Gemini Omni 1.2 Flash vs Ming 3.0: la voce dentro il video, o la voce autonoma

"Ming 3.0" non è un modello. È una famiglia di cinque checkpoint di inclusionAI, il laboratorio di ricerca di Ant Group, e ognuno di essi riguarda l'audio: Ming-3.0-audio-flash legge l'audio e risponde in testo, Ming-3.0-audio-tiny è la sua variante da 9B, Ming-3.0-tts-0.5B e Ming-3.0-tts-tiny convertono il testo in parlato, e Ming-3.0-asr-tiny lo trascrive. Nessuno di essi genera un singolo fotogramma di video. Gemini Omni 1.2 Flash, disponibile a livello generale dal 5 novembre 2026, genera da tre a quindici secondi di video con audio sincronizzato a circa $0.07 al secondo di output a 720p.

Quindi un confronto diretto tra loro è un errore di categoria — con un'eccezione che, a conti fatti, è tutta la questione. La nuova affermazione più sostanziale di Gemini Omni 1.2 Flash riguarda il parlato: Google afferma che produce "dialoghi più fluidi e dal suono naturale, un lip-sync più chiaro e un distinto condizionamento multi-parlante". Ming-3.0-tts svolge una versione ristretta di quel compito, sul tuo hardware, con licenza MIT, a costo zero per chiamata. Se ciò che ti serve davvero da uno dei due sistemi è una traccia vocale, quella frase è il confronto. Se ti serve la voce attaccata a un volto che cammina in una stanza illuminata, solo un lato di questa pagina può aiutarti.

La famiglia, checkpoint dopo checkpoint

Vale la pena esporlo chiaramente, perché la denominazione genera confusione e i timestamp sono sparsi.

• Ming-3.0-audio-flash — 126B parametri totali con 6,5B attivati per token, un MoE nativo audio-linguaggio che accetta in input audio e testo e restituisce testo, con un modulo Talker opzionale che pronuncia la risposta. I pesi sono arrivati su Hugging Face il 3 settembre 2026, circa 259 GB distribuiti su 25 shard. La vera model card, gli asset di benchmark e la relicenza MIT sono arrivati solo il 19 ottobre 2026 — sei settimane dopo il checkpoint.

• Ming-3.0-audio-tiny — la variante da 9B della stessa idea, pubblicata lo stesso giorno.

• Ming-3.0-tts-0.5B — un modello text-to-speech denso da 0,5B su backbone Qwen2.5-0.5B, sette lingue più lo sichuanese e il cantonese, clonazione zero-shot da una breve clip di riferimento e progettazione della voce a partire da una descrizione in linguaggio naturale. Caricato il 22 settembre 2026.

Ming-3.0-tts-tiny — il fratello minore TTS, stessa data.

• Ming-3.0-asr-tiny — il lato della trascrizione, 14 ottobre 2026.

L'etichetta 3.0 copre uno stack vocale, non un modello multimodale di punta. Questo è importante perché una ricerca di "Ming 3.0" insieme a un modello video suggerisce che qualcuno creda il contrario, e la linea Ming contiene effettivamente un modello omni — Ming-flash-omni-2.0, pubblicato a febbraio 2026 — ma è una generazione diversa con un nome diverso e non è ciò che sono i checkpoint 3.0.

Dove si trova effettivamente la sovrapposizione: la traccia del dialogo

Togli i contenitori e entrambi i sistemi possono produrre una persona che parla. Ci arrivano da direzioni opposte.

Gemini Omni 1.2 Flash genera l'intera scena. Si fornisce un prompt per un'inquadratura e, se il prompt contiene dialogo o se si orienta il modello verso il dialogo, il modello incorpora il parlato nel video insieme ad ambiente e musica. L'audio viene generato per impostazione predefinita; la guida afferma che il modello "cercherà di generare una traccia audio appropriata" indipendentemente dal fatto che sia stato richiesto o meno. La qualità del dialogo è un'affermazione di lancio più che una metrica misurata, e Google non pubblica alcun benchmark audio. Il percorso di riferimento è inserito nella lista consentita su Google Cloud: è possibile fornire campioni vocali di un secondo come cue audio, ma il caricamento di input audio o riferimenti audio non è supportato sul modello nella versione attuale, l'audio dei video di riferimento viene ignorato e la modifica della voce non è supportata. Si può creare una voce con un prompt. Non la si può rimuovere e sostituire.

Ming-3.0-tts fa una sola cosa: testo in ingresso, parlato in uscita, con la voce sotto il tuo controllo. Clonazione zero-shot da una breve clip di riferimento, progettazione della voce a partire da una descrizione scritta, quattordici tag paralinguistici inline e impostazioni esplicite di emozione, velocità, tono e volume. I dati Seed-TTS dichiarati dal fornitore sono WER cinese 0,800% con SIM 0,758, e WER inglese 1,584% con SIM 0,691; su NVBench single-Chinese riporta CER 2,70, PCER 22,80 e OCER 3,20, il migliore tra i modelli elencati. Sono cifre di inclusionAI, non riprodotte, stampate sulla scheda.

Messi uno accanto all'altro, la divisione onesta è questa. Omni ti dà una voce che non hai specificato, abbinata a una performance che non hai specificato neanche tu, per circa un dollaro a clip di quindici secondi. Ming-3.0-tts ti dà un controllo preciso su esattamente una proprietà — come suona la voce — e ti consegna una forma d'onda senza alcuna immagine allegata.

Quanto costa ciascuno, in unità che non soddisfano

Il sistema di tariffazione di Omni è semplice e pubblico. $12.00 per milione di token di output video, convertiti da Google a 5,792 token al secondo di 720p in circa $0.07 al secondo. Una clip di quindici secondi costa all'incirca $1.05. Una bozza a 360p della stessa durata costa circa $0.35, e un upscale a 4K circa $3.14. Non esiste un piano gratuito, quindi una sessione di prototipazione è una vera fattura.

Ming non ha un prezzo per chiamata perché non esiste un endpoint ospitato per esso. Il costo è l'hardware. Per Ming-3.0-audio-flash con contesto 128K, il profilo di riferimento vLLM-Omni di inclusionAI prevede parallelismo tensoriale su quattro H800 da 80 GB, con un fallback a otto GPU quando l'audio lungo esaurisce la memoria e il Talker posizionato sulla GPU 7. SGLang dispone di un profilo validato a quattro GPU per l'output testuale, e SGLang-Omni esegue l'intera pipeline su due — thinker su due GPU, encoder audio sulla GPU 0, sintesi vocale sulla GPU 1. Ming-3.0-tts-0.5B è abbastanza piccolo da poter essere testato su una singola H800-80GB o H20-96G con CUDA 12.4.

Convertire l'uno nell'altro è dove la gente sbaglia. "Gratis dopo il capitale" contro "sette centesimi al secondo" produce un numero che dipende interamente dall'utilizzo, e a dieci clip a settimana la GPU è drasticamente più costosa per secondo di output. A volume continuo è drasticamente più economica. Non esiste un tasso di cambio che valga per entrambi.

Licenza e controllo, che è il vero motivo per scegliere Ming

Tutto nella linea Ming-3.0 è MIT, con un file separato di disclaimer legale. Ciò significa uso commerciale, modifica, fine-tuning sui propri dati vocali e ridistribuzione — con attribuzione e senza necessità di autorizzazione. Se il differenziatore del tuo prodotto è una voce, o un dialetto, o una lettura di brand che deve suonare identica ogni volta, poter fare fine-tuning del checkpoint non è un semplice valore aggiunto. È l'intera capacità.

Gemini Omni 1.2 Flash è il compromesso opposto. Nessun peso, nessun fine-tuning, nessuna modifica vocale, un'architettura non divulgata, termini di servizio che regolano l'output e una filigrana SynthID su ogni fotogramma e ogni secondo di audio, che tu la voglia o no. La modifica o l'estensione di video caricati non è disponibile nello SEE, in Svizzera e nel Regno Unito — una restrizione regionale che squalifica del tutto la proposta di modifica conversazionale per i team in quei mercati. In cambio ottieni un endpoint funzionante oggi, clip da 15 secondi, upscaling 4K, immagini di riferimento fino a sei per richiesta per la coerenza di personaggi e prodotti, e un prezzo che puoi prevedere.

• Pesi — checkpoint MIT senza Apache che puoi possedere rispetto a un modello ospitato chiuso.

• Output — forma d'onda del parlato rispetto al video con audio sincronizzato.

• Controllo vocale — clonazione, design, emozione e impostazioni del tono rispetto alla modalità solo prompt, senza modifica della voce.

• Fine-tuning — disponibile su ogni checkpoint Ming, non disponibile su Omni a nessun prezzo.

• Tempo al primo risultato: un download da oltre 34 GB e la configurazione di un ambiente, rispetto a una chiave API e un rendering da 28 a 136 secondi.

• Costo marginale — un'ora di GPU rispetto a circa 0,07 $ per secondo di output.

La pipeline in cui compaiono entrambi

Esiste un flusso di lavoro reale che li utilizza entrambi, e vale la pena illustrarlo esplicitamente perché è l'unico punto in cui il confronto si trasforma in una decisione.

Un team di prodotto che scrive la sceneggiatura di uno spot di quindici secondi redige il testo, genera la voce con Ming-3.0-tts su una voce di brand clonata e poi o sincronizza il labiale del girato su quella traccia oppure usa la forma d'onda come riferimento temporale per un render Omni. La fase TTS costa un minuto di GPU e offre un controllo esatto su ritmo e pronuncia. La fase Omni costa circa un dollaro e produce un'inquadratura. Farlo in quest'ordine significa correggere la sceneggiatura prima di spendere per il video, la stessa disciplina bozza-poi-finale che Google raccomanda internamente con bozze a 360p e upscale a 4K.

Farlo nell'altro modo — generare la clip e poi provare a sostituirne la voce — non funziona. Omni non supporta la modifica della voce e il caricamento di un riferimento audio non è supportato sul modello. L'audio che produce è l'audio che consegni.

Nessuno dei due è nel nostro catalogo, e vale la pena dirlo.

OrcaRouter non instrada nessuno dei due modelli. google/gemini-omni-1.2-flash restituisce 404 sulle nostre pagine dei modelli attive, e i checkpoint Ming-3.0 non hanno alcun endpoint ospitato — sono download da Hugging Face con un percorso vLLM-Omni che, all'ultima verifica, era ancora una pull request. Nessuna chiamata alla nostra API raggiunge l'uno o l'altro, e questa pagina preferisce affermarlo piuttosto che lasciar intendere il contrario.

Dove il gateway si guadagna davvero un posto è nel livello testuale attraverso cui passano entrambi i flussi di lavoro: lo script, la shot list, il QA della brand voice, l'audit che intercetta la clip in cui un'istruzione è stata saltata. Si tratta di un'unica chiave per oltre 200 modelli con failover automatico, e di un DSL di routing per comporre i passaggi in un'unica chiamata. Sul fronte dei prezzi, OrcaRouter fattura con un ricarico dello 0%, applicando il prezzo di listino del provider, così quando Google ha portato la tariffa video di Omni da $17,50 a $12,00 per milione di token di output il 5 novembre, la modifica è stata attiva dalla nostra parte lo stesso giorno.

La decisione, ridotta

Se il tuo problema è una voce — una specifica, ripetibile, magari messa a punto, magari in un dialetto — Ming-3.0-tts è lo strumento giusto e la licenza MIT è il motivo. Non ti darà un'immagine e non è mai stato concepito per farlo.

Se il tuo problema è una scena con una persona, e la voce deve solo essere plausibile e sincronizzata, Gemini Omni 1.2 Flash è l'unico dei due in grado di farlo, e lo fa a un prezzo che puoi calcolare prima di iniziare.

Quello che nessuno dei due farà è permetterti di decidere la voce e l’immagine separatamente. Quel divario è l’attuale stato dell’arte nel novembre 2026, e qualsiasi flusso di lavoro tu costruisca deve aggirarlo anziché attraversarlo.