Gemini Omni 1.2 Flash vs. Ming 3.0: Die Stimme im Video oder die eigenständige Stimme

„Ming 3.0“ ist kein Modell. Es ist eine Familie aus fünf Checkpoints von inclusionAI, dem Forschungslabor von Ant Group, und jedes davon dreht sich um Audio: Ming-3.0-audio-flash liest Audio und antwortet in Textform, Ming-3.0-audio-tiny ist das 9B-Geschwistermodell, Ming-3.0-tts-0.5B und Ming-3.0-tts-tiny wandeln Text in Sprache um, und Ming-3.0-asr-tiny transkribiert sie. Keines davon erzeugt auch nur ein einziges Videobild. Gemini Omni 1.2 Flash, allgemein verfügbar seit dem 5. November 2026, erzeugt drei bis fünfzehn Sekunden Video mit synchronisiertem Audio für etwa 0,07 US-Dollar pro Sekunde bei 720p-Ausgabe.

Ein direkter Vergleich zwischen ihnen ist also ein Kategorienfehler – mit einer Ausnahme, die sich als das Entscheidende erweist. Die substanziellste neue Behauptung von Gemini Omni 1.2 Flash betrifft die Sprache: Google sagt, es erzeuge „flüssigere, natürlicher klingende Dialoge, klareres Lip-Sync und eine deutlichere Multi-Speaker-Konditionierung“. Ming-3.0-tts erledigt eine eng umrissene Variante dieser Aufgabe – auf eigener Hardware, unter einer MIT-Lizenz und ohne Kosten pro Aufruf. Wenn Sie von einem der beiden Systeme tatsächlich eine Sprachspur brauchen, ist dieser Satz der gesamte Vergleich. Wenn Sie die Stimme an ein Gesicht gekoppelt brauchen, das durch einen beleuchteten Raum geht, kann Ihnen nur eine der beiden Seiten dieser Gegenüberstellung helfen.

Die Familie, Kontrollpunkt für Kontrollpunkt

Es lohnt sich, das klar darzulegen, denn die Benennung stiftet Verwirrung und die Zeitstempel sind verstreut.

• Ming-3.0-audio-flash — 126B Gesamtparameter mit 6,5B pro Token aktiviert, ein natives Audio-Sprach-MoE, das Audio und Text entgegennimmt und Text zurückgibt, mit einem optionalen Talker-Modul, das die Antwort vorliest. Die Gewichte wurden am 3. September 2026 auf Hugging Face veröffentlicht, rund 259 GB verteilt auf 25 Shards. Die eigentliche Modellkarte, die Benchmark-Assets und die MIT-Neulizenzierung kamen erst am 19. Oktober 2026 — sechs Wochen nach dem Checkpoint.

• Ming-3.0-audio-tiny — die 9B-Variante derselben Idee, am selben Tag veröffentlicht.

• Ming-3.0-tts-0.5B — ein dichtes 0,5B-Text-to-Speech-Modell auf einer Qwen2.5-0.5B-Basis, sieben Sprachen plus Sichuanesisch und Kantonesisch, Zero-Shot-Klonen anhand eines kurzen Referenzclips und Stimmdesign aus einer natürlichsprachigen Beschreibung. Hochgeladen am 22. September 2026.

• Ming-3.0-tts-tiny — das kleinere TTS-Geschwistermodell, gleiches Datum.

• Ming-3.0-asr-tiny — die Transkriptionsseite, 14. Oktober 2026.

Das Label 3.0 umfasst einen Speech-Stack, kein Flaggschiff-Multimodalmodell. Das ist wichtig, weil eine Suche nach „Ming 3.0“ zusammen mit einem Videomodell nahelegt, dass jemand etwas anderes annimmt, und die Ming-Reihe enthält zwar ein Omni-Modell – Ming-flash-omni-2.0, veröffentlicht im Februar 2026 –, aber es ist eine andere Generation mit einem anderen Namen und nicht das, was die 3.0-Checkpoints sind.

Wo die Überschneidung tatsächlich liegt: die Dialogspur

Entfernt man die Container, können beide Systeme eine sprechende Person hervorbringen. Sie gelangen aus entgegengesetzten Richtungen dorthin.

Gemini Omni 1.2 Flash erzeugt die gesamte Szene. Man gibt einen Prompt für eine Einstellung ein, und wenn der Prompt Dialog enthält oder man in diese Richtung steuert, backt das Modell Sprache zusammen mit Atmosphäre und Musik ins Video. Audio wird standardmäßig generiert; der Leitfaden sagt, das Modell „werde versuchen, eine passende Audiospur zu generieren“, ob man danach gefragt habe oder nicht. Die Dialogqualität ist eine Behauptung zum Marktstart und keine bewertete Kennzahl, und Google veröffentlicht überhaupt keinen Audio-Benchmark. Der Referenzpfad ist auf Google Cloud allowlisted: Man kann einsekündige Stimmproben als Audiocues bereitstellen, aber das Hochladen von Audioeingaben oder Audioreferenzen wird beim Modell in der aktuellen Version nicht unterstützt, Referenzvideo-Audio wird ignoriert, und Stimmbearbeitung wird nicht unterstützt. Man kann eine Stimme per Prompt erschaffen. Man kann eine nicht entfernen und ersetzen.

Ming-3.0-tts macht eine Sache: Text rein, Sprache raus, mit der Stimme unter deiner Kontrolle. Zero-Shot-Cloning aus einem kurzen Referenzclip, Stimmdesign aus einer schriftlichen Beschreibung, vierzehn Inline-Tags für paralinguistische Merkmale sowie explizite Einstellungen für Emotion, Geschwindigkeit, Tonhöhe und Lautstärke. Die vom Anbieter angegebenen Seed-TTS-Werte sind chinesische WER 0,800 % mit SIM 0,758 und englische WER 1,584 % mit SIM 0,691; bei NVBench Single-Chinese meldet es CER 2,70, PCER 22,80 und OCER 3,20 – die besten Werte unter den aufgeführten Modellen. Das sind die eigenen Zahlen von inclusionAI, nicht reproduziert, auf der Karte abgedruckt.

Nebeneinandergestellt sieht die ehrliche Aufteilung so aus: Omni liefert dir eine Stimme, die du nicht festgelegt hast, verbunden mit einer Performance, die du ebenfalls nicht festgelegt hast, für etwa einen Dollar pro fünfzehnsekündigem Clip. Ming-3.0-tts gibt dir präzise Kontrolle über genau eine Eigenschaft – wie die Stimme klingt – und liefert dir eine Wellenform ohne zugehöriges Bild.

Was jedes kostet, in Einheiten, die nicht entsprechen

Omnis Tarif ist einfach und öffentlich. 12,00 $ pro Million Video-Ausgabe-Tokens, von Google mit 5.792 Tokens pro Sekunde bei 720p in etwa 0,07 $ pro Sekunde umgerechnet. Ein fünfzehnsekündiger Clip kostet ungefähr 1,05 $. Ein 360p-Entwurf derselben Länge kostet etwa 0,35 $, und ein 4K-Upscale etwa 3,14 $. Es gibt keinen kostenlosen Tarif, daher ist eine Prototyping-Sitzung eine echte Rechnung.

Ming hat keinen Preis pro Aufruf, da es dafür keinen gehosteten Endpunkt gibt. Die Kosten sind Hardware. Für Ming-3.0-audio-flash bei 128K Kontext ist inclusionAIs eigenes vLLM-Omni-Referenzprofil Tensor-Parallelität über vier 80-GB-H800s, mit einem Acht-GPU-Fallback, wenn bei langem Audio der Speicher ausgeht und der Talker auf GPU 7 geparkt ist. SGLang hat ein validiertes Vier-GPU-Profil für Textausgabe, und SGLang-Omni betreibt die gesamte Pipeline auf zwei – Thinker über zwei GPUs, Audio-Encoder auf GPU 0, Sprachsynthese auf GPU 1. Ming-3.0-tts-0.5B ist klein genug, um es auf einer einzelnen H800-80GB oder H20-96G mit CUDA 12.4 zu testen.

Der Fehler passiert genau beim Umrechnen des einen ins andere. „Kostenlos nach Kapital“ gegen „sieben Cent pro Sekunde“ ergibt eine Zahl, die vollständig von der Auslastung abhängt, und bei zehn Clips pro Woche ist die GPU pro Sekunde Output dramatisch teurer. Bei kontinuierlichem Volumen ist sie dramatisch günstiger. Es gibt keinen Wechselkurs, der für beides gilt.

Lizenz und Kontrolle – der eigentliche Grund, sich für Ming zu entscheiden.

Alles in der Ming-3.0-Reihe steht unter MIT, mit einer separaten Datei mit rechtlichem Haftungsausschluss. Das bedeutet kommerzielle Nutzung, Modifikation, Feinabstimmung auf Ihren eigenen Stimmdaten und Weiterverbreitung – mit Namensnennung und ohne dass eine Genehmigung erforderlich ist. Wenn das Alleinstellungsmerkmal Ihres Produkts eine Stimme, ein Dialekt oder eine Markenansage ist, die jedes Mal identisch klingen muss, dann ist die Möglichkeit, den Checkpoint fein abzustimmen, kein Nice-to-have. Sie ist die gesamte Fähigkeit.

Gemini Omni 1.2 Flash ist der entgegengesetzte Kompromiss. Keine Gewichte, kein Fine-Tuning, keine Stimmbearbeitung, eine nicht offengelegte Architektur, Nutzungsbedingungen, die die Ausgabe regeln, und ein SynthID-Wasserzeichen auf jedem Einzelbild und jeder Sekunde Audio, ob Sie wollen oder nicht. Das Bearbeiten oder Erweitern hochgeladener Videos ist im EWR, in der Schweiz und im Vereinigten Königreich nicht verfügbar — eine regionale Einschränkung, die das Versprechen der dialogbasierten Bearbeitung für Teams in diesen Märkten schlicht disqualifiziert. Im Gegenzug erhalten Sie einen heute funktionierenden Endpunkt, 15-Sekunden-Clips, 4K-Upscaling, bis zu sechs Referenzbilder pro Anfrage für Konsistenz von Charakteren und Produkten und einen kalkulierbaren Preis.

• Gewichte — Apache-freie MIT-Checkpoints, die Sie im Gegensatz zu einem geschlossenen gehosteten Modell selbst besitzen können.

• Ausgabe – Sprachwellenform gegenüber Video mit synchronisiertem Audio.

• Stimmsteuerung — Klonen, Design, Emotion und Tonhöheneinstellungen gegenüber rein promptbasiert, ohne Stimmbearbeitung.

• Fine-Tuning — bei jedem Ming-Checkpoint verfügbar, bei Omni zu keinem Preis verfügbar.

• Zeit bis zum ersten Ergebnis – ein Download von über 34 GB und eine Umgebung gegenüber einem API-Schlüssel und einem Rendering von 28 bis 136 Sekunden.

• Grenzkosten — eine GPU-Stunde gegenüber etwa 0,07 $ pro Ausgabesekunde.

Die Pipeline, in der beide erscheinen

Es gibt einen echten Workflow, der beide verwendet, und es lohnt sich, ihn ausführlich darzulegen, weil er der einzige Ort ist, an dem der Vergleich zu einer Entscheidung wird.

Ein Produktteam, das einen fünfzehnsekündigen Spot skriptet, schreibt den Text, erzeugt die Stimme mit Ming-3.0-tts auf Basis einer geklonten Markenstimme und synchronisiert anschließend entweder Footage per Lip-Sync auf diese Spur oder nutzt die Wellenform als Timing-Referenz für einen Omni-Render. Der TTS-Schritt kostet eine GPU-Minute und ermöglicht exakte Kontrolle über Tempo und Aussprache. Der Omni-Schritt kostet etwa einen Dollar und liefert eine Einstellung. Diese Reihenfolge bedeutet, dass man das Skript korrigiert, bevor man Geld für Video ausgibt – dieselbe Disziplin „erst Entwurf, dann Final“, die Google intern mit 360p-Entwürfen und 4K-Upscales empfiehlt.

Der umgekehrte Weg – den Clip generieren und dann zu versuchen, seine Stimme zu ersetzen – funktioniert nicht. Omni unterstützt keine Stimmbearbeitung, und das Hochladen einer Audioreferenz wird vom Modell nicht unterstützt. Das Audio, das es erzeugt, ist das Audio, das Sie ausliefern.

Keines von beiden ist in unserem Katalog, und das ist erwähnenswert.

OrcaRouter leitet keines der beiden Modelle weiter. google/gemini-omni-1.2-flash liefert 404 auf unseren Live-Modellseiten, und die Ming-3.0-Checkpoints haben überhaupt keinen gehosteten Endpoint – sie sind Hugging-Face-Downloads mit einem vLLM-Omni-Pfad, der bei der letzten Prüfung noch ein Pull Request war. Kein Aufruf unserer API erreicht eines von beiden, und diese Seite sagt das lieber, als etwas anderes anzudeuten.

Wo das Gateway durchaus seinen Platz verdient, ist die Textebene, durch die beide Workflows laufen: das Skript, die Shot-Liste, die Brand-Voice-QA, das Audit, das den Clip erwischt, bei dem eine Anweisung übersprungen wurde. Das ist ein Schlüssel für mehr als 200 Modelle mit automatischem Failover und einer Routing-DSL, um die Schritte zu einem einzigen Aufruf zusammenzusetzen. Was die Preisgestaltung angeht, stellt OrcaRouter 0 % Aufschlag in Rechnung und reicht den Listenpreis des Anbieters durch. Als Google am 5. November den Videotarif von Omni von $17.50 auf $12.00 pro Million Ausgabe-Tokens senkte, war die Änderung bei uns noch am selben Tag live.

Die Entscheidung, reduziert

Wenn Ihr Problem eine Stimme ist – eine bestimmte, wiederholbare, vielleicht feinabgestimmte, vielleicht in einem Dialekt –, dann ist Ming-3.0-tts das richtige Instrument, und die MIT-Lizenz ist der Grund dafür. Es wird Ihnen kein Bild liefern, und das war auch nie seine Aufgabe.

Wenn es bei Ihrem Problem um eine Szene mit einer Person darin geht und die Stimme nur plausibel und synchron sein muss, ist Gemini Omni 1.2 Flash der einzige der beiden, der das kann, und er tut es zu einem Preis, den Sie vorher berechnen können.

Was keines der beiden tun wird, ist, dich Stimme und Bild getrennt entscheiden zu lassen. Diese Lücke ist der tatsächliche Stand der Technik im November 2026, und jeder Workflow, den du baust, muss sie umgehen statt durch sie hindurch.