Ming-3.0-audio-flash 與 GPT Live 1：對「聽懂並回覆」的兩種截然不同答案

詢問 G​PT Live 1是什麼，文件會給你一個清楚的答案：一個全雙工語音模型，能同時聆聽與說話，並把推理與工具使用交給後端代理。同樣去問 Ming-3.0-audio-flash，你會得到相反的形態：一個 1,260 億參數的音訊語言混合專家模型，能聽見、對所聽見的內容進行推理，並可選擇性地說話——全都封裝在一個你以 MIT 授權自行託管的檢查點裡。其中一個是接在別人腦袋上的嘴和耳朵。另一個則連腦袋也是自己的。它們之間幾乎所有實務差異，包括價格、延遲，甚至你能測試什麼，都源自那一個架構選擇。像這次發布背後有紀錄的 AI 失效與代理事件，都收錄在 the OrcaRouter AI Incident Archive，其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。

兩者都不是一般意義上的發布故事。G​PT Live 1 是一個有文件記錄、正式全面可用的模型，附有費率表與併發限制；其知識截止日列為 2025 年 7 月 31 日，這說明它已在產品目錄中有一段時間。Ming-3.0-audio-flash 帳面上已六週，實際上才四天：權重於 2026 年 9 月 3 日出現在 Hugging Face，沒有任何公告，而且該儲存庫在服務程式碼、範例與改寫後的模型卡於 10 月 15 日至 19 日間到位之前，實際上一直無法使用。GitHub 儲存庫建立於 10 月 15 日。Hugging Face 頁面目前顯示 22 次下載。

當你中斷它時會發生什麼事？

這是正確的第一個問題，因為它比任何基準測試都更快區分出這兩種設計。

GPT Live 1 明確採用全雙工。它會同時聆聽與說話，這正是自然插話得以實現的原因：你可以在它話說到一半時開始說話，而它會停下來。工作階段端點是 v1/live/sessions，而文件記載的功能是串流與函式呼叫。結構化輸出、微調與預測輸出則列為不支援。推理與工具執行委由後端代理處理，這項設計決策讓語音迴圈保持快速，並讓模型小到足以維持低廉的每分鐘成本。

Ming-3.0-audio-flash 並未宣稱支援雙工運作，而且它的介面根本不是工作階段。它是一個請求：輸入音訊加文字指令，輸出文字，或輸出文字加語音。服務選項有 vLLM-Omni 和 SGLang，兩者都提供與 OpenAI 相容的 chat-completions 風格介面，另外還有供本機作業使用的 Transformers 路徑。串流語音可透過 vLLM-Omni 範例取得，該範例會回報延遲指標，但對已完成請求的串流回應，並不等同於在別人說話時插話。

這個區別決定了整個產品類別。必須處理插話（barge-in）的呼叫中心客服需要雙工。會議轉錄與分析流程完全不需要它，若採用針對對話輪替最佳化的模型，反而會受到實質傷害。

兩種其實無法相比的計費模式

GPT Live 1 的計費為每分鐘 0.05 美元、按秒計費，不會進位成整分鐘。換算下來是每小時 3.00 美元，而且這是按時長收費，而非按 token 收費——文件指出，後端模型與工具的使用會另行計費。因此，語音層是按實際耗時（wall-clock time）計量，而後端代理所做的每一件事都會落到第二筆帳單上。

• 一小時開放麥克風時段 — 在 G​PT Live 1 上 $3.00，統一價，無論說了什麼。

• 一百小時——300 美元。

• 一千小時 — 3,000 美元。

Ming-3.0-audio-flash 沒有費率表。你付的是硬體費用。完整 128K 上下文並具語音輸出的參考設定，是在八張 80 GB H800 上進行張量平行；經驗證的 SGLang 設定可在四張 GPU 上執行，但僅產生文字。參數總量為 126B，每步啟用 6.5B。

真正誠實的比較不是每分鐘多少美元，因為沒有人發表過 Ming 在八張 H800 上的吞吐量基準。這是形態上的差異。G​PT Live 1 無論有沒有人說話都按時間收費，因此客服通話中的無聲等待，與一場密集爭論的成本相同。Ming 無論有沒有人說話都按 GPU 時間收費，因此閒置容量與忙碌容量的成本相同——但你可以用其他工作階段把它填滿。這就是整體的取捨：按時計量可預測且閒置成本高；自有容量不可預測且可容忍閒置。

有一個第二層次的重點比標題本身更重要。G​PT Live 1 的語音迴路每小時收費 3.00 美元，然後再就後端代理所做的任何事情另行收費。如果你的使用情境是「聆聽、判斷、呼叫三個工具、回覆」，你等於在同一段對話上付兩種計費，而第二個計費表正是會隨複雜度增加的那個。Ming-3.0-audio-flash 把這兩個階段併入對音訊的一次前向傳遞，這正是它需要八張 GPU 的原因。

G​PT Live 1 不會為你做的事

請仔細閱讀模態表。輸入為音訊與文字。輸出為音訊與文字。圖像與影片列為不支援。這是一款語音產品，刻意維持狹窄定位。

Ming-3.0-audio-flash 則朝著另一個不同的方向發展，應用範圍較窄。它的輸入是音訊與文字指令——同樣沒有圖像——但它的輸出包含對音訊內容的分析：非語音聲音、聲學場景、音樂、多位說話者、長時間錄音。這張卡片的五項重點是跨方言與噪音的辨識、長音訊理解、多維感知、音訊推理，以及音訊互動。其中只有最後一項與 G​PT Live 1 的用途重疊。

所以真正站得住腳的比較是這樣：G​PT Live 1 取代的是電話通訊層。Ming-3.0-audio-flash 取代轉錄供應商、語者分離供應商和音訊分類模型，然後還提供語音輸出模式。如果你原本要買三項服務和一個語音模型，Ming 就是一個檢查點。如果你是要為既有的代理程式添購語音前端，Ming 完全是買錯東西。

沒有人會放進比較表裡的限制

G​PT Live 1 有明文記載的速率限制，以同時工作階段數計算：Build 為 50、Launch 為 300、Grow 為 500，而且完全沒有免費方案。這些是你能同時執行多少通呼叫的硬性上限，而且它們是公開的，這比大多數廠商提供的還多。

Ming-3.0-audio-flash 沒有對應的數字，因為沒有營運方會公布這樣的數字。它取而代之的是一項硬體門檻：完整設定檔需要八張 GPU，純文字 SGLang 則需四張。在四張 GPU 上你會失去語音輸出；用八張才拿得到，而該儲存庫註明，在完整音訊設定檔中，Talker 會以獨立的記憶體預算重複使用 GPU 7。

語言的分歧同樣劇烈。Ming 列出中文和英文，並包含口音與方言。G​PT Live 1 模型頁面完全沒有公布語言清單；只記錄了其知識截止點、模態、定價與功能旗標。這種缺失值得如實說明，而不是從同系列模型的文件中補齊。

另外，關於上下文：兩個頁面在模型文件中都沒有說明{{1}}上下文視窗{{/1}}。Ming 的儲存庫提到{{2}}「參考用 128K 服務設定檔」，{{/2}}但明確表示不將其定義為模型的上下文長度。G​PT Live 1 的頁面則完全沒有說明。任何人若為兩者之一引用數字，引用的其實是別的東西。

一個情境，兩種定價方式

處理一通40分鐘的客戶支援通話，一次只處理一位講者，最後加上一個摘要步驟，對話過程中大約有十幾次工具呼叫。

在 GPT Live 1 上，語音迴圈為 40 分鐘，每分鐘 $0.05，也就是 $2.00。那十二次工具呼叫與摘要作業都在後端代理上執行，並由該代理所使用的任何模型另行計費——文件明確如此說明，但沒有給出數字。因此，你能計算出的價格是下限，而非總額。

在 Ming-3.0-audio-flash 上，一次呼叫會佔用八張 GPU 的部分資源達 40 分鐘。如果這些 GPU 每張每小時 2 美元，而你同時執行十次呼叫，每次呼叫分攤約 1.07 美元。如果一次只執行一次呼叫，則是 10.67 美元。此模型的模型卡中沒有記錄任何工具呼叫功能——其重點是辨識、理解、感知、推理與互動，而功能清單中沒有函式呼叫——因此，無論如何，情境中的「十二次工具呼叫」部分都會移到你自己的編排層。

最後這項觀察通常就是定奪的關鍵。GPT Live 1 在工作階段中內建函式呼叫。Ming-3.0-audio-flash 則把協調編排留給你。對於已有代理框架的團隊來說，這沒問題。對於希望語音層也能同時身兼代理的團隊而言，這是一筆相當大的工作量，而每分鐘 0.05 美元其實一直在默默為此買單。

誠實地測試其中任何一個

今天下午你可以評估 GPT Live 1。開啟一個工作階段、串流音訊、計算它處理的打斷次數、測量往返時間，並在一天結束時查看帳單。你唯一不能做的，就是檢視它。

你可以在本週評估 Ming-3.0-audio-flash，前提是你有 GPU；而你將評估的是一個截至 10 月 19 日——也就是本文撰寫當天——仍在編輯中的儲存庫，其卡片上的基準測試面板是圖片，數值結果並未寫在文字中。那些圖表中的每個分數都是廠商自行執行的，有些還標上星號，表示是團隊自己的評估。Ming-3.0-audio-flash 沒有獨立結果，G​PT Live 1 也沒有音訊推理基準測試，因此今天任何人都無法將兩者互相比較排名。

那不是跳過 Ming 的理由。那是先在自家音訊上測試、再決定是否投入八張 GPU 的理由，同時在測試期間讓託管路徑保持運作。把兩者放在同一個路由層後面，就是這個實驗的省錢版本：一組金鑰即可取用 200 多個模型，價格就是供應商定價、不加收任何費用，所以比較起來只會產生推論費用，不必再跑一輪採購流程。當開放權重檢查點在自家音訊上開始勝出時，容錯移轉會把流量轉過去，無須改動程式碼；當它落敗時，流量就會移回來。

該選哪一個

如果產品是語音代理、中斷處理是必要需求而非加分項、你希望在會話內進行工具呼叫，且你的併發數會維持在數百個會話以下，就選擇 GPT Live 1。計量價格易於預測，營運負載為零。

如果產品是音訊分析並可選擇以語音回覆，若你需要擁有模型權重，或在 API 無法觸及的環境中執行它們，若 MIT 授權對你的法務審查很重要，且你能為它配置八張 H800，就選 Ming-3.0-audio-flash。不要因為它免費而選它——它並非免費，而是硬體採購——也不要期待它具備 G​PT Live 1 所記載的工具呼叫與雙工行為而選它。

唯一要留意的是 inclusionAI 是否會公布其服務設定檔的延遲與吞吐量數據。目前該儲存庫只告訴你如何執行模型，完全沒說它跑得多快。在這一點改變之前，任何聲稱 Ming-3.0-audio-flash 能取代即時語音 API 的說法都只是假設，而非實測。