Gemini Omni 1.2 Flash לעומת Ming 3.0: הקול שבתוך הווידאו, או הקול שעומד בפני עצמו

"Ming 3.0" אינו מודל. הוא משפחה של חמישה צ'קפוינטים מ-inclusionAI, מעבדת המחקר של Ant Group, וכולם עוסקים בקול: Ming-3.0-audio-flash קורא אודיו ועונה בטקסט, Ming-3.0-audio-tiny הוא האח בעל 9B הפרמטרים שלו, Ming-3.0-tts-0.5B ו-Ming-3.0-tts-tiny הופכים טקסט לדיבור, ו-Ming-3.0-asr-tiny מתמלל אותו. אף אחד מהם לא מייצר אפילו פריים אחד של וידאו. Gemini Omni 1.2 Flash, זמין באופן כללי מאז 5 בנובמבר 2026, מייצר שלוש עד חמש עשרה שניות של וידאו עם אודיו מסונכרן בכ-0.07 דולר לשנייה של פלט 720p.

אז השוואה ראש-בראש ביניהם היא טעות קטגורית — עם חריג אחד שמתברר ככל הסיפור. הטענה החדשה המשמעותית ביותר של Gemini Omni 1.2 Flash נוגעת לדיבור: גוגל אומרת שהוא מפיק "דיאלוג זורם יותר ונשמע טבעי יותר, סנכרון שפתיים ברור יותר, והתנייה מובחנת לריבוי דוברים." Ming-3.0-tts עושה גרסה צרה אחת של אותה עבודה, על החומרה שלך, תחת רישיון MIT, ללא עלות לכל קריאה. אם מה שאתה באמת צריך מאחת מהמערכות הוא רצועת קול, המשפט הזה הוא ההשוואה. אם אתה צריך את הקול מחובר לפנים שהולכות דרך חדר מואר, רק צד אחד של העמוד הזה יכול לעזור לך.

המשפחה, נקודת ביקורת אחר נקודת ביקורת

כדאי להציג את זה בבירור, כי השמות עלולים לבלבל והחותמות זמן מפוזרות.

Ming-3.0-audio-flash — 126B פרמטרים בסך הכול עם 6.5B פעילים לכל טוקן, מודל MoE ילידי לאודיו-שפה שמקבל אודיו וטקסט ומחזיר טקסט, עם מודול Talker אופציונלי שמשמיע את התשובה. המשקלים נחתו ב-Hugging Face ב-3 בספטמבר 2026, כ-259 GB ב-25 שברים. כרטיס המודל האמיתי, נכסי הבנצ'מרק והרישוי מחדש תחת MIT הגיעו רק ב-19 באוקטובר 2026 — שישה שבועות אחרי שהצ'קפוינט הגיע.

• Ming-3.0-audio-tiny — גרסת ה-9B של אותו רעיון, שפורסמה באותו יום.

• {{1}}Ming-3.0-tts-0.5B{{/1}} — מודל טקסט-לדיבור צפוף בגודל 0.5B על בסיס Qwen2.5-0.5B, שבע שפות ועוד סצ'ואנית וקנטונזית, שיבוט ללא דוגמאות מתוך קטע שמע ייחוס קצר, ועיצוב קול מתיאור בשפה טבעית. הועלה ב-22 בספטמבר 2026.

• Ming-3.0-tts-tiny — האחות הקטנה של ה-TTS, אותו תאריך.

• Ming-3.0-asr-tiny — צד התמלול, 14 באוקטובר 2026.

התווית 3.0 מתייחסת למחסנית דיבור, לא למודל מולטימודלי מוביל. זה חשוב כי חיפוש אחר "Ming 3.0" לצד מודל וידאו מרמז שמישהו חושב אחרת, וקו Ming אכן מכיל מודל אומני — Ming-flash-omni-2.0, שפורסם בפברואר 2026 — אבל זהו דור אחר עם שם אחר, והוא אינו מה שהצ'קפוינטים של 3.0 הם.

איפה החפיפה למעשה נמצאת: רצועת הדיאלוג

אם מסירים את המכלים, שתי המערכות יכולות להפיק אדם מדבר. הן מגיעות לכך מכיוונים מנוגדים.

Gemini Omni 1.2 Flash מייצר את הסצנה כולה. אתה כותב פרומפט לצילום, ואם הפרומפט מכיל דיאלוג, או אם אתה מכוון לכך, המודל מטביע את הדיבור בסרטון יחד עם אווירה ומוזיקה. השמע נוצר כברירת מחדל; המדריך אומר שהמודל "ינסה לייצר רצועת שמע מתאימה" בין אם ביקשת ובין אם לא. איכות הדיאלוג היא הצהרת השקה ולא מדד שנמדד, וגוגל לא מפרסמת שום בנצ'מרק שמע. מסלול ההפניה נמצא ברשימת ההיתרים ב-Google Cloud: אפשר לספק דגימות קול באורך שנייה כרמזי שמע, אבל העלאת קלטי שמע או הפניות שמע אינה נתמכת במודל בגרסה הנוכחית, השמע של סרטון ההפניה מתעלמים ממנו, ועריכת קול אינה נתמכת. אפשר לכתוב פרומפט לקול שייווצר. אי אפשר להוציא קול ולהחליף אותו.

Ming-3.0-tts עושה דבר אחד: טקסט נכנס, דיבור יוצא, כשהקול בשליטתך. שיבוט zero-shot מתוך קטע התייחסות קצר, עיצוב קול מתוך תיאור כתוב, ארבעה־עשר תגים פרלינגוויסטיים בתוך השורה, והגדרות מפורשות של רגש, מהירות, גובה צליל ועוצמה. נתוני ה-Seed-TTS שמדווח הספק הם WER סיני 0.800% עם SIM 0.758, ו-WER אנגלי 1.584% עם SIM 0.691; ב-NVBench single-Chinese הוא מדווח CER 2.70, PCER 22.80 ו-OCER 3.20, הטוב ביותר מבין הדגמים שהוא מפרט. אלה הנתונים של inclusionAI עצמה, שלא שוחזרו, כפי שהם מודפסים בכרטיס.

כששמים אותן זו לצד זו, החלוקה הכנה היא זו. Omni נותן לך קול שלא ציינת, המחובר לביצוע שגם אותו לא ציינת, תמורת בסביבות דולר לקליפ של חמש־עשרה שניות. Ming-3.0-tts נותן לך שליטה מדויקת על תכונה אחת בדיוק — איך הקול נשמע — ומוסר לך צורת גל בלי תמונה מצורפת.

מה העלות של כל אחד, ביחידות שאינן עומדות

התעריף של Omni פשוט ופומבי. $12.00 למיליון טוקנים של פלט וידאו, מומרים על ידי Google בקצב של 5,792 טוקנים לשנייה של 720p לכ-$0.07 לשנייה. קליפ באורך חמש עשרה שניות עולה בערך $1.05. טיוטת 360p באותו אורך עולה כ-$0.35, ושדרוג ל-4K כ-$3.14. אין מסלול חינמי, כך שסשן אב-טיפוס הוא חשבונית אמיתית.

ל� Ming אין מחיר לפי קריאה כי אין עבורו נקודת קצה מתארחת. העלות היא החומרה. עבור Ming-3.0-audio-flash בהקשר של 128K, פרופיל ההתייחסות של vLLM-Omni של inclusionAI עצמה הוא מקבילות טנזורים על פני ארבעה כרטיסי H800 של 80 GB, עם נפילה לאחור לשמונה כרטיסי GPU כאשר אודיו ארוך מכלה את הזיכרון וה-Talker מוצב על GPU 7. ל-SGLang יש פרופיל מאומת של ארבעה כרטיסי GPU לפלט טקסט, ו-SGLang-Omni מריץ את כל הצינור על שניים — ה-thinker על פני שני כרטיסי GPU, מקודד האודיו על GPU 0, וסינתזת הדיבור על GPU 1. Ming-3.0-tts-0.5B קטן מספיק כדי להיבדק על H800-80GB בודד או H20-96G עם CUDA 12.4.

ההמרה בין האחד לשני היא המקום שבו אנשים טועים. "חינם לאחר הון" מול "שבעה סנט לשנייה" מפיקים מספר שתלוי כולו בשיעור הניצול, ובקצב של עשרה קליפים בשבוע ה-GPU יקר באופן דרמטי לכל שנייה של תפוקה. בנפח רציף הוא זול באופן דרמטי. אין שער חליפין שמחזיק בשני המקרים.

רישיון ושליטה, שזו הסיבה האמיתית לבחור ב-Ming

הכל בקו Ming-3.0 הוא MIT, עם קובץ כתב ויתור משפטי נפרד. זה אומר שימוש מסחרי, שינוי, כוונון עדין על נתוני הקול שלך, והפצה מחדש — עם ייחוס וללא צורך באישור. אם המבדיל של המוצר שלך הוא קול, או ניב, או קריאת מותג שחייבת להישמע זהה בכל פעם, היכולת לכוונן עדין את ה-checkpoint אינה בגדר תוספת נחמדה. היא כל היכולת.

Gemini Omni 1.2 Flash הוא העסקה ההפוכה. אין משקלים, אין כיוונון עדין, אין עריכת קול, ארכיטקטורה לא גלויה, תנאי שירות שמסדירים את הפלט, וסימן מים SynthID על כל פריים וכל שנייה של אודיו בין אם תרצו ובין אם לא. עריכה או הארכה של וידאו שהועלה אינן זמינות ב-EEA, בשווייץ ובבריטניה — מגבלה אזורית שפוסלת לחלוטין את הצעת העריכה השיחתית עבור צוותים בשווקים האלה. בתמורה מקבלים נקודת קצה פעילה כבר היום, קליפים של 15 שניות, הגדלת רזולוציה ל-4K, עד שש תמונות ייחוס לבקשה לצורך עקביות של דמות ומוצר, ומחיר שאפשר לחזות.

• משקלים — נקודות ביקורת (checkpoints) ברישיון MIT, ללא Apache, שתוכלו להחזיק בבעלותכם מול מודל סגור המתארח אצל ספק.

• פלט — צורת גל דיבור מול וידאו עם שמע מסונכרן.

• שליטה קולית — שיבוט, עיצוב, הגדרות רגש וגובה צליל לעומת פרומפט בלבד, ללא עריכת קול.

• כוונון עדין — זמין בכל נקודת ביקורת של Ming, לא זמין ב-Omni בכל מחיר.

• זמן עד לתוצאה ראשונה — הורדה של 34 GB ומעלה והקמת סביבה לעומת מפתח API ורינדור של 28 עד 136 שניות.

• עלות שולית — שעת GPU לעומת כ-0.07 דולר לשניית פלט.

הפייפליין שבו שניהם מופיעים

יש תהליך עבודה אמיתי שמשתמש בשניהם, וכדאי לפרט אותו כי זה המקום היחיד שבו ההשוואה הופכת להחלטה.

צוות מוצר שכותב תסריט לפרסומת של חמש-עשרה שניות כותב את הקופי, מייצר את הקול עם Ming-3.0-tts על בסיס קול מותג משוכפל, ואז או מבצע ליפסינק לצילומים לפי הרצועה הזו, או משתמש בצורת הגל כאמת מידה לתזמון עבור רנדור Omni. שלב ה-TTS עולה דקת GPU ומאפשר שליטה מדויקת בקצב ובהגייה. שלב Omni עולה בערך דולר ומניב שוט. ביצוע בסדר הזה אומר שמתקנים את התסריט לפני שמוציאים כסף על וידאו — אותה משמעת של טיוטה ואז גמר ש-Google ממליצה עליה פנימית, עם טיוטות 360p ושדרוגי 4K.

לעשות זאת בדרך ההפוכה — ליצור את הקליפ ואז לנסות להחליף את הקול שלו — לא עובד. Omni לא תומך בעריכת קול, והעלאת רפרנס אודיו אינה נתמכת במודל. האודיו שהוא מייצר הוא האודיו שתשלחו.

אף אחד מהשניים לא נמצא בקטלוג שלנו, וכדאי לומר זאת

OrcaRouter לא מנתב אף אחד מהמודלים. google/gemini-omni-1.2-flash מחזיר 404 מול דפי המודלים החיים שלנו, ולנקודות השמירה של Ming-3.0 אין כלל נקודת קצה מתארחת — הן הורדות מ-Hugging Face עם מסלול vLLM-Omni שעדיין היה בקשת משיכה נכון לבדיקה האחרונה. שום קריאה ל-API שלנו לא מגיעה לאף אחד מהם, והעמוד הזה מעדיף להצהיר על כך מאשר לרמוז אחרת.

היכן שהשער אכן זוכה למקום הוא שכבת הטקסט ששתי זרימות העבודה עוברות דרכה: התסריט, רשימת השוטים, בקרת האיכות של קול המותג, הביקורת שתופסת את הקליפ שבו דולגה הוראה. זהו מפתח אחד על פני יותר מ-200 מודלים עם מעבר אוטומטי לגיבוי, ו-DSL לניתוב להרכבת השלבים לקריאה אחת. בצד התמחור, OrcaRouter מחייב בתוספת של 0% כאשר מחיר המחירון של הספק מועבר הלאה, כך שכאשר גוגל העבירה את תעריף הווידאו של Omni מ-$17.50 ל-$12.00 למיליון טוקני פלט ב-5 בנובמבר, השינוי היה פעיל אצלנו באותו יום.

ההחלטה, בקצרה

אם הבעיה שלך היא קול — קול ספציפי, שניתן לחזור עליו, אולי מכוונן דק, אולי בניב — Ming-3.0-tts הוא הכלי הנכון והרישיון MIT הוא הסיבה. הוא לא ייתן לך תמונה ומעולם לא נועד לכך.

אם הבעיה שלך היא סצנה שיש בה אדם, והקול רק צריך להיות משכנע ומסונכרן, Gemini Omni 1.2 Flash הוא היחיד מבין השניים שמסוגל לעשות זאת, והוא עושה זאת במחיר שאפשר לחשב לפני שמתחילים.

מה שאף אחד מהשניים לא יעשה הוא לאפשר לך להחליט על הקול והתמונה בנפרד. הפער הזה הוא ממש חזית הטכנולוגיה בנובמבר 2026, וכל תהליך עבודה שתבנה חייב לעקוף אותו ולא לעבור דרכו.