Ming-3.0-audio-flash vs Gemini Omni 1.1 Flash: Uno escucha, el otro filma

Pon Ming-3.0-audio-flash junto a G​emini Omni 1.1 Flash y lo primero que hay que decir con honestidad es que no se puede sustituir uno por otro, porque hacen trabajos opuestos que casualmente comparten una palabra. Ming-3.0-audio-flash es el modelo de audio-lenguaje de 126.000 millones de parámetros de inclusionAI —6.500 millones activos por token—, que recibe audio y texto y devuelve texto, con un módulo Talker opcional que pronuncia la respuesta. Sus pesos están en Hugging Face desde el 3 de septiembre de 2026 y su ficha del modelo no existió hasta el 19 de octubre. G​emini Omni 1.1 Flash es el modelo cerrado de generación de vídeo de G​oogle, disponible de forma general desde el 27 de agosto de 2026, que recibe un mensaje de texto o una imagen y devuelve un clip con audio sincronizado a 0,10 USD por segundo de salida en 720p. Uno consume sonido. El otro fabrica imágenes. Si una búsqueda te trajo aquí esperando una comparación cara a cara, la respuesta útil no es un ganador; es cuál de las dos carencias tienes en realidad. Los fallos de IA documentados y las disputas sobre afirmaciones de proveedores que hay detrás de comparaciones como esta se recopilan en el OrcaRouter AI Incident Archive, donde cada entrada incluye sus propias fuentes, gravedad, grado de confianza e indicador de disputa.

La confusión no es culpa tuya. «Omni» se ha convertido en una palabra de marketing que abarca cualquier modelo que toque más de una modalidad, y los dos modelos se sitúan en extremos opuestos de esa palabra. La línea Omni de G​emini es un generador de medios con una entrada omnicanal. La línea 3.0 de Ming es un lector de medios con una salida de voz opcional. La forma de presentarlo de ninguno de los dos proveedores hace que esa distinción sea fácil de ver, y ningún tercero ha comparado uno con el otro mediante una evaluación comparativa porque no hay una tarea común sobre la que hacerla. Todo lo que sigue está etiquetado por fuente: las cifras de Ming son de inclusionAI, impresas en su ficha y en su repositorio, y no se han reproducido; las de G​emini son de G​oogle, de los materiales de lanzamiento y la lista de precios, e igualmente no han sido auditadas por nosotros.

El único trabajo en el que se superponen

Hay exactamente un flujo de trabajo en el que ambos modelos aparecen en el mismo pipeline, y vale la pena empezar por ahí porque es el único lugar donde una comparación se justifica: crear un clip y luego saber qué contiene.

G​emini Omni 1.1 Flash genera clips de diez segundos, los extiende en incrementos de diez segundos hasta un límite de cuarenta segundos, acepta condicionamiento de primer y último fotograma para que puedas fijar el inicio y el final de una toma, renderiza a 720p de forma estándar con salida ampliada a 1080p y 4K, e integra diálogo, efectos y ambiente sincronizados en el archivo. También acepta audio y hasta tres segundos de video de referencia como entrada. Lo que no hace es entregarte una transcripción, una lista de hablantes ni una respuesta a «¿qué afirmaba realmente la narración?».

Ming-3.0-audio-flash se encarga de esa mitad. Su ficha afirma reconocimiento de voz en chino e inglés, incluidos acentos y dialectos, comprensión de audio largo, percepción de sonidos no verbales y música, respuesta a preguntas sobre audio y salida de texto con la opción de una respuesta hablada. Acepta un contexto de 128K tokens, que la configuración no anunciaba hasta que un commit del 13 de octubre elevó max_position_embeddings de 8.192. Si tu producto es un anuncio generado que debe verificarse para una declaración de cumplimiento en la voz en off, los dos modelos son pasos complementarios, no alternativas.

Ese es todo el solapamiento. Fuera de él, la comparación se disuelve.

Cuánto cuesta cada uno y por qué las cifras se niegan a compararse

Aquí es donde la mayoría de las páginas de «vs» fallan, así que vale la pena ser directo con las unidades.

• G​emini Omni 1.1 Flash: con precio por segundo de vídeo generado. 0,10 $ por segundo en 720p, sin cambios respecto a la vista previa de junio, con un nivel de borrador en 360p a aproximadamente un tercio de eso. Una escena de cuarenta segundos en calidad estándar supone cuatro dólares de salida antes de contar los reintentos, y la edición conversacional de varios turnos implica que los reintentos son el flujo de trabajo habitual en lugar de la excepción.

• Ming-3.0-audio-flash — no tiene precio en absoluto, porque no hay ningún endpoint alojado al que asignarle un precio. Son 25 fragmentos bfloat16 más un par Talker y VAE, en torno a 259 GB, y el perfil de servicio propio del proveedor para contexto de 128K es paralelismo tensorial en ocho GPU H800 de 80 GB. El coste es un nodo, amortizado entre lo que sea que ejecutes en él.

• La comparación que no existe: dólares por segundo de vídeo frente a horas de GPU por hora de audio. No hay tipo de cambio. Cualquiera que publique uno está convirtiendo un precio de alquiler en un coste de capital y llamando al resultado un benchmark.

Lo único que puede decirse con claridad: el precio de G​emini es público, lineal y cancelable; el de Ming es una decisión de capacidad que se toma una vez y con la que se convive. Para un equipo que lanza una funcionalidad el mes que viene, esa diferencia resuelve la cuestión antes de que lo haga la calidad.

Disponibilidad, en el único sentido que importa.

Gemini Omni 1.1 Flash es una única llamada a la API. Es un modelo alojado por Google, sin pesos, sin opción de autoalojamiento y sin una segunda fuente de suministro; o lo obtienes de Google o no lo obtienes. OrcaRouter no lo sirve, y este artículo no va a fingir lo contrario.

Ming-3.0-audio-flash es el caso inverso: pesos bajo MIT, descargados de Hugging Face, ejecutados en tu propio hardware, sin ningún endpoint en ninguna parte. El código que lo hace servible es seis semanas más reciente que los pesos. El repositorio de GitHub inclusionAI/Ming-3.0-audio-flash se creó el 15 de octubre de 2026 y ahora incluye YAMLs de despliegue para tres perfiles de solo texto y Talker, dos clientes de ejemplo, una guía de voz de 150 KB y un cuaderno tipo cookbook. La rama principal de vLLM-Omni todavía no contiene un adaptador de audio-lenguaje para Ming-3.0; la única integración de Ming-3.0 en revisión apunta al checkpoint de síntesis de voz de 7.9B, no a este. Por lo tanto, la ruta práctica hoy es Transformers con código remoto habilitado, lo cual la tarjeta documenta y que es una buena forma de evaluar un modelo y una mala forma de ejecutar un servicio.

Hay una tercera asimetría que vale la pena mencionar. El modelo de G​emini lleva dieciocho meses en una línea de productos con un registro de cambios; Ming-3.0-audio-flash tiene 22 descargas y ninguna evaluación independiente. Una publicación discreta no es evidencia de debilidad —es evidencia de que el proveedor no ha decidido venderlo—, pero sí significa que tu riesgo en el lado de Ming es documentación y soporte, no capacidad.

Calidad: qué se puede afirmar y por quién

Solo uno de los lados de esta comparación tiene cifras que se pueden poner en una frase, y son las del proveedor.

En las propias imágenes de evaluación de inclusionAI, Ming-3.0-audio-flash reporta un promedio de reconocimiento de voz en chino de 3.45 de tasa de error frente a 9.83 de Gemini 3.8 Flash — cabe señalar que este es Gemini 3.8 Flash, el modelo multimodal general, no el modelo de vídeo Omni de este artículo, y ambos se confunden habitualmente en la cobertura del lanzamiento. En dialectos la brecha del proveedor se amplía: 9.40 de promedio frente a 48.41 de la misma referencia G​emini. Las mismas imágenes son menos benévolas en otros aspectos. El error de diarización de hablantes en AMI es de 25.29 frente a 11.16 de MiMo-V2.6 Pro, y la puntuación Chain de audio largo es de 12.31 frente a 34.54 de Qwen3.8-Omni Flash y 49.63 de Gemini 3.8 Flash. Son datos autodeclarados, marcados con asterisco allí donde el proveedor se autoevaluó, y no reproducidos.

Para G​emini Omni 1.1 Flash no hay absolutamente nada que citar en el eje de comprensión de audio, porque G​oogle no publica una puntuación de ASR para un generador de vídeo. Sus afirmaciones se refieren al contexto de lookback, la resolución, el control de fotogramas y la sincronización de audio. Juzgarlas frente a un modelo de transcripción es un error de categoría en ambas direcciones.

La trampa de nomenclatura que produjo esta página

Tres modelos de Google se confunden en todas las comparaciones como esta. Gemini Omni 1.1 Flash genera video. Gemini Omni Flash, la versión preliminar de junio, es su predecesor. Gemini 3.8 Flash es el modelo multimodal de propósito general con el que inclusionAI realmente hizo la comparación. Una tabla de resultados que pone a «Ming contra Gemini» sin decir qué Gemini está midiendo un modelo de transcripción contra un generador de video, o contra un modelo de texto, según el día. Si llegaste con una de esas tablas, revisa el encabezado de la columna antes de tomar una decisión con ella.

La posición real de OrcaRouter aquí

No servimos ninguno de los dos modelos. G​emini Omni 1.1 Flash está alojado por G​oogle y no está en nuestro catálogo; Ming-3.0-audio-flash es de pesos abiertos y tampoco está en nuestro catálogo. Lo que sí servimos es la capa de texto alrededor de un pipeline como este: el prompt que escribe la lista de tomas antes de que G​emini la genere, la verificación de cumplimiento que lee la transcripción de Ming después, el enrutamiento entre ambos.

Esa es una afirmación más modesta de lo que suele hacer una página de modelo, y es la verdadera. Si un equipo está construyendo el bucle de generar-y-auditar descrito arriba, las dos llamadas al modelo se sitúan detrás de contratos distintos, facturación distinta y modos de fallo distintos; poner la mitad del texto detrás de una API para más de 200 modelos con 0 % de margen significa que el precio de lista del proveedor es lo que pagas, así que una bajada de precio del proveedor llega el mismo día, y el failover automático cubre las llamadas que no están fijadas a un modelo concreto. No cubre ninguno de los dos modelos del título, y sería deshonesto insinuar que lo hace.

Cuál deberías elegir

Si necesitas imágenes, no hay que decidir: G​emini Omni 1.1 Flash, a $0.10 por segundo, hoy mismo, con la advertencia de que cuarenta segundos es el máximo y cada ampliación es otra pasada. Si necesitas saber qué hay en una grabación —una reunión, una llamada, una entrevista con mucho dialecto, un clip generado que tienes que verificar—, Ming-3.0-audio-flash es un candidato serio según sus propias cifras, y lo ejecutarás tú mismo en hardware que ya pagas.

La única decisión realmente importante es para los equipos que necesitan ambas cosas, y para ellos el orden importa. Construye el lado de generación sobre el modelo alojado, porque su precio es conocido y su capacidad es un problema ajeno. Prototipa el lado de escucha con los pesos abiertos, porque el checkpoint se carga hoy aunque la historia de serving tenga seis semanas de antigüedad, y porque un proveedor que entregó 259 GB de pesos antes de entregar un README es un proveedor cuyo modelo puedes inspeccionar en lugar de confiar en él. Ninguna de esas dos cosas es una apuesta por la otra.