Ming-3.0-audio-flash 對比 Gemini 3.8 Live：開放權重、八張 GPU，以及一筆你真的算得出來的帳單

將連續一小時的音訊輸入G​emini 3.8 Live，按 G​oogle 公布的定價，費用為 $0.30。將一小時的音訊輸出，費用為 $1.08。雙向語音工作階段若兩個方向都跑滿一小時，費用為 $1.38。Ming-3.0-audio-flash完全沒有按分鐘計價，因為沒有可購買的端點：它是一個以 MIT 授權、具 1,260 億參數的混合專家檢查點，而它的成本就是八張 H800 跑一小時所需的花費。整個比較就這兩句話，而這兩個系統之間幾乎所有其他差異都由此而來。像這次發布背後那些有紀錄的 AI 故障與代理事件，都收錄在OrcaRouter AI Incident Archive中，每筆條目都附有自己的來源、嚴重程度、信心等級與爭議標記。

時間點很重要，因為這不是一場發布。inclusionAI 於 2026 年 9 月 3 日把 Ming-3.0-audio-flash 權重放上 Hugging Face，卻隻字未提。長達六週，這個儲存庫實際上只是一個裝滿分片的資料夾：沒有 serving 程式碼、沒有範例、沒有可用的模型卡。GitHub 儲存庫建立於 10 月 15 日，vLLM-Omni 與 SGLang 設定檔、語音預設集，以及重寫過的模型卡，都在 10 月 15 日至 10 月 19 日之間上線；截至本文撰寫時，Hugging Face 頁面顯示 22 次下載。相較之下，G​emini 3.8 Live 是穩定、正式全面提供的 Live API 模型，G​oogle 將其描述為低延遲語音代理的預設選擇。其中一個是你今天下午就能呼叫的產品。另一個直到本週才變得可執行，而且仍然沒有營運者。

這兩個系統實際上究竟是什麼

G​emini 3.8 Live 是 Live API 背後的託管式串流模型。此 API 接受 16 kHz 的原始 16 位元 PCM 音訊、最高每秒一幀的影像，以及文字，並回傳 24 kHz 的原始 PCM 音訊。G​oogle 的 Live API 文件指出其涵蓋 70 種語言。您開啟工作階段、進行串流，然後取回音訊；過程中沒有檢查點、沒有 GPU 預留，也無需閱讀授權條款。

Ming-3.0-audio-flash 是更字面意義上的音訊語言模型。音訊編碼器與投影器將輸入饋入專家混合（mixture-of-experts）語言主幹，而選配的 Talker 則將模型的文字輸出轉為語音。輸入為音訊加上文字指令。輸出為文字，或文字加上合成語音。模型卡將中文與英文列為主要語言，「包含各種口音與方言」。授權條款為 MIT。

• 參數 — Ming：總計 126B，每次推論步驟啟用 6.5B（Hugging Face 側邊欄另顯示 128B，卡片並未說明這項差異）。G​emini 3.8 Live：未公開。

• 語言 — Ming：中文與英文。G​emini 3.8 Live：依據 Live API 文件，支援 70 種語言。

• 輸入 — Ming：音訊與一段文字指令。G​emini 3.8 Live：音訊、圖像、文字。

• 輸出 — Ming：文字，可選擇語音。G​emini 3.8 Live：音訊，以及透過同一工作階段傳送文字。

• 授權條款 — Ming：權重與程式碼採用 MIT 授權。G​emini 3.8 Live：商業 API 協議。

• 價格 — Ming：沒有價目表；需按 GPU 付費。G​emini 3.8 Live：每百萬音訊輸入 token $3.00，或每分鐘 $0.005；每百萬音訊輸出 token $12.00，或每分鐘 $0.018；文字每百萬輸入 $0.75、輸出 $4.50。

音訊時數計算，妥善執行

上面那些每分鐘的數字，才是值得內化的，也是大多數比較會弄錯的地方：它們向根本不知道一分鐘語音會消耗多少 token 的讀者引用 token 價格。改用每分鐘費率吧，因為 G​oogle 直接公布這些費率。

• 僅聆聽，一小時——以每分鐘 $0.005 計算，60 分鐘為 $0.30。

• 僅語音通話，一小時 — 60 分鐘以每分鐘 $0.018 計算為 $1.08。

• 完整雙向一小時 —— $1.38，未計任何文字 token 或工具呼叫。

• 雙向共一千小時 — $1,380。

現在來看 Ming-3.0-audio-flash 在同一個小時的情況。根據該儲存庫自身的部署說明，完整 128K 上下文並具備語音輸出的參考服務配置，是跨八張 80 GB H800 GPU 的張量平行化。四張 GPU 可執行一套經驗證的 SGLang 配置，但該配置僅支援文字輸出。因此，誠實的自架比較是八張 GPU 對上按量計費的工作階段。假設每 GPU 小時為 2 美元，一小時容量成本為 16 美元——而且這是整張 GPU 的成本，你可以把它分攤到多個並行請求，而不是單一對話。在十個並行串流下，每對話成本降至每小時不到 1.60 美元；在一百個並行串流下，則不到 0.16 美元。這些是算術推算，不是實測，而且忽略了使用率、批次處理效率，以及一個 126B 模型在 6.5B 活躍參數下，面對短音訊片段時不會讓八張 H800 滿載的事實。

交叉點確實存在，但不在人們以為的地方。在約十二個同時進行的對話以下，G​emini 3.8 Live 比租用八張 H800s 更便宜，也比購買它們便宜得多。超過這個數量，而且假設你能讓批次維持滿載，開放檢查點在原始運算成本上勝出——這正是支持開放權重的完整經濟論證，也是為什麼該記住的是八張 GPU 這個需求數字，而不是參數數量。

「音訊理解」在各方分別代表什麼意思

Gemini 3.8 Live 是為對話而打造。它的職責是聆聽你、快速回應，並處理輪流發言。Google 的模型清單將其定位為預設的 Live 模型，「適用於大多數低延遲語音代理體驗，且不會有推理延遲」，這是在說明延遲預算，而非音訊分析的深度。

{{1}}Ming-3.0-audio-flash{{/1}} 指向的是不同的任務。這張卡片的 {{2}}五大亮點{{/2}} 是跨方言、口音、噪音與多人錄音的複雜語音辨識；長音訊理解；對非語音聲音、聲學場景與音樂的感知；對音訊內容進行推理；以及可選擇合成回覆的口語互動。這是一份附帶聊天模式的轉錄與分析清單，而不是語音代理清單。

實務上的結果是：如果你的產品是必須在 400 毫秒內回應的電話代理，那麼 G​emini 3.8 Live 正是符合這類需求的形態，而 Ming-3.0-audio-flash 則不是，無論基準測試分數為何。如果你的產品是「匯入一場 90 分鐘的財報電話會議、告訴我誰說了什麼，並標記財務長語氣改變的那一刻」，那麼 Ming 卡描述的正是你的工作，而 Live API 描述的則是另一回事。

至今無人解決的基準問題

Ming-3.0-audio-flash 在其儲存庫中提供三個基準測試面板：語音辨識、音訊智慧與文字。所有數值均為百分比，除標有向下箭頭者外，數值越高越好；標有星號的結果則為團隊自行評估所得。儲存庫另加註明：對照模型的結果是在 inclusionAI 自身的評估設定下重現，可能因提示詞、解碼設定、模型版本與流程管線，而與這些模型的官方報告有所差異。

那段註記異常直言不諱，也意味著這些圖表不能用來將 Ming 與 Gemini 3.8 Live 相互排名。數字藏在圖片裡，不在 README 文字中，而 Google 並未針對 3.8 Live 發布可相比的音訊理解套件。沒有任何第三方排行榜同時評測過這兩者。任何人拿給你看、把這兩個模型並列的長條圖，都是一邊建立在廠商宣稱上，另一邊則什麼都沒有。

目前唯一誠實的說法是：Ming-3.0-audio-flash 有廠商自行公布的數據，卻沒有獨立數據；G​emini 3.8 Live 有量產實績，卻沒有公開的音訊推理基準。對採購決策唯一重要的類別——證據——而言，這是平手。

OrcaRouter 適合的地方，以及不適合的地方

Ming-3.0-audio-flash 並不在我們的平台上。我們不會粉飾這件事：如果你想執行它，就得自己複製儲存庫、安裝它指名的 vLLM-Omni 或 SGLang 分支，並自備 GPU。在這項比較中，路由器的價值在於決策的另一面——也就是你已經決定由託管的音訊模型來處理你的即時流量，而問題變成該選哪一個託管模型、價格是多少，以及工作階段失敗時有什麼備援。這是橫跨單一金鑰背後 200 多個模型的路由問題，以供應商定價提供、不加收任何費用，因此供應商的價格變動當天就會反映到你身上，而不是等到下一次合約續約。

對於正在測試某個開放音訊檢查點是否值得承擔正式環境流量的團隊而言，實用的模式是將託管路徑保留為備援，並逐步將流量移轉到自託管的 Ming。 自動容錯移轉正是讓那次遷移可逆，而不是一場賭注的關鍵。

選擇

如果你這一季就需要在生產環境中部署語音代理、需要支援超過兩種語言、需要在同一條串流中處理影像，或預期同時進行的對話少於十二通，那就選 G​emini 3.8 Live。每分鐘的費用很低，維運負擔為零，而且模型穩定、文件齊全。

如果需要自己擁有權重、需要在地端或氣隙環境中執行、需要 MIT 條款、主要使用中文和英文工作，而且有八張 H800，或有能分配給你這些資源的排程器，就選 Ming-3.0-audio-flash。預期要自己做評估，因為沒有人幫你做過。預期工具鏈只有幾天大，因為確實如此。並預期模型卡會在你使用期間持續變動：它的最後一次提交就是本文撰寫當天。

還有第三種情況，而且它是最大的一種。如果你還不知道自己屬於那兩種中的哪一種，那你就還沒準備好在按用量計費的 API 與八顆 GPU 的部署之間做選擇。先把你自己的音訊一百小時送進託管模型跑一遍，衡量你實際需要多少準確度，再讓那個數字決定開放檢查點是否值得佔用機架。

看什麼

真正會改變這項比較的，不是基準測試，而是營運商。當某個服務供應商把 Ming-3.0-audio-flash 放在相容於 OpenAI 的端點背後，並標上每小時價格的那一刻，八張 GPU 的論點就不再是讀者的問題，而每小時 1.38 美元也有了競爭對手。在那之前，誠實的總結是：Google 賣的是一分鐘，而 inclusionAI 送出的是一台機器，兩者只有在你已經擁有那台機器時才具有可比性。