Gemini Omni 1.2 Flash vs Ming 3.0 : la voix dans la vidéo, ou la voix autonome

« Ming 3.0 » n’est pas un modèle. C’est une famille de cinq checkpoints d’inclusionAI, le laboratoire de recherche d’Ant Group, et chacun d’eux porte sur le son : Ming-3.0-audio-flash lit l’audio et répond en texte, Ming-3.0-audio-tiny est son homologue 9B, Ming-3.0-tts-0.5B et Ming-3.0-tts-tiny convertissent le texte en parole, et Ming-3.0-asr-tiny le transcrit. Aucun d’eux ne génère une seule image de vidéo. Gemini Omni 1.2 Flash, disponible en disponibilité générale depuis le 5 novembre 2026, génère de trois à quinze secondes de vidéo avec audio synchronisé à environ 0,07 $ par seconde de sortie 720p.

Ainsi, les comparer directement relève d’une erreur de catégorie — à une exception près, qui se révèle être toute l’histoire. La principale nouveauté revendiquée par Gemini Omni 1.2 Flash concerne la parole : Google affirme qu’il produit « un dialogue plus fluide et plus naturel, une synchronisation labiale plus claire et un conditionnement multi-locuteurs distinct ». Ming-3.0-tts assure une version étroite de cette tâche, sur votre propre matériel, sous licence MIT, sans aucun coût par appel. Si ce dont vous avez réellement besoin, de l’un ou l’autre système, est une piste vocale, cette phrase résume la comparaison. Si vous avez besoin que la voix soit attachée à un visage traversant une pièce éclairée, un seul des deux camps de cette page peut vous aider.

La famille, point de contrôle après point de contrôle

Il vaut la peine de l'exposer clairement, car la dénomination prête à confusion et les horodatages sont éparpillés.

• Ming-3.0-audio-flash — 126 B de paramètres au total, dont 6,5 B activés par token, un MoE audio-langage natif qui prend en entrée de l’audio et du texte et renvoie du texte, avec un module Talker optionnel qui énonce la réponse. Les poids ont été publiés sur Hugging Face le 3 septembre 2026, soit environ 259 Go répartis sur 25 fragments. La véritable fiche du modèle, les ressources de benchmark et le passage sous licence MIT ne sont arrivés que le 19 octobre 2026 — six semaines après le checkpoint.

• Ming-3.0-audio-tiny — la variante 9B de la même idée, publiée le même jour.

• Ming-3.0-tts-0.5B — un modèle de synthèse vocale dense de 0,5 B sur une base Qwen2.5-0.5B, sept langues plus le sichuanais et le cantonais, clonage zero-shot à partir d’un court extrait de référence, et conception de voix à partir d’une description en langage naturel. Mis en ligne le 22 septembre 2026.

• Ming-3.0-tts-tiny — le plus petit frère TTS, même date.

• Ming-3.0-asr-tiny — le volet transcription, 14 octobre 2026.

L’étiquette 3.0 désigne une pile vocale, pas un modèle multimodal phare. Cela importe parce qu’une recherche de « Ming 3.0 » associée à un modèle vidéo suggère que quelqu’un croit le contraire, et la gamme Ming contient bien un modèle omni — Ming-flash-omni-2.0, publié en février 2026 — mais il s’agit d’une génération différente, avec un nom différent, et ce n’est pas ce que sont les checkpoints 3.0.

Où se situe réellement le chevauchement : la piste de dialogue

Retirez les conteneurs et les deux systèmes peuvent produire une personne qui parle. Ils y parviennent par des chemins opposés.

Gemini Omni 1.2 Flash génère toute la scène. Vous rédigez un prompt pour un plan et, si le prompt contient du dialogue ou si vous l’orientez dans cette direction, le modèle intègre la parole à la vidéo, avec l’ambiance et la musique. L’audio est généré par défaut ; le guide indique que le modèle « tentera de générer une piste audio appropriée », que vous l’ayez demandé ou non. La qualité des dialogues relève d’une affirmation de lancement plutôt que d’une métrique évaluée, et Google ne publie absolument aucun benchmark audio. Le chemin de référence est autorisé sur Google Cloud : vous pouvez fournir des échantillons vocaux d’une seconde comme repères audio, mais l’importation d’entrées audio ou de références audio n’est pas prise en charge par le modèle dans la version actuelle, l’audio des vidéos de référence est ignoré et la modification de la voix n’est pas prise en charge. Vous pouvez faire apparaître une voix par le prompt. Vous ne pouvez pas en retirer une et la remplacer.

Ming-3.0-tts ne fait qu’une chose : du texte en entrée, de la parole en sortie, avec la voix sous votre contrôle. Clonage zero-shot à partir d’un court extrait de référence, conception de voix à partir d’une description écrite, quatorze balises paralinguistiques en ligne, et des réglages explicites d’émotion, de vitesse, de hauteur et de volume. Ses chiffres Seed-TTS rapportés par le fournisseur sont : WER chinois 0,800 % avec SIM 0,758, et WER anglais 1,584 % avec SIM 0,691 ; sur NVBench single-Chinese, il rapporte CER 2,70, PCER 22,80 et OCER 3,20, les meilleurs parmi les modèles qu’il liste. Ce sont les propres chiffres d’inclusionAI, non reproduits, imprimés sur la fiche.

Si on les met côte à côte, la répartition honnête est la suivante. Omni vous donne une voix que vous n’avez pas spécifiée, attachée à une performance que vous n’avez pas spécifiée non plus, pour environ un dollar par clip de quinze secondes. Ming-3.0-tts vous offre un contrôle précis sur exactement une propriété — la façon dont la voix sonne — et vous remet une forme d’onde sans image associée.

Ce que chacun coûte, en unités non conformes

Le compteur d’Omni est simple et public. 12,00 $ par million de tokens de sortie vidéo, convertis par Google à 5 792 tokens par seconde de 720p, soit environ 0,07 $ la seconde. Un clip de quinze secondes coûte environ 1,05 $. Un brouillon 360p de même durée revient à environ 0,35 $, et un upscale 4K à environ 3,14 $. Il n’existe pas d’offre gratuite, donc une session de prototypage représente une vraie facture.

Ming n’a pas de tarif par appel, car il n’existe aucun point de terminaison hébergé pour lui. Le coût, c’est le matériel. Pour Ming-3.0-audio-flash avec un contexte de 128K, le profil de référence vLLM-Omni d’inclusionAI repose sur un parallélisme tensoriel sur quatre H800 de 80 Go, avec un repli sur huit GPU lorsque l’audio long manque de mémoire et que le Talker est parqué sur le GPU 7. SGLang dispose d’un profil validé à quatre GPU pour la sortie texte, et SGLang-Omni exécute l’ensemble du pipeline sur deux — le thinker réparti sur deux GPU, l’encodeur audio sur le GPU 0, la synthèse vocale sur le GPU 1. Ming-3.0-tts-0.5B est suffisamment petit pour être testé sur un seul H800-80GB ou H20-96G avec CUDA 12.4.

C’est en convertissant l’un en l’autre que les gens se trompent. « Gratuit une fois le capital investi » face à « sept cents la seconde » donne un chiffre qui dépend entièrement du taux d’utilisation, et à dix clips par semaine, le GPU coûte nettement plus cher par seconde de production. En volume continu, il est nettement moins cher. Aucun taux de change ne tient pour les deux.

La licence et le contrôle, la véritable raison de choisir Ming

Tout ce qui compose la gamme Ming-3.0 est sous licence MIT, avec un fichier de mention légale distinct. Cela signifie l'usage commercial, la modification, le fine-tuning sur vos propres données vocales et la redistribution — avec attribution, sans autorisation à demander. Si le différenciateur de votre produit est une voix, ou un dialecte, ou une lecture de marque qui doit sonner à l'identique à chaque fois, pouvoir affiner le checkpoint n'est pas un simple bonus. C'est la capacité tout entière.

{{1}}Gemini Omni 1.2 Flash{{/1}} est le pari inverse. Aucun poids, aucun affinage, aucune édition vocale, une architecture non divulguée, des conditions d'utilisation régissant les résultats, et un filigrane {{2}}SynthID{{/2}} sur chaque image et chaque seconde d'audio, que vous le vouliez ou non. L'édition ou l'extension d'une vidéo importée n'est pas disponible dans l'{{3}}EEE{{/3}}, en {{4}}Suisse{{/4}} et au {{5}}Royaume-Uni{{/5}} — une restriction régionale qui disqualifie d'emblée l'argument de l'édition conversationnelle pour les équipes de ces marchés. En échange, vous obtenez un point de terminaison opérationnel dès aujourd'hui, des clips de 15 secondes, un suréchantillonnage 4K, jusqu'à six images de référence par requête pour la cohérence des personnages et des produits, et un prix que vous pouvez prévoir.

• Poids — des checkpoints MIT sans Apache que vous pouvez posséder, face à un modèle hébergé propriétaire.

• Sortie — forme d’onde vocale superposée à la vidéo avec audio synchronisé.

• Contrôle vocal — clonage, conception, réglages d'émotion et de hauteur de voix, par opposition à une approche par simple prompt, sans édition de la voix.

• Réglage fin — disponible sur chaque point de contrôle Ming, indisponible sur Omni à quelque prix que ce soit.

• Temps jusqu'au premier résultat — un téléchargement de plus de 34 Go et la mise en place d'un environnement, contre une clé API et un rendu de 28 à 136 secondes.

• Coût marginal — une heure de GPU contre environ 0,07 $ par seconde de sortie.

Le pipeline où les deux apparaissent

Il existe un véritable flux de travail qui utilise les deux, et il vaut la peine de l’expliquer clairement, car c’est le seul endroit où la comparaison se traduit par une décision.

Une équipe produit qui scénarise un spot de quinze secondes rédige le texte, génère la voix avec Ming-3.0-tts à partir d’une voix de marque clonée, puis soit synchronise les lèvres des images sur cette piste, soit utilise la forme d’onde comme référence de calage pour un rendu Omni. L’étape TTS coûte une minute GPU et offre un contrôle exact du rythme et de la prononciation. L’étape Omni coûte environ un dollar et donne un plan. En procédant dans cet ordre, on corrige le script avant de dépenser pour la vidéo, ce qui correspond à la même discipline « brouillon puis final » que Google recommande en interne avec des brouillons en 360p et des montées en 4K.

Faire l’inverse — générer le clip, puis essayer de remplacer sa voix — ne fonctionne pas. Omni ne prend pas en charge l’édition de la voix, et l’importation d’une référence audio n’est pas prise en charge sur le modèle. L’audio qu’il produit est celui que vous livrez.

Ni l’un ni l’autre ne figure dans notre catalogue, et cela mérite d’être dit.

OrcaRouter ne route aucun des deux modèles. google/gemini-omni-1.2-flash renvoie une 404 sur nos pages de modèles en ligne, et les checkpoints Ming-3.0 n’ont aucun point de terminaison hébergé — ce sont des téléchargements Hugging Face avec un chemin vLLM-Omni qui n’était encore qu’une pull request au dernier contrôle. Aucun appel à notre API n’atteint l’un ou l’autre, et cette page préfère l’affirmer plutôt que de laisser entendre le contraire.

Là où la passerelle trouve bien sa place, c’est dans la couche texte que traversent les deux flux de travail : le script, la liste de plans, le contrôle qualité de la voix de marque, l’audit qui repère le clip où une instruction a été ignorée. C’est une seule clé pour plus de 200 modèles avec basculement automatique, et un DSL de routage pour composer les étapes en un seul appel. Côté tarification, OrcaRouter facture à 0 % de marge, avec le prix catalogue du fournisseur répercuté tel quel ; ainsi, lorsque Google a fait passer le tarif vidéo d’Omni de 17,50 $ à 12,00 $ par million de jetons de sortie le 5 novembre, le changement était en ligne de notre côté le jour même.

La décision, en résumé

Si votre problème est une voix — une voix précise, reproductible, peut-être affinée, peut-être dans un dialecte — Ming-3.0-tts est l’instrument approprié, et la licence MIT en est la raison. Il ne vous donnera pas d’image, et cela n’a jamais été son but.

Si votre problème est une scène avec une personne dedans, et que la voix doit simplement être plausible et synchronisée, Gemini Omni 1.2 Flash est le seul des deux à pouvoir le faire, et il le fait à un prix que vous pouvez calculer avant de commencer.

Ce qu’aucun des deux ne fera, c’est vous laisser choisir séparément la voix et l’image. Cet écart correspond à l’état de l’art réel en novembre 2026, et tout workflow que vous mettez en place doit le contourner plutôt que passer par lui.