Ming-3.0-audio-flash 対 Gemini 3.8 Live：オープンウェイト、8基のGPU、そして実際に計算できる請求額

連続音声1時間をG​emini 3.8 Liveに入力すると、G​oogleの公開定価で0.30ドル。音声を1時間出力すると1.08ドル。双方向音声セッションで両方向を丸1時間動かすと1.38ドル。Ming-3.0-audio-flashには分単位の価格がそもそも存在しない。購入できるエンドポイントがないからだ。これはMITライセンス下の1260億パラメーターのMoEチェックポイントであり、そのコストは8台のH800を1時間使う費用に等しい。これが2文で表した比較のすべてであり、この2システム間のほぼすべての他の違いはここから導かれる。 このようなリリースの背景にある、記録されたAI障害やエージェントインシデントはOrcaRouter AI Incident Archiveに集められており、各項目には独自の出典、重大度、信頼度グレード、係争中フラグが付いている。

日付が重要なのは、これが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に公開したが、それについては何も言わなかった。6週間のあいだ、リポジトリは事実上シャードのフォルダにすぎなかった。サービング用コードも、例も、使えるモデルカードもなかった。GitHubリポジトリは10月15日に作成され、vLLM-OmniとSGLangのプロファイル、音声プリセット、書き直されたモデルカードは10月15日から19日の間に追加された。本稿執筆時点で、Hugging Faceのリスティングには22ダウンロードと表示されている。対照的に、G​emini 3.8 Liveは安定した一般提供済みのLive APIモデルであり、G​oogleはこれを低レイテンシ音声エージェント向けのデフォルトだと説明している。このうち一方は、今日の午後にも呼び出せる製品だ。もう一方は今週ようやく実行可能になったが、依然として運用者がいない。

2つのシステムが実際に何なのか

Gemini 3.8 Liveは、Live APIの背後で提供されるホスト型ストリーミングモデルです。APIは16 kHzの生の16ビットPCM音声、最大毎秒1フレームの画像、テキストを受け取り、生の24 kHz PCM音声を返します。GoogleのLive APIドキュメントでは、対応言語は70言語とされています。セッションを開いてストリーミングすれば音声が返ってきます。チェックポイントもGPU予約も、読む必要のあるライセンスもありません。

{{1}}Ming-3.0-audio-flash{{/1}}は、より文字通りの意味での{{2}}音声言語モデル{{/2}}です。{{3}}音声エンコーダーとプロジェクターがMixture-of-Experts言語バックボーンへ入力し{{/3}}、{{4}}オプションのTalkerがモデルのテキスト出力を音声に変換します{{/4}}。{{5}}入力は音声とテキスト指示です{{/5}}。{{6}}出力はテキスト、または合成音声付きテキストです{{/6}}。{{7}}モデルカードでは、中国語と英語が主要言語として記載されており、「多様なアクセントや方言を含む」とされています。{{/7}}{{8}}ライセンスはMITです{{/8}}。

• パラメータ — Ming：総パラメータ数126B、推論ステップごとに6.5Bを活性化（Hugging Faceのサイドバーには別途128Bと記載されているが、このカードではその不一致について説明されていない）。G​emini 3.8 Live：非公開。

言語 — Ming：中国語と英語。Gemini 3.8 Live：Live API ドキュメントによると70言語。

• 入力 — Ming：音声とテキスト指示。G​emini 3.8 Live：音声、画像、テキスト。

• 出力 — Ming: テキスト、オプションで音声。G​emini 3.8 Live: 音声、および同じセッションを通じたテキスト。

• ライセンス — Ming: 重みとコードはMIT。G​emini 3.8 Live: 商用API契約。

• 料金 — Ming：料金表はありません。GPU に対して支払います。Gemini 3.8 Live：音声入力は100万トークンあたり$3.00または1分あたり$0.005、音声出力は100万トークンあたり$12.00または1分あたり$0.018、テキストは100万トークンあたり入力$0.75、出力$4.50です。

オーディオ時間の計算を、きちんと行う

上記の1分あたりの数値こそ、ぜひ頭に入れておくべきものであり、また、1分の音声がどれだけのトークンを消費するかを知らない読者にトークン価格を提示することで、ほとんどの比較が誤ってしまう数値でもあります。代わりに分単位の料金を使ってください。G​oogleがそれを直接公表しているからです。

• 聴取のみ、1時間 — 60分×$0.005で$0.30です。

• スピーキングのみ、1時間 — 60分×$0.018で$1.08です。

• 完全な双方向1時間で$1.38（テキストトークンやツール呼び出しを除く）。

• 双方向1,000時間 — 1,380ドル。

次に、Ming-3.0-audio-flash で同じ1時間を考えます。音声出力を含むフル128Kコンテキストのリファレンス提供プロファイルは、リポジトリ自体のデプロイノートによると、8台の80 GB H800 GPUにまたがるテンソル並列です。4台のGPUでは検証済みのSGLangプロファイルを実行できますが、そのプロファイルはテキスト出力専用です。したがって、誠実な自己ホスト比較は、8台のGPU対従量制セッションとなります。仮にGPU1時間あたり$2とすると、1時間分の容量は$16かかります。しかもこれはGPU全体に対する費用で、1つの会話ではなく同時リクエスト全体に按分できます。同時ストリームが10本なら、会話あたりの費用は1時間あたり$1.60未満に下がり、100本なら$0.16未満になります。これらは測定値ではなく単なる算術であり、利用率、バッチ処理効率、そして126Bモデルが6.5Bのアクティブパラメータで短い音声クリップにおいて8台のH800を使い切ることはないという事実を無視しています。

分岐点は現実に存在するが、人々が想定している場所ではない。同時会話数がおよそ12件を下回る場合、G​emini 3.8 Live は H800 を8台レンタルするより安く、購入するよりはるかに安い。それを上回り、かつバッチを満杯に保てるなら、オープンチェックポイントが計算コストそのもので勝る——これこそがオープンウェイトの経済的根拠のすべてであり、覚えておくべき数字がパラメータ数ではなく8 GPU要件である理由でもある。

各側で「オーディオ理解」が何を意味するか

Gemini 3.8 Liveは会話向けに作られています。その役割は、あなたの声を聞き取り、すばやく応答し、発話の交代を処理することです。Googleのモデル一覧では、これを「推論遅延のない、ほとんどの低遅延音声エージェント体験向け」のデフォルトのLiveモデルとして位置づけていますが、これはレイテンシ予算についての説明であり、音声分析の深さについての説明ではありません。

Ming-3.0-audio-flashは別のタスクに照準を合わせている。このカードの5つのハイライトは、方言、訛り、雑音、複数話者の録音に対応する複雑な音声認識、長尺音声の理解、非音声音・音響シーン・音楽の知覚、音声コンテンツに関する推論、そして任意の合成応答を伴う音声対話だ。これはチャットモードを後付けした文字起こし・分析のリストであり、音声エージェントのリストではない。

実務上の結論はこうだ。400ミリ秒で応答しなければならない電話エージェントが製品なら、ベンチマークスコアに関係なく、G​emini 3.8 Live はまさにその形に合っており、Ming-3.0-audio-flash は合っていない。90分の決算説明会を取り込み、誰が何を言ったかを教え、CFOの口調が変わった瞬間を指摘する製品なら、Ming のカードはあなたの仕事を説明しており、Live API は別の仕事を説明している。

誰も解決したことのないベンチマーク問題

Ming-3.0-audio-flashはリポジトリに3つのベンチマークパネルを同梱しています。音声認識、オーディオインテリジェンス、テキストです。すべての値はパーセンテージで、下向き矢印で示されていない限り高いほど優れており、アスタリスクが付いた結果はチーム独自の評価です。リポジトリには、比較対象モデルの結果はinclusionAI独自の評価設定で再現されたものであり、プロンプト、デコーディング設定、モデルバージョン、パイプラインの違いにより、それらのモデルの公式報告と異なる場合があるという注記が追加されています。

その注記は異例なほど率直で、同時に、このチャートはMingをG​emini 3.8 Liveと比較して順位付けするのに使えないことも意味している。数値は画像の中にあり、READMEのテキストにはない。しかもG​oogleは3.8 Live向けに比較可能な音声理解スイートを公開していない。両方を評価した第三者のリーダーボードは存在しない。この2つのモデルを横に並べた棒グラフを見せてくる人は、片方の軸をベンダーの主張だけから作り、もう片方の軸は何もない状態で作っている。

今日、正直に言えることは一つだけある。Ming-3.0-audio-flash にはベンダーが実施した数値はあるが、独立した数値はない。G​emini 3.8 Live には本番環境での実績があるが、公開された音声推論ベンチマークはない。購買判断で重要となる唯一のカテゴリー、すなわち証拠において、これは引き分けである。

OrcaRouterが適する場面と、適さない場面

Ming-3.0-audio-flash は当社のプラットフォームにはありません。そうでないふりはしません。実行したい場合は、リポジトリをクローンし、それが指定する vLLM-Omni または SGLang のブランチをインストールし、GPU を用意してください。この比較においてルーターが役立つのは、意思決定のもう一方の側面です。つまり、ホスト型音声モデルでライブトラフィックを処理するとすでに決めた後、どのホスト型モデルを、いくらで、セッションが失敗したときにどのフォールバックで使うかという問いです。それは1つのキーの背後にある200以上のモデルにまたがるルーティング問題であり、プロバイダーの定価のままでマークアップは加えられないため、ベンダーの価格変更は次回の契約更新時ではなく当日にあなたに届きます。

オープンな音声チェックポイントが本番トラフィックに値するかどうかを検証しているチームにとって、有用なパターンは、ホスト型の経路をフォールバックとして維持し、トラフィックをセルフホストのMingへ徐々に移すことです。自動フェイルオーバーが、その移行を賭けではなく可逆なものにします。

選択

今四半期に本番環境で音声エージェントが必要なら、3言語以上が必要なら、同じストリームで画像が必要なら、または同時会話数が12件未満を見込むなら、G​emini 3.8 Liveを選べ。分単位の請求は少額で、運用負荷はゼロ、モデルは安定しておりドキュメントも整っている。

Ming-3.0-audio-flash を選ぶべきなのは、重みを自分で所有する必要があり、オンプレミスまたはエアギャップ環境で実行する必要があり、MIT の条件が必要で、主に中国語と英語で作業しており、8 台の H800 を持っているか、それらを提供できるスケジューラがある場合です。評価は自分で行うことになるでしょう。誰もあなたの代わりにやってくれていないからです。ツールチェーンは数日前にできたばかりだと思ってください。実際にそのとおりです。そして、モデルカードはあなたの下で変わり続けると想定してください。最後のコミットは、これが書かれた当日でした。

第三のケースがあり、それは最大のものです。従量制APIと8基のGPUによるデプロイのどちらに自分が当てはまるかまだ分からないなら、まだ選択する準備はできていません。まず自分の音声を100時間、ホスト型モデルに通し、実際に必要な精度を測定してください。そして、その数値によって、オープンチェックポイントがラックを用意する価値があるかどうかを決めさせてください。

何を見るべきか

この比較を変えるのはベンチマークではない。運用者だ。配信プロバイダーがMing-3.0-audio-flashをOpenAI互換エンドポイントの背後に時間単位の価格付きで掲載した瞬間に、8基のGPUという論点は読者の問題ではなくなり、1時間1.38ドルの側に競合が現れる。それまでは、正直な要約はこうだ。Googleは1分を売り、inclusionAIはマシンを無償で与えている。そして両者が比較可能になるのは、あなたがすでにそのマシンを所有している場合だけだ。