Ming-3.0-audio-flash vs Gemini 3.8 Live: Öppna vikter, åtta GPU:er och en nota du faktiskt kan räkna ut

En timme kontinuerligt ljud in i G​emini 3.8 Live kostar 0,30 dollar enligt G​oogles publicerade listpris. En timme ljud ut igen kostar 1,08 dollar. En tvåvägssession med röst, där båda riktningarna är igång under hela timmen, kostar 1,38 dollar. Ming-3.0-audio-flash har inget minutpris alls, eftersom det inte finns någon endpoint att köpa: det är en checkpoint med 126 miljarder parametrar av typen mixture-of-experts under MIT, och kostnaden är vad åtta H800 kostar dig för timmen. Det är hela jämförelsen i två meningar, och nästan varje annan skillnad mellan de här två systemen följer av det. De dokumenterade AI-felen och agentincidenterna bakom lanseringar som den här samlas i OrcaRouter AI Incident Archive där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och flagga för omtvistad status.

Dateringen spelar roll, för det här är ingen lansering. inclusionAI lade ut vikterna för Ming-3.0-audio-flash på Hugging Face den 3 september 2026 och sade ingenting om det. I sex veckor var förvaret i praktiken en mapp med shards: ingen serveringskod, inga exempel, inget användbart modellkort. GitHub-förvaret skapades den 15 oktober, vLLM-Omni- och SGLang-profilerna, röstförinställningarna och ett omskrivet modellkort lades till mellan den 15 och 19 oktober, och i skrivande stund visar Hugging Face-listningen 22 nedladdningar. G​emini 3.8 Live är däremot en stabil, allmänt tillgänglig Live API-modell som G​oogle beskriver som standardvalet för röstagenter med låg latens. En av dessa är en produkt du kan anropa i eftermiddag. Den andra blev körbar den här veckan och har fortfarande ingen operatör.

Vad de två systemen faktiskt är

Gemini 3.8 Live är en hostad strömmande modell bakom Live API. API:et tar emot rå 16-bitars PCM-ljud vid 16 kHz, bilder på upp till en bildruta per sekund och text, och returnerar rå 24 kHz PCM-ljud. Googles dokumentation för Live API anger språktäckning på 70 språk. Du öppnar en session, strömmar och får ljud tillbaka; det finns ingen checkpoint, ingen GPU-reservation och ingen licens att läsa.

Ming-3.0-audio-flash är en ljudspråkmodell i mer bokstavlig bemärkelse. En ljudkodare och en projektor matar en språklig basmodell av mixture-of-experts-typ, och en valfri Talker omvandlar modellens textutdata till tal. Indata är ljud plus en textinstruktion. Utdata är text, eller text med syntetiserat tal. Modellkortet anger kinesiska och engelska som primära språk, ”inklusive olika accenter och dialekter”. Licensen är MIT.

• Parametrar — Ming: 126B totalt, 6,5B aktiveras per inferenssteg (Hugging Face-sidofältet anger separat 128B, en diskrepans som kortet inte förklarar). G​emini 3.8 Live: inte angivet.

• Språk — Ming: kinesiska och engelska. Gemini 3.8 Live: 70 språk enligt dokumentationen för Live API.

• Indata — Ming: ljud och en textinstruktion. G​emini 3.8 Live: ljud, bilder, text.

• Utdata — Ming: text, eventuellt tal. G​emini 3.8 Live: ljud, och text genom samma session.

• Licens — Ming: MIT för vikter och kod. G​emini 3.8 Live: ett kommersiellt API-avtal.

• Pris — Ming: ingen prislista; du betalar för GPU:er. G​emini 3.8 Live: $3.00 per miljon ljudindatatoken eller $0.005 per minut; $12.00 per miljon ljudutdatatoken eller $0.018 per minut; text för $0.75 in och $4.50 ut per miljon.

Beräkningen av ljudtimmar, korrekt utförd

Siffrorna per minut ovan är de som är värda att ta till sig, och det är också dem som de flesta jämförelser gör fel med genom att citera tokenpriser för en läsare som inte har en aning om hur många tokens en minuts tal förbrukar. Använd minutpriserna i stället, eftersom G​oogle publicerar dem direkt.

• Enbart lyssning, en timme — 60 minuter à $0.005 blir $0.30.

• Endast tal, en timme — 60 minuter à 0,018 $ är 1,08 $.

• En hel timme med tvåvägskommunikation — $1.38, före eventuella texttoken eller verktygsanrop.

• Tusen tvåvägstimmar — 1 380 dollar.

Nu samma timme på Ming-3.0-audio-flash. Referensprofilen för servering av den fullständiga 128K-kontexten med talutdata är tensorparallelism över åtta 80 GB H800-GPU:er, enligt repots egna driftsättningsanteckningar. Fyra GPU:er kör en validerad SGLang-profil, men den profilen ger endast textutdata. Så den ärliga jämförelsen för egen drift är åtta GPU:er mot en session med förbrukningsmätning. Vid ett hypotetiskt pris på 2 USD per GPU-timme kostar en timmes kapacitet 16 USD – och det är för hela GPU:n, som du kan fördela över samtidiga förfrågningar i stället för en enda konversation. Med tio samtidiga strömmar faller kostnaden per konversation under 1,60 USD i timmen; vid hundra, under 0,16 USD. Det är aritmetik, inte mätningar, och de bortser från utnyttjandegrad, batchningseffektivitet och det faktum att en 126B-modell med 6,5B aktiva parametrar inte kommer att mätta åtta H800:or på korta ljudklipp.

Brytpunkten är verklig, men den ligger inte där folk tror. Under ungefär ett dussin samtidiga samtal är G​emini 3.8 Live billigare än att hyra åtta H800 och avsevärt billigare än att köpa dem. Bortom det, och förutsatt att du kan hålla batchen full, vinner den öppna checkpointen på rå beräkningskostnad – vilket är hela det ekonomiska argumentet för öppna vikter, och anledningen till att kravet på åtta GPU:er är siffran att komma ihåg snarare än antalet parametrar.

Vad "ljudförståelse" innebär på respektive sida

G​emini 3.8 Live är byggd för samtal. Dess uppgift är att lyssna på dig, svara snabbt och sköta turtagningen. G​oogles modellista placerar den som standardmodellen för Live "för de flesta röstagentupplevelser med låg latens utan resonemangsfördröjningar", vilket är ett uttalande om latensbudget, inte om djupet i ljudanalysen.

Ming-3.0-audio-flash är inriktad på en annan uppgift. Kortets fem höjdpunkter är komplex taligenkänning över dialekter, accenter, brus och inspelningar med flera talare; förståelse av långt ljud; uppfattning av icke-talljud, akustiska scener och musik; resonemang över ljudinnehåll; och talad interaktion med valfria syntetiserade svar. Det är en lista för transkribering och analys med ett chattläge påklistrat, inte en lista för röstagenter.

Den praktiska konsekvensen: om din produkt är en telefonagent som måste svara inom 400 millisekunder är G​emini 3.8 Live den typ av lösning som krävs, och Ming-3.0-audio-flash är det inte, oavsett benchmarkresultat. Om din produkt går ut på att "ta in ett 90 minuter långt resultatsamtal, berätta vem som sade vad och flagga ögonblicket då CFO:ns tonläge förändrades" beskriver Ming-kortet ditt jobb, medan Live-API:et beskriver ett annat.

Benchmarkproblemet som ingen har löst

Ming-3.0-audio-flash levereras med tre benchmarkpaneler i sitt repositorium: taligenkänning, ljudintelligens och text. Alla värden är procenttal, högre är bättre om de inte markerats med en nedåtpil, och resultat markerade med en asterisk är teamets egen utvärdering. Repositoriet tillägger en notering om att jämförelsemodellernas resultat reproducerades under inclusionAI:s egen utvärderingsuppsättning och kan skilja sig från dessa modellers officiella rapporter på grund av promptar, avkodningsinställningar, modellversioner och pipelines.

Den där kommentaren är ovanligt uppriktig, och den innebär också att diagrammen inte kan användas för att rangordna Ming mot G​emini 3.8 Live. Siffrorna finns i bilder, inte i README-texten, och G​oogle publicerar ingen jämförbar svit för ljudförståelse för 3.8 Live. Det finns ingen tredjepartsresultattavla som har poängsatt båda. Den som visar dig ett stapeldiagram med dessa två modeller sida vid sida har byggt det av leverantörspåståenden på ena axeln och ingenting på den andra.

Det enda ärliga påståendet som finns i dag: Ming-3.0-audio-flash har leverantörsgenererade siffror och inga oberoende, G​emini 3.8 Live har en produktionshistorik och inget publicerat benchmark för ljudresonemang. Det är oavgjort i den enda kategori som spelar roll för ett köpbeslut, nämligen bevis.

Var OrcaRouter passar in, och var det inte gör det

Ming-3.0-audio-flash finns inte på vår plattform. Vi tänker inte låtsas något annat: om du vill köra den klonar du repot, installerar den vLLM-Omni- eller SGLang-gren som anges och tar med GPU:erna. Vad en router är bra för i den här jämförelsen är andra sidan av beslutet – den del där du redan har bestämt att en hostad ljudmodell hanterar din livetrafik, och frågan blir vilken hostad modell, till vilket pris, med vilken fallback när en session misslyckas. Det är ett routingproblem över fler än 200 modeller bakom en enda nyckel, till leverantörens listpris utan påslag, så att en prisändring från leverantören når dig samma dag i stället för vid nästa avtalsförnyelse.

För ett team som testar om en öppen ljudcheckpoint förtjänar produktionstrafik är det användbara mönstret att behålla den hostade vägen som reserv och gradvis flytta över volym till självhostade Ming. Automatisk failover är det som gör migreringen reversibel i stället för en chansning.

Att välja

Välj G​emini 3.8 Live om du behöver en röstagent i produktion det här kvartalet, behöver fler än två språk, behöver bilder i samma ström eller förväntar dig färre än ett dussin samtidiga konversationer. Kostnaden per minut är låg, den operativa ytan är noll och modellen är stabil och dokumenterad.

Välj Ming-3.0-audio-flash om du behöver äga vikterna, behöver köra lokalt eller i luftgapade miljöer, behöver MIT-villkor, arbetar huvudsakligen på kinesiska och engelska och har åtta H800:or eller en schemaläggare som kan ge dig dem. Räkna med att göra din egen utvärdering, eftersom ingen har gjort den åt dig. Räkna med att verktygskedjan är några dagar gammal, eftersom den är det. Och räkna med att modellkortet fortsätter att ändras under dig: dess senaste commit var dagen då detta skrevs.

Det finns ett tredje fall, och det är det största. Om du ännu inte vet vilket av de två du är, är du inte redo att välja mellan ett förbrukningsbaserat API och en driftsättning med åtta GPU:er. Kör hundra timmar av ditt eget ljud genom en hostad modell först, mät vilken noggrannhet du faktiskt behöver och låt den siffran avgöra om den öppna checkpointen är värd racket.

Vad du ska titta på

Det som skulle förändra den här jämförelsen är inte ett benchmark. Det är en operatör. I samma stund som en serving-leverantör listar Ming-3.0-audio-flash bakom en OpenAI-kompatibel endpoint med ett timpris, upphör åtta-GPU-argumentet att vara läsarens problem och $1.38-timmen får en konkurrent. Fram till dess är den ärliga sammanfattningen att Google säljer en minut och inclusionAI ger bort en maskin, och de två är bara jämförbara om du redan äger maskinen.