Một thẻ tiêu đề được tạo tự động ghi 'Ming-3.0-audio-flash dẫn đầu suy luận giọng nói ở mức 99,8%', với phụ đề nêu vị trí thứ nhất trên Artificial Analysis Big Bench Audio vào ngày 18 tháng 11 năm 2026 và cho biết checkpoint được phát hành vào ngày 3 tháng 9 mà không có bảng giá. Bốn ô thống kê ghi '99,8% Big Bench Audio', '#1 trong 42 mô hình', '1,12 giây để có âm thanh đầu tiên' và 'không công bố giá'. Chân trang ghi 'Điểm số theo Artificial Analysis, ngày 18 tháng 11 năm 2026.'
Engineering & Research

Ming-3.0-audio-flash đứng đầu bảng Suy luận Giọng nói của Artificial Analysis với 99,8% — dẫn trước một điểm, và vẫn chưa có giá

Tác giả

jinhao.song

Ngày đăng

Mô hình mới nhất · 20Xem tất cả mô hình →
Benchmark: Artificial Analysis · cập nhật hằng ngày
Quay lại tất cả bài viết

Artificial Analysis hiện xếp Ming-3.0-audio-flash đứng đầu bảng Speech Reasoning của mình, tức bài đánh giá Big Bench Audio, với độ chính xác 99,8%, vượt qua StepAudio 3 Realtime ở 99,7%, Qwen Audio 3.0 Realtime Plus ở 99,2%, Eleven Realtime v1 Max ở 98,8%, Grok Voice 3.0 ở 98,5%, Gemini 3.8 Live Extended Thinking (High) ở 97,7% và GPT-Realtime-2.1 High ở 95,8%. Tuyên bố được Ant Ling đưa ra vào ngày 18 tháng 11 năm 2026 lúc 08:37 UTC, mười chín phút sau khi chính kho lưu trữ của mô hình được chỉnh sửa để thêm cùng con số đó và một hình ảnh bảng xếp hạng. Thời điểm đó chính là toàn bộ câu chuyện: một mô hình ra mắt hồi tháng Chín mà không có điểm số từ bên thứ ba nay đã có một điểm, và con số này rất sát mức trần.

Nói cho chính xác về những gì mới và những gì không — vì đây không phải là một buổi ra mắt. inclusionAI đã tải trọng số Ming-3.0-audio-flash lên Hugging Face vào ngày 3 tháng 9 năm 2026 và không nói gì về việc đó trong sáu tuần; thẻ mô hình, hồ sơ phục vụ và mã ví dụ chỉ xuất hiện trong khoảng từ 15 đến 19 tháng 10. Điều thay đổi hôm nay là phần đánh giá, không phải checkpoint. Các shard safetensors vẫn là đúng những byte như hồi tháng 9. Vậy nên cách mô tả trung thực là: một mô hình âm thanh trọng số mở bảy tuần tuổi vừa được đo đạc bởi một người không phải tác giả của nó, và nó đã đứng đầu.

Big Bench Audio thực sự yêu cầu một mô hình làm gì

Đáng để nói cụ thể về bài kiểm tra này, bởi vì “suy luận giọng nói” nghe như một việc mà tác nhân thoại làm trong hội thoại, và phần lớn thì không phải vậy. Big Bench Audio là một bộ câu hỏi trắc nghiệm được đưa ra dưới dạng âm thanh: mô hình nghe một bản ghi âm, nghe hoặc đọc một câu hỏi về bản ghi đó, rồi chọn một câu trả lời. Nó đánh giá cao khả năng giữ một đoạn nói trong ngữ cảnh và áp dụng suy luận thông thường lên đó. Nó không đánh giá cao việc luân phiên lượt nói, xử lý ngắt lời, tín hiệu phản hồi hay khả năng nghe giống như một con người. Những điều đó nằm trên một bảng khác của Artificial Analysis, Full Duplex Bench, nơi Ming-3.0-audio-flash hiện không có điểm số nào được công bố.

Sự phân biệt đó ở đây quan trọng hơn bình thường, vì ở mức 99,8% chỉ số này gần như đã chạm trần. Trên một bảng gồm 42 mô hình, khoảng cách giữa vị trí thứ nhất và thứ năm là một điểm phần trăm. Giữa vị trí thứ nhất và mô hình đứng thứ mười ba — GPT-Realtime-2.1 High — là bốn điểm. Một bài kiểm tra mà gần như mọi mô hình hiện đại đều đạt điểm trong khoảng 90% là bài kiểm tra đã ngừng phân định được nhóm dẫn đầu, và việc hơn StepAudio 3 Realtime một điểm chỉ tương đương một vài mục trong một bài đánh giá mà không ai bên ngoài Artificial Analysis có thể kiểm chứng số lượng mục. Hãy hiểu thứ hạng này là “mô hình này thuộc nhóm dẫn đầu”, điều thực sự hữu ích, thay vì “mô hình này nghe tốt hơn một cách đo đếm được so với mọi thứ khác”, điều mà con số này không thể chứng minh.

Bảng xếp hạng theo đúng thứ tự, dành cho những ai muốn thấy cục diện tổng thể của cuộc đua hơn là những tiêu đề nổi bật:

• 1 — Ming-3.0-audio-flash, 99,8%

• 2 — StepAudio 3 Realtime, 99,7%

• 3 — Qwen Audio 3.0 Realtime Plus, 99,2%

• 4 — Phonic 1 (Cao), 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.

Có một chi tiết trong hồ sơ của chính nhà cung cấp đáng được lưu ý, vì đó là kiểu điều dễ bị âm thầm bỏ qua. Các hình ảnh đánh giá trên model card của inclusionAI, được tải lên vào tháng 10, cho thấy mô hình flash đạt 99,40 trên "BigBenchAudio". Artificial Analysis hiện báo cáo 99,8. Đây là hai lần chạy khác nhau của một benchmark tương tự, và khoảng cách không phải là lỗi ở cả hai — đó là độ phân tán thông thường khi harness, định dạng prompt và tập mục con không hoàn toàn giống nhau. Đây cũng là lời nhắc rằng bảng tháng 10 của nhà cung cấp và bảng của bên thứ ba hôm nay không phải là những con số có thể hoán đổi cho nhau, ngay cả khi chúng mang nhãn gần như giống hệt.

Những điều hội đồng không nói

Có ba điều còn thiếu trong mục Artificial Analysis, và mỗi điều đều quan trọng hơn đối với quyết định triển khai so với con số độ chính xác.

Đầu tiên là giá. Ming-3.0-audio-flash không có mức giá theo token hay theo phút trên Artificial Analysis vì không có gì để mua: đây là một checkpoint mixture-of-experts 126 tỷ tham số theo giấy phép MIT, với 6,5 tỷ tham số hoạt động mỗi bước. Chi phí chính là chi phí phần cứng. Ghi chú triển khai của chính inclusionAI đặt cấu hình phục vụ 128K tham chiếu ở chế độ song song tensor trên bốn H800 80 GB, với phương án dự phòng tám GPU cho âm thanh dài, và một cấu hình SGLang đã được xác thực ở bốn GPU chỉ trả về văn bản. Mọi mô hình đứng trên nó trên bảng xếp hạng, trừ chính nó, đều là API tính phí theo mức sử dụng. So sánh chúng chỉ dựa trên độ chính xác là so sánh một điểm benchmark với một điểm benchmark và bỏ qua việc một bên của bảng là mua đứt còn bên kia là thuê bao.

Điểm thứ hai là độ trễ. Artificial Analysis có đo thời gian đến âm thanh đầu tiên, và Ming-3.0-audio-flash ở mức 1,12 giây. Eleven Realtime v1 Max ở mức 0,57 giây — khoảng một nửa. Nếu ứng dụng của bạn là một voice agent phải trả lời trong khoảng dừng của cuộc hội thoại, thì một thắng lợi trên benchmark không bù đắp được cho một giây im lặng, và thứ tự trên bảng xếp hạng không nói lên điều gì về việc bạn có thể chấp nhận được con số nào trong hai con số đó.

Điều thứ ba là hành vi hội thoại. Có điểm Full Duplex Bench cho Eleven Realtime v1 Max (0,941 tổng thể, với xử lý ngắt lời ở 0,99 và luân phiên lượt nói ở 1,0) và cho một số mô hình realtime của Gemini và GPT. Ming-3.0-audio-flash không có điểm FDB, không có phân tích chi tiết về động lực hội thoại và không có phép đo nào được công bố về cách nó xử lý khi bị ngắt lời. Một mô hình có thể làm rất tốt các câu hỏi trắc nghiệm về âm thanh mà vẫn nói át lời bạn.

Và những con số tháng Mười của chính nhà cung cấp là bằng chứng ít tô hồng nhất trong toàn bộ bức tranh này. Trên cùng một model card quảng cáo chiến thắng về suy luận giọng nói, inclusionAI đã công bố điểm chuỗi âm thanh dài là 12,31 so với 34,54 của Qwen3.8-Omni Flash và 49,63 của Gemini 3.8 Flash, LongAudioSpan là 41,12 so với 66,40, và tỷ lệ lỗi phân tách người nói trên AMI là 25,29 so với 11,16 của MiMo-V2.6 Pro. Đó là những con số của chính nhà cung cấp, trên những tác vụ do nhà cung cấp lựa chọn, và chúng mô tả một mô hình xuất sắc với âm thanh ngắn kiểu hỏi-đáp và yếu trong việc suy luận xuyên suốt một bản ghi dài. Con số 99,8 trên Big Bench Audio không thay đổi được điều đó, vì Big Bench Audio không phải là một bài kiểm tra âm thanh dài.

Khoảng cách mười bảy phút giữa tấm thiệp và tweet

Commit của kho lưu trữ được đánh dấu thời gian 08:26:48 UTC ngày 18 tháng 11 và có tiêu đề, một phần, là “Update Flash BBA score to 99.8% and add the overall #1 leaderboard res…”. Bài đăng của Ant Ling tiếp theo lúc 08:37:02. Cùng commit đó đã chạm vào thẻ của kho lưu trữ anh em tí hon bốn mươi tám giây sau đó, thêm cùng một câu — một đoạn benchmark dùng chung, được sao chép vào cả hai kho lưu trữ, và là thêm một lý do để kiểm tra xem một con số thực sự thuộc về checkpoint nào trước khi trích dẫn nó.

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.'

Điều mà chuỗi đó cho bạn biết là thẻ mô hình giờ nằm sau bảng xếp hạng chứ không phải ngược lại. Trong sáu tuần, bằng chứng hiệu năng duy nhất cho Ming-3.0-audio-flash là một tập ảnh PNG trong thư mục assets/, do chính nhóm đã huấn luyện nó tạo ra. Đó không phải là chuyện nhỏ — đánh giá của nhà cung cấp thường trung thực, chỉ là lạc quan về việc lựa chọn tác vụ — nhưng đó là một loại bằng chứng khác so với việc một bên thứ ba tự chạy bộ khung đánh giá của riêng mình và công bố thứ hạng. Điều thú vị về hôm nay không phải là việc nhà cung cấp tuyên bố vị trí đầu tiên. Mà là việc một tổ chức không có lợi ích liên quan đến kết quả đã đưa mô hình lên đó.

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.

Nơi bộ định tuyến phù hợp và nơi nó không phù hợp.

OrcaRouter không phục vụ Ming-3.0-audio-flash. Mô hình này không nằm trong danh mục của chúng tôi, chúng tôi không thể cung cấp endpoint cho nó, và không có nội dung nào ở đây nên được hiểu là một lời chào mời. Nếu bạn muốn chạy nó, bạn phải clone repository, cài đặt đường thực thi mã Transformers 5 hoặc một trong các cấu hình phục vụ SGLang-Omni, rồi chỉ ít nhất bốn card 80 GB vào đó. Đó là hạ tầng, mà router thì không làm hạ tầng.

Điều mà router thực sự làm chính là nửa còn lại của bất kỳ pipeline giọng nói nào. Một ứng dụng giọng nói được xây dựng trên mô hình âm thanh tự lưu trữ vẫn chủ yếu là công việc văn bản: prompt quyết định sẽ hỏi bản ghi âm điều gì, bước hậu xử lý biến nhãn ngôn ngữ phân tách bằng tab thành đầu ra có cấu trúc, bản tóm tắt được viết từ bản ghi lời, bộ phân loại định tuyến cuộc gọi nhiễu đến người thật. Đó đều là những lệnh chat thông thường, và một API cho hơn 200 mô hình với mức phụ phí 0% — giá niêm yết của nhà cung cấp được chuyển thẳng, nên khi nhà cung cấp giảm giá thì bên chúng tôi có ngay trong cùng ngày — là thứ đơn giản hơn để đấu nối so với hợp đồng với nhà cung cấp thứ hai và thứ ba. Chuyển đổi dự phòng tự động chính là thứ cho phép bạn đặt một mô hình trọng số mở chưa được kiểm chứng phía sau một phần lưu lượng của mình mà không đặt cược toàn bộ đường đi vào nó.

Ranh giới chính là điểm mấu chốt. Một checkpoint 259 GB mà bạn chạy trên GPU của chính mình là một quyết định về vốn; còn router thì định tuyến các cuộc gọi. Nó không biến một mô hình chạy trên cụm thành mô hình được host, và nó cũng không biến 99,8% trên một bài benchmark trắc nghiệm thành bằng chứng về sản phẩm của bạn.

Điều gì sẽ khiến điều này có ý nghĩa?

Ba phép đo sẽ biến tiêu đề hôm nay thành một quyết định, và cả ba đều là thứ Artificial Analysis hoặc một arena có thể công bố mà không cần hỏi inclusionAI bất cứ điều gì. Điểm Full Duplex Bench sẽ cho biết liệu hành vi hội thoại có khớp với khả năng hiểu hay không. Một kết quả âm thanh dài trên một bộ công khai sẽ kiểm tra đúng trục mà bảng của chính nhà cung cấp yếu nhất. Và một lần chạy độc lập thứ hai của Big Bench Audio — một harness khác, một mẫu mục khác — sẽ cho bạn biết liệu 99.8 là hiệu ứng trần hay một khoảng cách thực sự.

Cho đến lúc đó, câu chính xác là một câu hẹp và đáng nói thẳng: một mô hình âm thanh trọng số mở của Ant Group, phát hành vào tháng 9 và được tài liệu hóa vào tháng 10, hiện đứng đầu trên một benchmark suy luận giọng nói của bên thứ ba, với cách biệt một điểm phần trăm so với mô hình xếp ngay sau, không có giá công bố, thời gian đến âm thanh đầu tiên gấp đôi đối thủ nhanh nhất trên bảng đó, và không có điểm hội thoại nào cả. Đó là một kết quả thực sự. Đó cũng là một tuyên bố nhỏ hơn nhiều so với "mô hình giọng nói tốt nhất", và chính khoảng cách giữa hai câu đó là nơi phần lớn suy nghĩ hữu ích về mô hình này vẫn còn phải diễn ra.

So sánh trong bài viết này2

Phát hiện từ bài viết này · Benchmark: Artificial Analysis · cập nhật hằng ngày