Gemini Omni 1.2 Flash vs Ming 3.0: ¿La voz dentro del vídeo, o la voz por sí sola?

«Ming 3.0» no es un modelo. Es una familia de cinco checkpoints de inclusionAI, el laboratorio de investigación de Ant Group, y todos ellos tienen que ver con el sonido: Ming-3.0-audio-flash lee audio y responde en texto; Ming-3.0-audio-tiny es su hermano de 9B; Ming-3.0-tts-0.5B y Ming-3.0-tts-tiny convierten texto en voz; y Ming-3.0-asr-tiny lo transcribe. Ninguno de ellos genera un solo fotograma de vídeo. Gemini Omni 1.2 Flash, disponible de forma general desde el 5 de noviembre de 2026, genera entre tres y quince segundos de vídeo con audio sincronizado a unos 0,07 USD por segundo de salida en 720p.

Por tanto, una comparación directa entre ellos es un error de categoría, con una excepción que resulta ser la clave de todo. La nueva afirmación más sustancial de Gemini Omni 1.2 Flash tiene que ver con el habla: Google dice que produce «diálogos más fluidos y naturales, una sincronización labial más clara y un condicionamiento diferenciado para múltiples hablantes». Ming-3.0-tts hace una versión limitada de esa tarea, en tu propio hardware, con licencia MIT y sin coste por llamada. Si lo que realmente necesitas de cualquiera de los dos sistemas es una pista de voz, esa frase es la comparación. Si necesitas que la voz vaya unida a una cara que camina por una habitación iluminada, solo un lado de esta página puede ayudarte.

La familia, punto de control por punto de control

Vale la pena explicarlo con claridad, porque el nombre invita a confusión y las marcas de tiempo están dispersas.

• Ming-3.0-audio-flash — 126B de parámetros totales con 6,5B activados por token, un MoE nativo de audio y lenguaje que acepta audio y texto y devuelve texto, con un módulo Talker opcional que pronuncia la respuesta. Los pesos se publicaron en Hugging Face el 3 de septiembre de 2026, aproximadamente 259 GB repartidos en 25 fragmentos. La verdadera tarjeta del modelo, los recursos de benchmark y la relicencia MIT solo llegaron el 19 de octubre de 2026 — seis semanas después de que lo hiciera el checkpoint.

• Ming-3.0-audio-tiny — la variante de 9B de la misma idea, publicada el mismo día.

• Ming-3.0-tts-0.5B — un modelo denso de conversión de texto a voz de 0,5B sobre una base Qwen2.5-0.5B, siete idiomas además de sichuanés y cantonés, clonación zero-shot a partir de un clip de referencia corto y diseño de voz a partir de una descripción en lenguaje natural. Subido el 22 de septiembre de 2026.

• Ming-3.0-tts-tiny — el hermano menor de TTS, misma fecha.

• Ming-3.0-asr-tiny — el lado de la transcripción, 14 de octubre de 2026.

La etiqueta 3.0 corresponde a una pila de voz, no a un modelo multimodal insignia. Eso importa porque una búsqueda de «Ming 3.0» junto con un modelo de vídeo sugiere que alguien cree lo contrario, y la línea Ming sí contiene un modelo omni —Ming-flash-omni-2.0, publicado en febrero de 2026—, pero es una generación diferente con un nombre diferente y no es lo que son los checkpoints 3.0.

Dónde está realmente el solapamiento: la pista de diálogo

Si se eliminan los contenedores, ambos sistemas pueden producir una persona que habla. Llegan a ese resultado desde direcciones opuestas.

Gemini Omni 1.2 Flash genera toda la escena. Escribes una instrucción para una toma y, si la instrucción contiene diálogo o si orientas la toma hacia él, el modelo incorpora el habla en el video junto con el ambiente y la música. El audio se genera de forma predeterminada; la guía dice que el modelo "intentará generar una pista de audio adecuada" tanto si lo pediste como si no. La calidad del diálogo es una afirmación de lanzamiento más que una métrica puntuada, y Google no publica ningún benchmark de audio. La ruta de referencia está incluida en la lista de permitidos de Google Cloud: puedes proporcionar muestras de voz de un segundo como indicaciones de audio, pero cargar entradas de audio o referencias de audio no es compatible con el modelo en la versión actual, se ignora el audio de los videos de referencia y la edición de voz no es compatible. Puedes hacer que una voz exista mediante una instrucción. No puedes eliminar una y reemplazarla.

Ming-3.0-tts hace una sola cosa: entra texto, sale voz, con la voz bajo tu control. Clonación zero-shot a partir de un clip de referencia corto, diseño de voz a partir de una descripción escrita, catorce etiquetas paralingüísticas en línea y ajustes explícitos de emoción, velocidad, tono y volumen. Sus cifras de Seed-TTS reportadas por el proveedor son WER en chino de 0,800 % con SIM de 0,758, y WER en inglés de 1,584 % con SIM de 0,691; en single-Chinese de NVBench reporta CER 2,70, PCER 22,80 y OCER 3,20, las mejores entre los modelos que enumera. Son cifras del propio inclusionAI, sin reproducir, impresas en la ficha.

Puestos uno al lado del otro, la división honesta es esta. Omni te da una voz que no especificaste, unida a una actuación que tampoco especificaste, por aproximadamente un dólar por un clip de quince segundos. Ming-3.0-tts te da control preciso sobre exactamente una propiedad —cómo suena la voz— y te entrega una forma de onda sin ninguna imagen adjunta.

Cuánto cuesta cada uno, en unidades que no cumplen

El medidor de Omni es simple y público. $12.00 por millón de tokens de salida de video, convertidos por Google a 5,792 tokens por segundo de 720p, lo que equivale a unos $0.07 por segundo. Un clip de quince segundos cuesta aproximadamente $1.05. Un borrador en 360p de la misma duración cuesta unos $0.35, y un escalado a 4K, unos $3.14. No hay nivel gratuito, así que una sesión de prototipado es una factura real.

Ming no tiene precio por llamada porque no existe un endpoint alojado para él. El costo es el hardware. Para Ming-3.0-audio-flash con contexto de 128K, el perfil de referencia propio de vLLM-Omni de inclusionAI es paralelismo tensorial en cuatro H800 de 80 GB, con una configuración de respaldo de ocho GPU cuando el audio largo agota la memoria y el Talker queda aparcado en la GPU 7. SGLang tiene un perfil validado de cuatro GPU para salida de texto, y SGLang-Omni ejecuta todo el pipeline en dos: el thinker en dos GPU, el codificador de audio en la GPU 0 y la síntesis de voz en la GPU 1. Ming-3.0-tts-0.5B es lo bastante pequeño para probarlo en una sola H800-80GB o H20-96G con CUDA 12.4.

Convertir uno en el otro es donde la gente se equivoca. «Gratis después del capital» frente a «siete centavos por segundo» produce una cifra que depende por completo de la utilización, y con diez clips a la semana la GPU es drásticamente más cara por segundo de salida. A volumen continuo es drásticamente más barata. No hay un tipo de cambio que se sostenga en ambos casos.

Licencia y control, que es la verdadera razón para elegir Ming

Todo en la línea Ming-3.0 es MIT, con un archivo separado de descargo de responsabilidad legal. Eso significa uso comercial, modificación, ajuste fino con tus propios datos de voz y redistribución — con atribución y sin necesidad de permiso. Si el diferenciador de tu producto es una voz, o un dialecto, o una locución de marca que debe sonar idéntica cada vez, poder ajustar el checkpoint no es un extra opcional. Es la capacidad completa.

Gemini Omni 1.2 Flash es el intercambio opuesto. Sin pesos, sin ajuste fino, sin edición de voz, una arquitectura no revelada, términos de servicio que rigen los resultados y una marca de agua SynthID en cada fotograma y en cada segundo de audio, lo quieras o no. Editar o ampliar vídeos subidos no está disponible en el EEE, Suiza y el Reino Unido —una restricción regional que descarta de plano la propuesta de edición conversacional para los equipos de esos mercados. A cambio, hoy obtienes un endpoint funcional, clips de 15 segundos, escalado a 4K, imágenes de referencia de hasta seis por solicitud para mantener la coherencia de personajes y productos, y un precio que puedes prever.

• Pesos — checkpoints MIT libres de Apache que puedes poseer frente a un modelo alojado cerrado.

• Salida — forma de onda del habla frente al video con audio sincronizado.

• Control de voz — clonación, diseño, emoción y ajustes de tono frente a solo prompt, sin edición de voz.

• Ajuste fino — disponible en cada checkpoint de Ming, no disponible en Omni a ningún precio.

• Tiempo hasta el primer resultado: una descarga de más de 34 GB y un entorno frente a una clave de API y un renderizado de 28 a 136 segundos.

• Costo marginal — una hora de GPU frente a aproximadamente $0.07 por segundo de salida.

El pipeline donde aparecen ambos

Existe un flujo de trabajo real que utiliza ambos, y vale la pena explicarlo porque es el único lugar donde la comparación se convierte en una decisión.

Un equipo de producto que guioniza un spot de quince segundos escribe el texto, genera la voz con Ming-3.0-tts a partir de una voz de marca clonada y luego sincroniza labialmente el metraje con esa pista o usa la forma de onda como referencia de sincronización para un render de Omni. El paso de TTS cuesta un minuto de GPU y da un control exacto del ritmo y la pronunciación. El paso de Omni cuesta alrededor de un dólar y da una toma. Hacerlo en ese orden significa que corriges el guion antes de gastar en video, que es la misma disciplina de borrador y luego final que Google recomienda internamente con borradores en 360p y ampliaciones a 4K.

Hacerlo al revés —generar el clip y luego intentar reemplazar su voz— no funciona. Omni no admite la edición de voz, y el modelo no admite cargar una referencia de audio. El audio que produce es el audio que entregas.

Ninguno de los dos está en nuestro catálogo, y merece la pena decirlo.

OrcaRouter no enruta ninguno de los dos modelos. google/gemini-omni-1.2-flash devuelve un 404 en nuestras páginas de modelos activas, y los checkpoints de Ming-3.0 no tienen ningún endpoint alojado; son descargas de Hugging Face con una ruta de vLLM-Omni que, según la última comprobación, seguía siendo una pull request. Ninguna llamada a nuestra API llega a ninguno de los dos, y esta página prefiere decirlo antes que dar a entender lo contrario.

Donde la puerta de enlace sí se gana un lugar es en la capa de texto por la que pasan ambos flujos de trabajo: el guion, la lista de tomas, el control de calidad de la voz de marca, la auditoría que detecta el clip en el que se omitió una instrucción. Eso es una sola clave para más de 200 modelos con conmutación por error automática y un DSL de enrutamiento para componer los pasos en una sola llamada. En cuanto a los precios, OrcaRouter factura con un 0 % de margen y traslada el precio de lista del proveedor, por lo que cuando Google cambió la tarifa de vídeo de Omni de 17,50 $ a 12,00 $ por millón de tokens de salida el 5 de noviembre, el cambio estuvo activo por nuestra parte ese mismo día.

La decisión, reducida

Si tu problema es una voz —una concreta, reproducible, quizá ajustada, quizá en un dialecto—, Ming-3.0-tts es el instrumento adecuado, y la licencia MIT es la razón. No te dará una imagen, y nunca estuvo pensado para ello.

Si tu problema es una escena en la que aparece una persona y la voz solo necesita ser verosímil y estar sincronizada, Gemini Omni 1.2 Flash es el único de los dos que puede hacerlo, y lo hace a un precio que puedes calcular antes de empezar.

Lo que ninguno de los dos hará es dejarte decidir la voz y la imagen por separado. Esa laguna es el verdadero estado del arte en noviembre de 2026, y cualquier flujo de trabajo que construyas tiene que sortearla en lugar de pasar por ella.