Gemini Omni 1.2 Flash مقابل Ming 3.0: الصوت داخل الفيديو، أم الصوت بمفرده؟

«Ming 3.0» ليس نموذجًا، بل عائلة من خمس نقاط تحقق من inclusionAI، مختبر الأبحاث التابع لـ Ant Group، وكلها تتعلق بالصوت: يقرأ Ming-3.0-audio-flash الصوت ويجيب بالنص، وMing-3.0-audio-tiny هو شقيقه بحجم 9B، ويحوّل Ming-3.0-tts-0.5B وMing-3.0-tts-tiny النص إلى كلام، ويفرّغ Ming-3.0-asr-tiny الصوت نصيًا. ولا يولّد أي منها إطار فيديو واحدًا. أما Gemini Omni 1.2 Flash، المتاح عمومًا منذ 5 نوفمبر 2026، فيولّد من ثلاث إلى خمس عشرة ثانية من الفيديو مع صوت متزامن بنحو 0.07 دولار لكل ثانية من مخرجات 720p.

لذا فإن المواجهة المباشرة بينهما تُعدّ خطأً في التصنيف — باستثناء واحد يتبيّن أنه القصة كلها. وأهم ادعاء جديد جوهري لدى Gemini Omni 1.2 Flash يتعلق بالكلام: تقول Google إنه ينتج {{1}}حوارًا أكثر سلاسة وطبيعية في الصوت، ومزامنة شفاه أوضح، وتكييفًا مميزًا لعدة متحدثين{{/1}}. ويؤدي Ming-3.0-tts نسخة ضيقة واحدة من تلك المهمة، على عتادك الخاص، بموجب ترخيص MIT، دون أي تكلفة لكل استدعاء. إذا كان ما تحتاجه فعليًا من أي من النظامين هو مسار صوتي، فإن تلك الجملة هي المقارنة. وإذا كنت تحتاج إلى الصوت مرتبطًا بوجه يمشي عبر غرفة مضاءة، فجانب واحد فقط من هذه الصفحة يمكنه مساعدتك.

العائلة، نقطة بنقطة

يجدر توضيح الأمر بوضوح، لأن التسمية تُثير الالتباس والطوابع الزمنية متفرقة.

• Ming-3.0-audio-flash — 126B إجمالي المعلمات مع تنشيط 6.5B لكل رمز، وهو نموذج MoE أصلي للصوت واللغة يستقبل الصوت والنص ويعيد نصًا، مع وحدة Talker اختيارية تنطق الإجابة. نُشرت الأوزان على Hugging Face في 3 سبتمبر 2026، بنحو 259 غيغابايت موزعة على 25 جزءًا. ولم تصدر بطاقة النموذج الحقيقية وأصول الاختبارات المعيارية وإعادة الترخيص بموجب MIT إلا في 19 أكتوبر 2026 — بعد ستة أسابيع من صدور نقطة التحقق.

• Ming-3.0-audio-tiny — النسخة 9B من الفكرة نفسها، التي نُشرت في اليوم نفسه.

• Ming-3.0-tts-0.5B — نموذج كثيف لتحويل النص إلى كلام بحجم 0.5B على أساس Qwen2.5-0.5B، يدعم سبع لغات بالإضافة إلى السيتشوانية والكانتونية، واستنساخ صوتي صفري من مقطع مرجعي قصير، وتصميم صوت من وصف باللغة الطبيعية. تم رفعه في 22 سبتمبر 2026.

• {{1}}Ming-3.0-tts-tiny{{/1}} — الشقيق الأصغر لـ TTS، بالتاريخ نفسه.

• Ming-3.0-asr-tiny — الجانب الخاص بالنسخ، 14 أكتوبر 2026.

يشير تصنيف 3.0 إلى حزمة صوتية، وليس إلى نموذج متعدد الوسائط رائد. وهذا مهم لأن البحث عن "Ming 3.0" إلى جانب نموذج فيديو يوحي بأن شخصًا ما يعتقد خلاف ذلك، وسلسلة Ming تضم بالفعل نموذجًا شاملًا — Ming-flash-omni-2.0، المنشور في فبراير 2026 — لكنه جيل مختلف باسم مختلف وليس ما تمثله نقاط التحقق 3.0.

أين يقع التداخل فعليًا: مسار الحوار

إذا أزلنا الحاويات، يستطيع كلا النظامين إنتاج شخص يتحدث. لكنهما يصلان إلى ذلك من اتجاهين متعاكسين.

تولّد Gemini Omni 1.2 Flash المشهد كاملًا. تكتب وصفًا للقطة، وإذا احتوى الوصف على حوار، أو إذا وجّهت النموذج نحو ذلك، فإنه يدمج الكلام في الفيديو إلى جانب الأجواء الصوتية والموسيقى. يتم توليد الصوت افتراضيًا؛ ويقول الدليل إن النموذج "سيحاول توليد مسار صوتي مناسب" سواء طلبت ذلك أم لا. جودة الحوار ادعاء عند الإطلاق وليست مقياسًا مُقيَّمًا، ولا تنشر Google أي معيار تقييم صوتي على الإطلاق. مسار المرجع مُدرَج في قائمة السماح على Google Cloud: يمكنك تقديم عينات صوتية مدتها ثانية واحدة كإشارات صوتية، لكن تحميل مدخلات صوتية أو مراجع صوتية غير مدعوم في النموذج في الإصدار الحالي، ويتم تجاهل صوت الفيديو المرجعي، كما أن تحرير الصوت غير مدعوم. يمكنك توليد صوت عبر الوصف. لكن لا يمكنك إزالته واستبداله.

Ming-3.0-tts يفعل شيئًا واحدًا: النص يدخل، والكلام يخرج، مع الصوت تحت سيطرتك. استنساخ بدون تدريب مسبق من مقطع مرجعي قصير، وتصميم صوت من وصف مكتوب، وأربع عشرة علامة لسانية جانبية مضمّنة، وإعدادات صريحة للانفعال والسرعة وطبقة الصوت ومستوى الصوت. أرقام Seed-TTS المبلّغ عنها من المورّد هي WER صيني 0.800% مع SIM 0.758، وWER إنجليزي 1.584% مع SIM 0.691؛ وعلى NVBench للصينية المفردة تُبلغ عن CER 2.70 وPCER 22.80 وOCER 3.20، وهي الأفضل بين النماذج التي تسردها. تلك أرقام inclusionAI الخاصة، غير مُعاد إنتاجها، مطبوعة على البطاقة.

إذا وضعناهما جنبًا إلى جنب، فالفارق الصادق هو هذا. يمنحك Omni صوتًا لم تحدده، مرتبطًا بأداء لم تحدده أيضًا، مقابل نحو دولار واحد لكل مقطع مدته خمس عشرة ثانية. أما Ming-3.0-tts فيمنحك تحكمًا دقيقًا في خاصية واحدة فقط — كيف يبدو الصوت — ويسلمك موجة صوتية بلا صورة مرفقة.

ما تكلفة كل منها، بوحدات لا تستوفي

عدّاد Omni بسيط وعلني. 12.00 دولار لكل مليون توكن من إخراج الفيديو، تُحوّلها Google بمعدل 5,792 توكنًا لكل ثانية بدقة 720p إلى نحو 0.07 دولار للثانية. مقطع مدته خمس عشرة ثانية يكلّف نحو 1.05 دولار. ومسودة بالطول نفسه بدقة 360p تكلّف نحو 0.35 دولار، وترقية إلى 4K نحو 3.14 دولار. لا توجد فئة مجانية، لذا فإن جلسة النماذج الأولية فاتورة حقيقية.

ليس لدى Ming سعر لكل استدعاء لأنه لا توجد نقطة نهاية مستضافة له. التكلفة هي العتاد. بالنسبة إلى Ming-3.0-audio-flash بسياق 128K، فإن ملف التعريف المرجعي الخاص بـ vLLM-Omni من inclusionAI يعتمد على التوازي الموتر عبر أربع وحدات H800 بسعة 80 GB، مع خيار احتياطي بثماني وحدات GPU عندما تنفد الذاكرة في الصوت الطويل ويكون Talker مثبّتًا على GPU 7. لدى SGLang ملف تعريف مُتحقّق منه بأربع وحدات GPU لإخراج النص، ويشغّل SGLang-Omni خط المعالجة بالكامل على وحدتين — thinker موزّعًا على وحدتي GPU، ومُشفّر الصوت على GPU 0، وتوليف الكلام على GPU 1. إن Ming-3.0-tts-0.5B صغير بما يكفي لاختباره على وحدة H800-80GB واحدة أو H20-96G مع CUDA 12.4.

تحويل أحدهما إلى الآخر هو حيث يخطئ الناس. فمقارنة "مجاني بعد رأس المال" بـ"سبعة سنتات في الثانية" تُنتج رقمًا يعتمد كليًا على معدل الاستخدام، وعند عشر مقاطع في الأسبوع تكون وحدة معالجة الرسومات أغلى بكثير لكل ثانية من الإخراج. أما عند الحجم المستمر فهي أرخص بكثير. ولا يوجد سعر صرف ينطبق على الحالتين معًا.

الترخيص والتحكم، وهو السبب الحقيقي لاختيار Ming

كل شيء في خط Ming-3.0 مرخّص بموجب MIT، مع ملف إخلاء مسؤولية قانوني منفصل. وهذا يعني الاستخدام التجاري، والتعديل، والضبط الدقيق على بيانات صوتك الخاصة، وإعادة التوزيع — مع الإسناد ودون الحاجة إلى إذن. إذا كان ما يميّز منتجك هو صوت، أو لهجة، أو قراءة علامة تجارية يجب أن تبدو متطابقة في كل مرة، فإن القدرة على الضبط الدقيق لنقطة التحقق ليست ميزة إضافية كمالية. بل هي القدرة بأكملها.

يمثّل Gemini Omni 1.2 Flash المقايضة المعاكسة. لا أوزان، ولا ضبط دقيق، ولا تحرير للصوت، وبنية غير معلنة، وشروط خدمة تحكم المخرجات، وعلامة مائية SynthID على كل إطار وكل ثانية من الصوت سواء أردت ذلك أم لم ترده. تحرير الفيديو المرفوع أو تمديده غير متاح في المنطقة الاقتصادية الأوروبية وسويسرا والمملكة المتحدة — وهو قيد إقليمي يستبعد طرح التحرير الحواري تمامًا للفرق في تلك الأسواق. وفي المقابل، تحصل اليوم على نقطة نهاية عاملة، ومقاطع مدتها 15 ثانية، وترقية إلى دقة 4K، وصور مرجعية تصل إلى ست صور لكل طلب لضمان اتساق الشخصيات والمنتجات، وسعر يمكنك التنبؤ به.

• الأوزان — نقاط تحقق MIT خالية من Apache يمكنك امتلاكها في مقابل نموذج مُستضاف مغلق.

• الإخراج — مخطط موجة الكلام مقابل الفيديو مع صوت متزامن.

• التحكم الصوتي — الاستنساخ والتصميم وإعدادات المشاعر وطبقة الصوت مقابل الاعتماد على التوجيه النصي فقط، دون أي تحرير للصوت.

• الضبط الدقيق — متاح على كل نقطة تحقق من Ming، وغير متاح على Omni بأي سعر.

• وقت الوصول إلى النتيجة الأولى — تنزيل بحجم 34 غيغابايت أو أكثر وبيئة عمل مقابل مفتاح API وعملية تصيير تستغرق من 28 إلى 136 ثانية.

• التكلفة الحدية — ساعة GPU مقابل نحو 0.07 دولار لكل ثانية إخراج.

خط الأنابيب الذي يظهر فيه كلاهما

ثمة سير عمل حقيقي يستخدم كليهما، ويجدر توضيحه بالتفصيل لأنه الموضع الوحيد الذي تتحول فيه المقارنة إلى قرار.

يكتب فريق منتجات نصًا إعلانيًا مدته خمس عشرة ثانية، ثم يولّد الصوت باستخدام Ming-3.0-tts اعتمادًا على صوت علامة تجارية مستنسخ، وبعد ذلك إما يزامن حركة الشفاه في اللقطات مع هذا المسار الصوتي، أو يستخدم شكل الموجة كمرجع توقيت لعرض Omni. تكلّف خطوة TTS دقيقة واحدة من وقت GPU وتمنح تحكمًا دقيقًا في الإيقاع والنطق. أما خطوة Omni فتكلّف نحو دولار واحد وتنتج لقطة واحدة. وتنفيذ ذلك بهذا الترتيب يعني إصلاح النص قبل الإنفاق على الفيديو، وهو نفس انضباط المسودة ثم النسخة النهائية الذي توصي به Google داخليًا عبر مسودات بدقة 360p وترقيات إلى 4K.

القيام بذلك بالطريقة المعاكسة — توليد المقطع، ثم محاولة استبدال صوته — لا ينجح. لا يدعم Omni تحرير الصوت، كما أن رفع مرجع صوتي غير مدعوم في النموذج. الصوت الذي ينتجه هو الصوت الذي تنشره.

لا يوجد أيٌّ منهما في كتالوجنا، وهذا أمرٌ يستحق الذكر.

لا يوجّه OrcaRouter أيّاً من النموذجين. يعيد google/gemini-omni-1.2-flash الخطأ 404 مقابل صفحات النماذج الحيّة لدينا، ولا تملك نقاط تفتيش Ming-3.0 أي نقطة نهاية مستضافة على الإطلاق — فهي تنزيلات من Hugging Face مع مسار vLLM-Omni كان لا يزال طلب سحب حتى آخر فحص. ولا يصل أي استدعاء إلى واجهة برمجة التطبيقات لدينا إلى أيٍّ منهما، وتفضّل هذه الصفحة ذكر ذلك على الإيحاء بخلافه.

إن المكان الذي تستحقه البوابة فعلًا هو طبقة النصوص التي يمر بها سير العملين: النص، وقائمة اللقطات، وضمان جودة صوت العلامة التجارية، والتدقيق الذي يلتقط المقطع الذي تم فيه تخطي تعليمات. هذا مفتاح واحد عبر أكثر من 200 نموذج مع تجاوز تلقائي للفشل، ولغة DSL للتوجيه لتجميع الخطوات في استدعاء واحد. من ناحية التسعير، يفوتر OrcaRouter بهامش 0% مع تمرير سعر القائمة الخاص بالمزوّد كما هو، لذا عندما نقلت Google سعر فيديو Omni من 17.50 دولارًا إلى 12.00 دولارًا لكل مليون رمز إخراج في 5 نوفمبر، أصبح التغيير ساريًا من جانبنا في اليوم نفسه.

القرار، باختصار

إذا كانت مشكلتك هي صوت — صوت محدد، قابل للتكرار، وربما مُضبَط بدقة، وربما بلهجة — فإن Ming-3.0-tts هو الأداة المناسبة، ورخصة MIT هي السبب. لن يمنحك صورة، ولم يكن مقصودًا له ذلك قط.

إذا كانت مشكلتك مشهدًا يظهر فيه شخص، وكان الصوت يحتاج فقط إلى أن يكون مقنعًا ومتزامنًا، فإن Gemini Omni 1.2 Flash هو الوحيد بين الاثنين القادر على ذلك، وهو يفعل ذلك بسعر يمكنك حسابه قبل أن تبدأ.

ما لن يفعله أيٌّ منهما هو أن يتيح لك تحديد الصوت والصورة كلًا على حدة. هذه الفجوة هي أحدث ما وصلت إليه التقنية فعليًا في نوفمبر 2026، وأي سير عمل تبنيه عليه أن يلتف حولها بدلًا من أن يمر عبرها.