Gemini Omni 1.2 Flash vs Ming 3.0: Suara di Dalam Video, atau Suara yang Berdiri Sendiri

"Ming 3.0" bukanlah sebuah model. Ini adalah keluarga yang terdiri dari lima checkpoint dari inclusionAI, laboratorium riset Ant Group, dan semuanya berkaitan dengan suara: Ming-3.0-audio-flash membaca audio dan menjawab dalam teks, Ming-3.0-audio-tiny adalah saudaranya yang berukuran 9B, Ming-3.0-tts-0.5B dan Ming-3.0-tts-tiny mengubah teks menjadi ucapan, dan Ming-3.0-asr-tiny mentranskripsinya. Tidak satu pun dari mereka menghasilkan satu frame video pun. Gemini Omni 1.2 Flash, yang tersedia secara umum sejak 5 November 2026, menghasilkan video berdurasi tiga hingga lima belas detik dengan audio tersinkronisasi sekitar $0,07 per detik output 720p.

Jadi perbandingan langsung antara keduanya adalah kesalahan kategori — dengan satu pengecualian yang ternyata menjadi inti persoalannya. Klaim baru paling substantif dari Gemini Omni 1.2 Flash adalah soal ucapan: Google mengatakan model itu menghasilkan "dialog yang lebih lancar dan terdengar alami, lip-sync yang lebih jelas, serta pengondisian multi-pembicara yang berbeda." Ming-3.0-tts melakukan satu versi sempit dari tugas itu, di perangkat keras Anda sendiri, di bawah lisensi MIT, tanpa biaya per panggilan. Jika yang sebenarnya Anda butuhkan dari salah satu sistem itu adalah trek suara, kalimat itulah perbandingannya. Jika Anda membutuhkan suara yang menempel pada wajah yang berjalan melalui ruangan yang diterangi, hanya satu sisi halaman ini yang dapat membantu Anda.

Keluarga itu, pos pemeriksaan demi pos pemeriksaan

Perlu dijelaskan secara gamblang, karena penamaannya mengundang kebingungan dan stempel waktunya tersebar.

• Ming-3.0-audio-flash — 126B parameter total dengan 6,5B yang diaktifkan per token, sebuah MoE audio-bahasa native yang menerima audio dan teks sebagai masukan dan mengembalikan teks, dengan modul Talker opsional yang membacakan jawabannya. Bobotnya tiba di Hugging Face pada 3 September 2026, sekitar 259 GB dalam 25 shard. Model card resmi, aset benchmark, dan relicence MIT baru hadir pada 19 Oktober 2026 — enam minggu setelah checkpoint-nya.

• Ming-3.0-audio-tiny — varian 9B dari ide yang sama, diterbitkan pada hari yang sama.

• Ming-3.0-tts-0.5B — model teks-ke-ucapan padat 0,5B dengan tulang punggung Qwen2.5-0.5B, tujuh bahasa ditambah bahasa Sichuan dan Kanton, kloning zero-shot dari klip referensi singkat, serta desain suara dari deskripsi bahasa alami. Diunggah 22 September 2026.

• Ming-3.0-tts-tiny — saudara TTS yang lebih kecil, tanggal yang sama.

• Ming-3.0-asr-tiny — sisi transkripsi, 14 Oktober 2026.

Label 3.0 mencakup stack ucapan, bukan model multimodal unggulan. Itu penting karena pencarian "Ming 3.0" bersama model video menunjukkan seseorang meyakini sebaliknya, dan lini Ming memang berisi model omni — Ming-flash-omni-2.0, yang dipublikasikan pada Februari 2026 — tetapi itu adalah generasi berbeda dengan nama berbeda dan bukanlah checkpoint 3.0.

Di mana tumpang tindihnya sebenarnya: trek dialog

Singkirkan wadahnya, dan kedua sistem dapat menghasilkan seseorang yang berbicara. Keduanya sampai ke sana dari arah yang berlawanan.

Gemini Omni 1.2 Flash menghasilkan seluruh adegan. Anda memberikan prompt untuk sebuah shot, dan jika prompt tersebut berisi dialog, atau jika Anda mengarahkannya ke sana, model akan memanggang ucapan ke dalam video bersama ambience dan musik. Audio dihasilkan secara default; panduan menyebutkan bahwa model "akan mencoba menghasilkan trek audio yang sesuai" baik Anda memintanya atau tidak. Kualitas dialog hanyalah klaim saat peluncuran, bukan metrik yang dinilai, dan Google tidak menerbitkan tolok ukur audio apa pun. Jalur referensi masuk daftar izin di Google Cloud: Anda dapat menyediakan sampel suara berdurasi satu detik sebagai isyarat audio, tetapi mengunggah input audio atau referensi audio tidak didukung pada model dalam versi saat ini, audio dari video referensi diabaikan, dan pengeditan suara tidak didukung. Anda dapat meminta sebuah suara agar tercipta. Anda tidak dapat mengeluarkannya dan menggantinya.

Ming-3.0-tts melakukan satu hal: teks masuk, ucapan keluar, dengan suara yang Anda kendalikan. Kloning zero-shot dari klip referensi singkat, desain suara dari deskripsi tertulis, empat belas tag paralinguistik inline, serta pengaturan emosi, kecepatan, nada, dan volume yang eksplisit. Angka Seed-TTS yang dilaporkan vendor adalah WER bahasa Mandarin 0,800% dengan SIM 0,758, dan WER bahasa Inggris 1,584% dengan SIM 0,691; pada NVBench single-Chinese dilaporkan CER 2,70, PCER 22,80, dan OCER 3,20, terbaik di antara model yang dicantumkannya. Itu adalah angka milik inclusionAI sendiri, belum direproduksi, tercetak di kartu.

Jika dibandingkan berdampingan, pembagian yang jujur adalah ini. Omni memberi Anda suara yang tidak Anda tentukan, yang melekat pada performa yang juga tidak Anda tentukan, dengan biaya sekitar satu dolar per klip lima belas detik. Ming-3.0-tts memberi Anda kendali presisi atas tepat satu properti — bagaimana suara itu terdengar — dan menyerahkan kepada Anda bentuk gelombang tanpa gambar yang menyertainya.

Berapa biaya masing-masing, dalam satuan yang tidak memenuhi

Meteran Omni sederhana dan publik. $12.00 per juta token keluaran video, dikonversi oleh Google pada 5.792 token per detik untuk 720p menjadi sekitar $0.07 per detik. Klip lima belas detik sekitar $1.05. Draf 360p dengan durasi sama sekitar $0.35, dan upscale 4K sekitar $3.14. Tidak ada tier gratis, jadi sesi prototipe adalah tagihan nyata.

Ming tidak memiliki harga per panggilan karena tidak ada endpoint yang dihosting untuknya. Biayanya adalah perangkat keras. Untuk Ming-3.0-audio-flash pada konteks 128K, profil referensi vLLM-Omni milik inclusionAI sendiri adalah paralelisme tensor di empat H800 80 GB, dengan fallback delapan GPU saat audio panjang kehabisan memori dan Talker ditempatkan di GPU 7. SGLang memiliki profil empat GPU yang tervalidasi untuk keluaran teks, dan SGLang-Omni menjalankan seluruh pipeline pada dua GPU — thinker di dua GPU, encoder audio di GPU 0, sintesis ucapan di GPU 1. Ming-3.0-tts-0.5B cukup kecil untuk diuji pada satu H800-80GB atau H20-96G dengan CUDA 12.4.

Mengonversi yang satu ke yang lain adalah tempat orang melakukan kesalahan. "Gratis setelah modal" versus "tujuh sen per detik" menghasilkan angka yang sepenuhnya bergantung pada utilisasi, dan pada sepuluh klip per minggu, GPU jauh lebih mahal per detik keluaran. Pada volume kontinu, GPU jauh lebih murah. Tidak ada kurs yang berlaku untuk keduanya.

Lisensi dan kontrol, itulah alasan sebenarnya untuk memilih Ming

Semua dalam lini Ming-3.0 berlisensi MIT, dengan file penafian hukum terpisah. Artinya, penggunaan komersial, modifikasi, fine-tuning dengan data suara Anda sendiri, dan redistribusi — dengan atribusi dan tanpa perlu izin. Jika pembeda produk Anda adalah suara, dialek, atau pembacaan merek yang harus terdengar identik setiap kali, kemampuan untuk melakukan fine-tuning pada checkpoint bukan sekadar nilai tambah. Itu adalah seluruh kapabilitasnya.

Gemini Omni 1.2 Flash adalah pertukaran yang sebaliknya. Tanpa bobot, tanpa fine-tuning, tanpa penyuntingan suara, arsitektur yang tidak diungkapkan, ketentuan layanan yang mengatur output, dan watermark SynthID pada setiap frame dan setiap detik audio, suka atau tidak. Menyunting atau memperpanjang video yang diunggah tidak tersedia di EEA, Swiss, dan Inggris — pembatasan regional yang langsung menggugurkan tawaran penyuntingan percakapan bagi tim di pasar tersebut. Sebagai gantinya, Anda mendapatkan endpoint yang berfungsi hari ini, klip 15 detik, upscaling 4K, gambar referensi hingga enam per permintaan untuk konsistensi karakter dan produk, serta harga yang dapat diprediksi.

• Bobot — checkpoint MIT tanpa Apache yang dapat Anda miliki, dibandingkan dengan model hosted tertutup.

• Keluaran — bentuk gelombang ucapan terhadap video dengan audio tersinkronisasi.

• Kontrol suara — kloning, desain, pengaturan emosi dan pitch dibandingkan dengan hanya prompt, tanpa penyuntingan suara.

• Penyetelan halus — tersedia di setiap checkpoint Ming, tidak tersedia di Omni berapa pun harganya.

• Waktu hingga hasil pertama — unduhan 34 GB lebih dan sebuah lingkungan, dibandingkan dengan kunci API dan render 28 hingga 136 detik.

• Biaya marginal — satu jam GPU dibandingkan dengan sekitar $0,07 per detik keluaran.

Pipeline tempat keduanya muncul

Ada alur kerja nyata yang menggunakan keduanya, dan perlu dijelaskan secara gamblang karena hanya di situlah perbandingan itu berubah menjadi keputusan.

Tim produk yang menulis naskah untuk iklan lima belas detik menulis copy, menghasilkan suara dengan Ming-3.0-tts menggunakan suara merek yang dikloning, lalu menyelaraskan bibir rekaman dengan trek tersebut atau menggunakan bentuk gelombang sebagai acuan waktu untuk render Omni. Langkah TTS memakan satu menit GPU dan memberikan kendali tepat atas tempo dan pengucapan. Langkah Omni memakan biaya sekitar satu dolar dan menghasilkan satu shot. Melakukannya dalam urutan itu berarti Anda memperbaiki naskah sebelum mengeluarkan biaya untuk video, yang merupakan disiplin draf-lalu-final yang sama yang direkomendasikan Google secara internal dengan draf 360p dan upscale 4K.

Melakukannya dengan cara sebaliknya — buat klipnya, lalu coba ganti suaranya — tidak berhasil. Omni tidak mendukung pengeditan suara, dan mengunggah referensi audio tidak didukung pada model ini. Audio yang dihasilkannya adalah audio yang Anda gunakan.

Keduanya tidak ada di katalog kami, dan itu patut dikatakan

OrcaRouter tidak merutekan kedua model tersebut. google/gemini-omni-1.2-flash mengembalikan 404 terhadap halaman model live kami, dan checkpoint Ming-3.0 sama sekali tidak memiliki endpoint yang dihosting — itu adalah unduhan Hugging Face dengan jalur vLLM-Omni yang masih berupa pull request pada pemeriksaan terakhir. Tidak ada panggilan ke API kami yang mencapai keduanya, dan halaman ini lebih memilih menyatakan hal itu daripada menyiratkan sebaliknya.

Tempat gateway benar-benar berguna adalah lapisan teks yang dilalui kedua alur kerja: skrip, daftar pengambilan gambar, QA suara merek, audit yang menangkap klip saat sebuah instruksi terlewat. Itulah satu kunci untuk lebih dari 200 model dengan failover otomatis, dan DSL perutean untuk menyusun langkah-langkah menjadi satu panggilan. Dari sisi harga, OrcaRouter menagih dengan markup 0% dan meneruskan harga daftar dari penyedia, jadi ketika Google mengubah tarif video Omni dari $17,50 menjadi $12,00 per juta token keluaran pada 5 November, perubahan itu langsung aktif di sisi kami pada hari yang sama.

Keputusan, secara ringkas

Jika masalah Anda adalah suara — suara tertentu, dapat diulang, mungkin di-fine-tune, mungkin dalam dialek — Ming-3.0-tts adalah instrumen yang tepat dan lisensi MIT adalah alasannya. Ini tidak akan memberi Anda gambar dan memang tidak pernah dimaksudkan untuk itu.

Jika masalah Anda adalah sebuah adegan yang berisi seseorang, dan suaranya hanya perlu terdengar masuk akal dan selaras, Gemini Omni 1.2 Flash adalah satu-satunya dari kedua opsi itu yang dapat melakukannya, dan ia melakukannya dengan harga yang bisa Anda hitung sebelum memulai.

Yang tidak akan dilakukan keduanya adalah membiarkan Anda menentukan suara dan gambar secara terpisah. Kesenjangan itulah kondisi mutakhir sebenarnya pada November 2026, dan alur kerja apa pun yang Anda bangun harus mengitarinya, bukan melewatinya.