Ming-3.0-audio-flash vs Qwen3.8-Omni-Flash：ベンダー自身の表がすでに勝者を選んでいた

この議論の大半に決着をつける比較表が存在し、それは2社のうちの一方のベンダーによって公開された。inclusionAI自身のMing-3.0-audio-flash向け評価画像では、参照列はQwen3.8-Omni-Flash——2026年9月18日からAPI顧客に公開されているA​libabaのクローズドなオムニモデル——であり、結果は両方向に振れている。Mingは方言の行では大差で勝ち、長尺音声推論の行ではほぼ3倍の差で負けている。これは異常なほど有用である。なぜなら、問題は「どちらのモデルが優れているか」ではなく、「これら2つの失敗モードのうち、あなたのワークロードが許容できるのはどちらか」だからだ。Ming-3.0-audio-flashはinclusionAIの総パラメータ126B、アクティブ6.5Bの音声言語チェックポイントで、2026年9月3日にアップロードされ、10月19日に文書化された。Qwen3.8-Omni-Flashはホスト提供され、テキスト出力のみのモデルで、100万トークンのコンテキストを持ち、重みはない。一方は所有し、他方は借りるものであり、公表されている強みはあまり重なっていない。 このような比較の背後にある、文書化されたAI障害やベンダーベンチマークをめぐる論争は、OrcaRouter AI Incident Archiveに集められており、各項目には独自の情報源、重大度、信頼度グレード、係争中フラグが付されている。

1時間の音声を「読む」2つの方法

どちらのモデルも音声とテキストを受け取り、テキストを返します。その文は両方に当てはまり、しかも両方について誤解を招きます。なぜなら、それらが動作する規模はまったく異なるからです。

Qwen3.8-Omni-Flashはテキスト、画像、音声、動画を入力でき、1回の呼び出しで最大1時間の連続した音声・動画を処理し、100万トークンのコンテキスト（最大入力約991K、出力最大131K、推論予算262K）を備え、テキストのみで応答します。Alibabaの発表の切り口はスコアではなく請求額でした。音声入力1時間あたりQwen3.5-Omni-Plusより98%安く、音声・動画1時間あたり93%安く、1時間あたりの数字は2分のサンプルに価格を付けて30倍することで算出され、動画は720pで毎秒1フレームでサンプリングされました。国際価格は入力100万トークンあたり$0.15、キャッシュ$0.016、出力$0.47です。

Ming-3.0-audio-flash は音声とテキストを入力として受け取り、任意の Talker を介してテキストまたはテキストと音声を返し、128K コンテキストを備えています。この数値は、単一ファイルのコミットによって max_position_embeddings が 8,192 から 131,072 に引き上げられた 10 月 13 日まで、その構成では公称されていませんでした。参照サービングプロファイルは、8 台の 80 GB H800 にまたがるテンソル並列であり、ダウンロードサイズは約 259 GB です。エンドポイントが存在しないため、トークンあたりの価格はありません。

つまり、Q​wenの単位は呼び出しであり、Mingの単位はノードです。それが最初の決定であり、通常は残りのすべてを決めます。

inclusionAI 自身の表が行ごとに何を示しているか

このセクションのすべての数値は、Ming リポジトリの assets/ フォルダにある3枚の PNG に由来しています。これは inclusionAI 自身が自社のハーネスで実行した結果で、アスタリスクは同社が自己評価した行を示しています。そのいずれも再現されていません。これはベンダーが公の場で自社について説明しているものとして読むべきであり、ほとんどのベンダーが行っている以上のことです。

• 中国語ASR平均 — Ming 3.45 エラー率 対 Qwen3.8-Omni-Flash 3.54、Gemini 3.8 Flash 9.83。僅差の勝利。

• 英語ASRの平均 — 4.02および5.05に対して3.69。差も小さい。

• 方言平均 — 9.40 対 11.58。差はより大きく、これが主要な主張です：広東語は 4.09 対 4.76、上海語は 11.15 対 21.10、湖南語は 8.76 対 17.11、福建語は 12.84 対 26.32。

• 湖北 — 9.46 対 7.75。Qwen がこの行で勝ち、それでも inclusionAI はそのまま掲載した。これが表の残りを信頼する主な理由だ。

• 話者ダイアリゼーション、AISHELL-4 — Ming は話者ダイアリゼーション誤り率 8.58、Qwen は 2.80。AMI では、Ming は 25.29、MiMo-V2.6 Pro は 11.16。

• Long-audio Chainスコア — Mingは12.31、Qwenは34.54、Qwenのthinkingモードは48.70、Gemini 3.8 Flashは49.63。これが4倍の差であり、しかもベンダーが自ら公開を選んだ指標における差です。

• LongAudioSpan — 41.12 対 66.40。MMAR — 74.40 対 77.70。MMSU — 78.82 対 82.10。

• 音声推論の主要指標 — MingはBigBenchAudioで99.40、MMAUで82.00を記録。BFCL-v3 Audioでのツール呼び出しは81.40で、Gemini 3.8 Flashの86.68に対する結果となっています。

このパターンは偶然ではない。Ming が最も力を発揮するのは「アクセントを含め、正確に何が言われたか」というタスクで、最も弱いのは「長い録音を記憶に保持し、それ全体について推論する」というタスクだ。Q​wen はその逆で、100万トークンのウィンドウと推論予算はまさに第2のタスクのための仕組みであり、その発表資料のどこにも方言ごとのチューニングを示唆するものはない。

方言の主張がこの件のすべてであり、それは響きから受ける印象より狭い話だ。

ベンダー表から一つだけ持ち帰るなら、これです。精査に耐える差は、汎用的な音声知能ではなく、方言およびなまりのある中国語の音声認識にあります。上海語は11.15対21.10で、誤り率はおよそ半分です。湖南は8.76対17.11で、およそ半分です。福建語は12.84対26.32で、およそ半分です。これらは5つの方言行にわたる大きく一貫した差分であり、ベンチマークの小細工ではなく、学習上の判断から生まれる種類の結果です。

注意事項は数値と同じくらい重要だ。テストセットはベンダー自身が選んだものであり、ハーネスもベンダーのものである。Qwen3.8-Omni-Flashの参照値は、A​libabaのモデルをinclusionAIが実行して生成したもので、A​libabaによるものではない。競合他社がライバルのモデルを採点するのは通常の慣行であり、また偶然に都合のよい結果を生みやすい構成でもある。逆方向に振れた唯一の行であるHubeiは、この表が単純に編集されたものではないことを示す最も強い証拠である。

そして、長尺音声における4倍の差は、設計で吸収できる丸め誤差ではありません。ワークロードが90分の決算説明会で、相互参照付きの要約が必要なら、Ming自身の数値が示すとおり、まさにそれを測る指標においてQ​wenの思考モードのほうが4倍優れたツールです。

可用性はベンチマーク以上にものを決める

Qwen3.8-Omni-Flashの置き場所はただ一つ、A​libabaのQianwenプラットフォームとA​libaba Cloud Model Studioだけです。国際向けと中国本土向けでエンドポイントが分かれ、課金も通貨も別々になっています。OpenAI形式のリクエストに応答するため、クライアントコードはおおむねそのまま移植できますが、エンドポイントには移植性がなく、フェイルオーバー先もありません。重みは公開されておらず、公開の予告もありません。OrcaRouterはこれを提供していません。

Ming-3.0-audio-flashにはエンドポイントが一切ありません。これはMITライセンスの重みで、モデルカード、10月15日に作成されたGitHubリポジトリ、3つのプロファイル向けのデプロイ用YAML、2つのサンプルクライアント、150 KBの音声ガイドが付属しています。vLLM-Omniプロジェクトは前世代のMingをサポートしており、7.9B Ming TTSモデル向けのオープンなプルリクエストがありますが、この音声言語チェックポイントについてはマージされたものはありません。現在の実用的な手段はTransformersでtrust_remote_code=True、これは評価には適していますが、サービスとしては心もとないものです。

その2つの段落を並べると、トレードオフは歴然としている。Qwen はフォールバックも可視性もない本番エンドポイントを提供する。Ming は完全な可視性を備えたチェックポイントを提供するが、エンドポイントはない。GPU ノードとコンプライアンス要件を抱えるチームは Ming を選ぶ。締め切りを抱えるチームは Qwen を選び、単一ソースのリスクを受け入れる。

中道とはどのようなものか

どちらのベンダーもドキュメント化していない第3の選択肢があり、これはほとんどのチームが実際に行っていることなので、明確に説明する価値があります。それは、同じパイプライン内で、得意な作業にはホステッドモデルを、得意な作業にはオープンウェイトを使うというものです。

具体的には、方言話者からの北京語通話を処理するサポート組織です。音声が届くと、軽量な分類器が通話者の発話が標準語か、それとも強い訛りがあるかを判定します。標準音声はQwen3.8-Omni-Flashに送られ、通話全体を推論しながら長いコンテキストで要約します。訛りのある音声はMing-3.0-audio-flashに送られて文字起こしされ、その文字起こしが要約用のテキストパイプラインに戻されます。どちらのモデルもワークロード全体を見るわけではなく、それぞれが得意とする部分だけを見ています。

そのアーキテクチャは、1社のベンダーを選ぶよりも手間がかかるが、ベンダー表を正直に使っている唯一のものである。なぜなら、その表自体が、2つのモデルは異なる入力で失敗すると述べているからだ。

OrcaRouterが正確にどこに位置するか

本記事では、どちらのモデルも提供していません。Qwen3.8-Omni-Flash は A​libaba ホスト型で当社のカタログにはなく、Ming-3.0-audio-flash はオープンウェイトで当社のカタログにはありません。どちらかを期待してサインアップした読者は失望するでしょうから、サインアップボックスの末尾で言うよりも、ここで伝えておく方がよいでしょう。

上記の分類・要約パイプラインに必要なものは、まさにルーターが提供するものです。すなわち、チェーンのテキスト側のための単一のキー、標準的な音声を一方へ、アクセントのある音声を他方へ送るルーティングルール、そしてプロバイダーが性能低下したときのフェイルオーバー経路です。200以上のモデルを0%のマークアップで利用できる単一の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中に当社側でも有効になる — を運用するのは、3つの契約と2つの請求システムを運用するより小さな負担であり、自動フェイルオーバーは、ホスト型オムニモデルに付きまとう単一ソースリスクへの答えです。ルーティングDSLは、2分岐の音声パイプラインが実際に表現される場所です。それは259 GBのチェックポイントの代替ではなく、なり得ません。

2種類のチーム向けに

今四半期に音声を含む製品を作っていて、GPU予算がないなら、Qwen3.8-Omni-Flashが答えです。ただし、1社のサプライヤーから借りていることになるため、エンドポイントを定数ではなく設定値として扱うようにクライアントを書くべきという注意点があります。そのコンテキストウィンドウと推論予算は、オープンウェイトの代替手段が提供するどれよりも本当に大きいです。

インフラを構築しているなら——文字起こしサービス、オンプレミスのコンプライアンスパイプライン、ベンダーのエンドポイントが利便性ではなく負債になるようなあらゆる場面——Ming-3.0-audio-flash は真剣に検討すべきオープンな選択肢であり、その理由は方言に関する数値にあります。ノードを1台分、統合に1か月分の予算を確保し、誰かに話者ラベルを約束する前にダイアライゼーションの行を確認してください。

地味な結論だが、この2つのモデルはライバルというより分業関係にあり、どちらのベンダーもそのことを説明するインセンティブを持たない。inclusionAIはそれを示す表を公開した。それはローンチ記事よりも価値がある。