということだ。

A screenshot of the inclusionAI Ming-3.0-audio-flash model card on Hugging Face, showing the audio-to-audio pipeline tag, the MIT licence badge, a reported model size of 128B params, a downloads-last-month figure of 2,572, the headline 'Hear clearly. Understand deeply. Act intelligently.', and a model summary table listing the developer as inclusionAI, the model type as a native audio-language mixture-of-experts, and 126B total parameters with 6.5B activated per inference step.

ルーターが適する場面と、適さない場面

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含まれておらず、そのためのエンドポイントを提供することもできません。また、ここに書かれている内容は、いかなる申し出とも解釈されるべきではありません。実行したい場合は、リポジトリをクローンし、Transformers 5 のコードパス、または SGLang-Omni のサービングプロファイルのいずれかをインストールし、少なくとも 4 枚の 80 GB カードをそれに向けてください。それはインフラストラクチャであり、ルーターがインフラストラクチャを担うことはありません。

ルーターが実際に担うのは、あらゆる音声パイプラインのもう半分です。セルフホスト型の音声モデル上に構築された音声アプリケーションでも、作業の中心は依然としてテキスト処理です。録音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換する後処理、文字起こしから書く要約、ノイズの多い通話を人間に振り分ける分類器。これらは通常のチャット呼び出しであり、200以上のモデルを0%マークアップで使える1つのAPI — プロバイダーの定価がそのまま反映され、ベンダーの値下げが当日に当社側でも有効になる — は、2社目、3社目のベンダー契約を結ぶよりも配線が簡単です。 自動フェイルオーバーがあれば、実績のないオープンウェイトモデルをトラフィックの一部に組み込んでも、経路全体をそれに賭けることにはなりません。

境界こそが要点だ。自社GPUで動かす259 GBのチェックポイントは設備投資の判断であり、ルーターは呼び出しをルーティングするだけだ。それはクラスタモデルをホスト型モデルに変えるものではなく、多肢選択ベンチマークでの99.8%を自社製品に関する証拠に変えるものでもない。

これを意味のあるものにするには何が必要だろうか

3つの測定があれば、今日の見出しは意思決定に変わる。しかもそのすべては、inclusionAIに何も尋ねずにArtificial Analysisやアリーナが公開できるものだ。Full Duplex Benchのスコアは、会話上の振る舞いが理解力と一致しているかを示すだろう。公開データセットでの長音声の結果は、ベンダー自身の表が最も弱い唯一の軸を試すことになる。そしてBig Bench Audioの2回目の独立実行——別のハーネス、別の項目サンプル——は、99.8が天井効果なのか実際の差なのかを教えてくれるだろう。

それまでは、正確な文は狭いものであり、率直に言う価値がある。Ant Groupによるオープンウェイトの音声モデルで、9月に公開され10月にドキュメントが公開されたものが、今や第三者の音声推論ベンチマークで首位に立ち、次点モデルを1ポイント差で上回っている。ただし公表価格はなく、そのボード上で最速の競合と比べて最初の音声出力までの時間は2倍で、会話スコアはまったくない。それは実際の成果だ。同時に、「最高の音声モデル」という主張よりずっと小さい主張でもあり、この2つの文の違いこそ、このモデルについて有益な考察の大半がなお行われるべき場所だ。

この記事で比較したモデル1

この記事から検出 · ベンチマーク:Artificial Analysis · 毎日更新