Ming-3.0-audio-flash vs GPT Live 1：「聞く」と「返答する」に対する、大きく異なる2つの答え

尋ねてみてください、G​PT Live 1 とは何かと。ドキュメントは明快な答えを返します：同時に聞くことと話すことができる全二重音声モデルで、推論とツール使用をバックエンドのエージェントに委ねます。同じことをMing-3.0-audio-flash に尋ねると、正反対の形が返ってきます：1260億パラメータの音声言語のMixture-of-Expertsで、音を聞き取り、聞いた内容について推論し、必要に応じて話す——そのすべてが、MITライセンスの下で自分でホストする単一のチェックポイント内に収まっています。一方は他人の脳に付いた口と耳です。もう一方は脳そのものでもあります。価格、レイテンシ、そして何をテストできるかさえ含め、両者の実用上の違いはほぼすべて、この1つのアーキテクチャ上の選択から生じています。 このようなリリースの背景にある、文書化されたAIの障害や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ます。

どちらも通常の意味でのローンチストーリーではない。G​PT Live 1 は、料金表と同時実行数の上限を備えた、文書化され一般提供されているモデルであり、知識カットオフは2025年7月31日と記載されている。これは、それがしばらく前からカタログに存在していることを示している。Ming-3.0-audio-flash は、書類上は6週間前、実際には4日前に登場した：重みが2026年9月3日にHugging Face上に現れたが、告知はなく、リポジトリは、サービングコード、サンプル、書き直されたカードが10月15日から19日の間に揃うまで、事実上使用不可能なままだった。GitHubリポジトリは10月15日に作成された。Hugging Faceの掲載ページには現在、22件のダウンロードが表示されている。

それを中断するとどうなりますか

これは最初に問うべき正しい質問です。なぜなら、どんなベンチマークよりも早く2つの設計を切り分けられるからです。

GPT Live 1 は明示的に全二重です。同時に聞き取りと発話を行うため、自然な割り込みが可能になります。相手が話している途中で話し始めても、GPT Live 1 は停止します。セッションエンドポイントはv1/live/sessionsで、文書化されている機能はストリーミングと関数呼び出しです。構造化出力、ファインチューニング、予測出力は未サポートとして記載されています。推論とツール実行はバックエンドエージェントに委任されており、これが音声ループを高速に保ち、1分あたりのコストを低く抑えられるほどモデルを小さく保つ設計上の決定です。

Ming-3.0-audio-flash は全二重動作をうたっておらず、そのインターフェースはセッションですらない。それはリクエストであり、音声とテキスト指示を入力し、テキストまたはテキスト＋音声を出力する。提供される実行オプションは vLLM-Omni と SGLang で、どちらも OpenAI 互換の chat-completions 形式インターフェースを公開し、ローカル作業向けに Transformers 経路もある。ストリーミング音声は vLLM-Omni の例で利用でき、レイテンシ指標を報告するが、完了したリクエストへのストリーミング応答は、相手の話に割り込んで話すこととは同じではない。

その区別が製品カテゴリ全体を決定づける。割り込み（barge-in）に対応しなければならないコールセンターのエージェントには全二重が必要だ。会議の文字起こし・分析パイプラインにはそれは一切不要であり、会話のターンテイキングに最適化されたモデルによってむしろ悪影響を受けるだろう。

本当は比較できない2つの課金モデル

GPT Live 1は1分あたり0.05ドルで、秒単位で課金され、1分単位に切り上げられることはありません。これは1時間あたり3.00ドルで、トークン課金ではなく時間課金です。ドキュメントには、バックエンドのモデルとツールの使用は別途課金されると記載されています。したがって、音声レイヤーは実時間で計測され、バックエンドエージェントが行うすべてのことは2つ目の請求に計上されます。

• オープンマイク1時間 — G​PT Live 1で一律$3.00、何が話されても。

100時間 — 300ドル。

• 1,000時間 — 3,000ドル。

Ming-3.0-audio-flashには料金表がありません。ハードウェアに対して支払うことになります。音声出力付きのフル128Kコンテキストにおけるリファレンスプロファイルは、8台の80 GB H800にわたるテンソル並列です。検証済みのSGLangプロファイルは4 GPUで動作しますが、テキストのみを生成します。パラメータは総計126Bで、ステップごとに6.5Bがアクティブ化されます。

正直な比較は1分あたりのドル数ではありません。なぜなら、8台のH800上でのMingのスループットのベンチマークを公開している人はいないからです。それは構造の違いです。G​PT Live 1は誰かが話しているかどうかに関係なく時間に対して課金するため、サポート通話での無言の保留は、濃密なやり取りと同じコストがかかります。Mingは誰かが話しているかどうかにかかわらずGPU時間に対して課金するため、アイドル容量はビジー容量と同じコストがかかります — ただし、それを他のセッションで埋めることができます。それがトレードオフのすべてです。従量制の時間は予測可能でアイドル時には割高、自前の容量は予測不可能でアイドル状態を許容しやすいのです。

見出し以上に重要な二次的な論点がある。G​PT Live 1 は音声ループに1時間あたり3.00ドルを請求し、さらにバックエンドエージェントが行う処理に対しても別途請求する。もしユースケースが「聞く、判断する、3つのツールを呼び出す、返答する」なら、1つの会話で2つのメーターに支払っており、しかも複雑さに応じて増えるのは2つ目のメーターだ。Ming-3.0-audio-flash は両方の段階を音声に対する単一のフォワードパスに畳み込む。まさにそのため、8基のGPUが必要になる。

GPT Live 1 があなたのためにしないこと

モダリティ表を注意深く読んでください。入力は音声とテキストです。出力は音声とテキストです。画像と動画は未対応と記載されています。これは音声製品であり、意図的に範囲を狭くしています。

Ming-3.0-audio-flashは、また別の方向に用途を絞っている。入力は音声とテキスト指示で、画像も扱わないが、出力には音声内の内容の分析が含まれる。非音声の音、音響シーン、音楽、複数の話者、長時間録音などだ。このカードの5つのハイライトは、方言や雑音をまたぐ認識、長時間音声の理解、多次元知覚、音声推論、音声インタラクションである。そのうちG​PT Live 1の用途と重なるのは、最後の一つだけだ。

実際に成り立つ比較はこれだ：G​PT Live 1 は電話レイヤーを置き換える。Ming-3.0-audio-flash は文字起こしベンダー、話者分離ベンダー、音声分類モデルを置き換え、さらに音声出力モードも提供する。3つのサービスと音声モデルを買うつもりなら、Ming は1つのチェックポイントで済む。すでに持っているエージェント向けに音声フロントエンドを買うつもりなら、Ming は完全に間違った買い物だ。

比較表に誰も載せない限界

G​PT Live 1 には、同時セッション数で測られるレート制限が文書化されています。Build では 50、Launch では 300、Grow では 500、そして無料プランは一切ありません。これらは同時に実行できる呼び出し数の厳格な上限であり、しかも公開されています。これはほとんどのベンダーが提供している以上のものです。

Ming-3.0-audio-flash には相当する数値がありません。それを公表するオペレーターが存在しないからです。代わりにあるのはハードウェアの下限です。フルプロファイルには8基の GPU、テキスト専用の SGLang には4基です。4基の GPU では音声出力を失います。8基なら得られます。またリポジトリには、フル音声プロファイルでは Talker が別のメモリ予算で GPU 7 を再利用すると記載されています。

言語も同じほど大きく分岐します。Ming は中国語と英語を挙げており、アクセントや方言も含まれています。G​PT Live 1 のモデルページは言語一覧をまったく公開しておらず、文書化されているのは知識のカットオフ、モダリティ、料金、機能フラグのみです。この不在は、兄弟モデルのドキュメントから補うのではなく、率直に明記する価値があります。

そしてコンテキストについて言えば、どちらのページもモデルのドキュメントでコンテキストウィンドウについて明記していない。Mingのリポジトリには「リファレンス128Kサービングプロファイル」への言及があるが、それをモデルのコンテキスト長として定義しているわけではないと明示している。G​PT Live 1のページには単に書かれていない。どちらについて数値を引用している人も、別の何かを引用しているにすぎない。

両方向で価格を付けたシナリオ

40分のカスタマーサポート通話を、話者は一度に1人ずつ扱い、最後に要約ステップを設け、会話中に約12回のツール呼び出しを行ってください。

G​PT Live 1では、音声ループは40分間、$0.05の単価で$2.00です。12回のツール呼び出しと要約はバックエンドエージェント上で実行され、そのエージェントが使用するモデルによって別途請求されます——ドキュメントにも数字を示さずに明記されています。したがって、計算できる価格は総額ではなく下限です。

Ming-3.0-audio-flash では、1回の呼び出しが8基のGPUの一部を40分間占有します。それらのGPUのコストが1時間あたり各2ドルで、10回の呼び出しを同時に実行する場合、1回あたりの按分コストは約1.07ドルです。1回ずつ実行する場合は10.67ドルです。このモデルのカードにはツール呼び出しに関する記載がありません。ハイライトは認識、理解、知覚、推論、インタラクションで、機能一覧に関数呼び出しは含まれていません。そのため、シナリオの「12回のツール呼び出し」の部分は、どちらの場合でもご自身のオーケストレーション層に移ることになります。

最後の所見は、通常、その判断を決める決め手になります。GPT Live 1 は関数呼び出しをセッションに組み込んでいます。Ming-3.0-audio-flash はオーケストレーションをあなたに任せます。既存のエージェントフレームワークを持つチームなら、それで問題ありません。音声レイヤーにもエージェントの役割を求めたチームにとっては、1分あたり0.05ドルが静かに賄っていた相当な作業量になります。

どちらか一方を正直に試すこと

今日の午後、G​PT Live 1を評価できます。セッションを開き、音声をストリーミングし、それが処理する割り込みの回数を数え、往復時間を測定し、その日の終わりに請求書を確認してください。唯一できないのは、それを検査することです。

今週 GPU をお持ちなら Ming-3.0-audio-flash を評価できます。ただし、評価対象のリポジトリは 10 月 19 日 — これが書かれたのと同じ日 — にまだ編集されていたもので、カードのベンチマークパネルは画像で、数値結果は本文にありません。それらのチャートのスコアはすべてベンダーが実行したもので、一部にはチーム自身の評価であることを示すアスタリスクが付いています。Ming-3.0-audio-flash の独立した結果はなく、G​PT Live 1 の音声推論ベンチマークもないため、現時点では誰もこの 2 つを相互に順位付けできません。

それは Ming を見送る理由にはなりません。8台の GPU を投入する前に、自分の音声で試すべき理由であり、その間もホスト版の経路を生かしておくべき理由です。両方を単一のルーティングレイヤーの背後で動かすのが、この実験の低コスト版です。プロバイダーの定価のままで、追加のマークアップなしに200以上のモデルを1つのキーで利用でき、比較にかかるのは推論の請求額だけで、二度目の調達サイクルは不要です。オープンなチェックポイントが自分の音声で勝ち始めたら、フェイルオーバーによってコードを変更することなくトラフィックが移り、負けたら元に戻ります。

どちらを選ぶべきですか

製品が音声エージェントである場合、割り込み処理が「あれば嬉しい」ではなく必須要件である場合、セッション内でツール呼び出しを行いたい場合、同時実行数が数百セッション未満に収まる見込みであれば、G​PT Live 1 を選んでください。従量課金の価格は予測しやすく、運用負荷はゼロです。

製品が音声分析で、音声応答が任意である場合はMing-3.0-audio-flashを選んでください。重みを自社で所有する必要がある場合、またはAPIが届かない環境で実行する必要がある場合、MITライセンスが法務レビューで重要になる場合、そしてそれを支える8台のH800を用意できる場合です。無料だからという理由で選ばないでください——無料ではなく、ハードウェアの購入です。また、G​PT Live 1が文書化しているツール呼び出しや双方向動作を期待して選ばないでください。

注目すべき唯一の点は、inclusionAI が自社のサービングプロファイルについてレイテンシとスループットの数値を公開するかどうかです。現時点では、リポジトリにはモデルの実行方法が書かれているだけで、実行速度については何も述べられていません。それが変わるまで、Ming-3.0-audio-flash がリアルタイム音声 API を置き換えられるという主張は、計測ではなく仮定にすぎません。