Gemini Omni 1.2 Flash vs Ming 3.0：動画の中の声か、それとも単独の声か

「Ming 3.0」は単一のモデルではない。Ant Groupの研究ラボであるinclusionAIによる5つのチェックポイントからなるファミリーであり、そのすべてが音声に関するものだ。Ming-3.0-audio-flashは音声を読み取ってテキストで応答し、Ming-3.0-audio-tinyはその9Bの兄弟モデル、Ming-3.0-tts-0.5BとMing-3.0-tts-tinyはテキストを音声に変換し、Ming-3.0-asr-tinyは音声を文字起こしする。いずれも動画を1フレームも生成しない。Gemini Omni 1.2 Flashは2026年11月5日から一般提供されており、720p出力1秒あたり約0.07ドルで、同期した音声付きの3～15秒の動画を生成する。

つまり両者を直接比較するのはカテゴリー錯誤だ。ただし、実はすべてを物語る例外が一つある。Gemini Omni 1.2 Flashの最も実質的な新規主張は音声に関するものだ。Googleは「より流暢で自然な響きの対話、より明確なリップシンク、話者ごとに明確に条件付けられたマルチスピーカー」を実現すると述べている。Ming-3.0-ttsはその仕事の狭い一形態を、自分のハードウェア上で、MITライセンスの下、呼び出しごとに無料で行う。どちらかのシステムに実際に求めているものが音声トラックなら、その一文が比較そのものだ。明るい部屋を歩く顔に声を結び付けたいなら、このページの片側しか助けにならない。

家族を、チェックポイントごとに

はっきりと整理しておく価値がある。なぜなら、その命名は混乱を招きやすく、タイムスタンプも散在しているからだ。

• Ming-3.0-audio-flash — 総パラメータ数126B、トークンあたり6.5Bを活性化するネイティブ音声言語MoE。音声とテキストを入力として受け取り、テキストを返す。オプションのTalkerモジュールを使えば、回答を音声で話すこともできる。重みは2026年9月3日にHugging Faceで公開され、25個のシャードに分かれて合計約259GB。実際のモデルカード、ベンチマーク用アセット、MITライセンスへの再ライセンスが揃ったのは2026年10月19日で、チェックポイントの公開から6週間後のことだった。

• Ming-3.0-audio-tiny — 同じアイデアの9Bバリアントで、同日に公開されました。

• Ming-3.0-tts-0.5B — Qwen2.5-0.5Bをバックボーンとするデンスな0.5Bテキスト読み上げモデル。7言語に四川語と広東語を加え、短い参照クリップからのゼロショットクローニング、自然言語の説明からの音声デザインに対応。2026年9月22日アップロード。

• Ming-3.0-tts-tiny — より小型のTTS版で、同じ日付。

• Ming-3.0-asr-tiny — 文字起こし側、2026年10月14日。

3.0というラベルが指すのは音声スタックであり、旗艦マルチモーダルモデルではない。これが重要なのは、「Ming 3.0」を動画モデルと並べて検索することが、そうではないと誰かが考えていることを示唆しているからだ。そしてMing系にはオムニモデル——2026年2月に公開されたMing-flash-omni-2.0——が確かに存在するが、それは別の世代で別の名前であり、3.0のチェックポイントが指すものではない。

実際に重なっているのは、ダイアログトラックです

コンテナを取り除けば、どちらのシステムも話す人を生み出せる。両者は正反対の方向からそこへ至る。

Gemini Omni 1.2 Flashはシーン全体を生成します。ショットをプロンプトで指定すると、プロンプトに台詞が含まれている場合、または台詞の方向に誘導した場合、モデルは環境音や音楽とともに音声を動画に組み込みます。音声はデフォルトで生成され、ガイドによれば、要求の有無にかかわらずモデルは「適切なオーディオトラックを生成しようと試みる」とのことです。台詞の品質は採点指標ではなくローンチ時の主張であり、Googleは音声ベンチマークを一切公開していません。参照パスはGoogle Cloudの許可リストに登録されています。1秒の音声サンプルを音声キューとして提供できますが、現行バージョンのモデルでは音声入力や音声参照のアップロードは非対応で、参照動画の音声は無視され、音声編集もサポートされていません。声をプロンプトで存在させられますが、声を取り除いて別の声に置き換えることはできません。

Ming-3.0-tts が行うことは一つだけ：テキストを入力し、音声を出力する。しかも声はあなたの制御下にある。短い参照クリップからのゼロショットクローニング、文章による記述からの音声設計、14 個のインライン副言語タグ、そして感情・速度・ピッチ・音量の明示的な設定。ベンダー報告の Seed-TTS 数値は、中国語 WER 0.800%、SIM 0.758、英語 WER 1.584%、SIM 0.691。NVBench の単一中国語では CER 2.70、PCER 22.80、OCER 3.20 を報告しており、リスト掲載モデルの中で最良。これらは inclusionAI 自身の数値であり、未再現のままカードに記載されている。

並べて比べると、正直な違いはこうだ。Omniは、指定していない声を、これまた指定していない演技に乗せて、15秒のクリップあたり約1ドルで提供する。Ming-3.0-ttsは、ただ一つの特性、つまり声の響きを正確に制御できるようにし、映像の付かない波形を渡してくる。

それぞれの費用を、基準を満たさない単位で

Omniの料金体系はシンプルで公開されています。動画出力トークン100万個あたり$12.00で、Googleによる換算では720pの1秒あたり5,792トークン、つまり1秒あたり約$0.07になります。15秒のクリップはおよそ$1.05です。同じ長さの360pのドラフトは約$0.35、4Kアップスケールは約$3.14です。無料枠はないため、プロトタイピングのセッションは実際の請求になります。

Mingには呼び出しごとの料金がありません。ホスト型エンドポイントが存在しないためです。コストはハードウェアです。128KコンテキストのMing-3.0-audio-flashでは、inclusionAI自身のvLLM-Omniリファレンスプロファイルは、80GBのH800 4台にまたがるテンソル並列であり、長い音声でメモリ不足になった場合には8 GPUへのフォールバックがあり、TalkerはGPU 7に配置されます。SGLangにはテキスト出力用の検証済み4 GPUプロファイルがあり、SGLang-Omniはパイプライン全体を2台で実行します。thinkerは2つのGPUに分散し、音声エンコーダーはGPU 0、音声合成はGPU 1です。Ming-3.0-tts-0.5Bは、CUDA 12.4を備えた単一のH800-80GBまたはH20-96Gでテストできるほど小さいです。

一方を他方に換算するのが、人が間違えるところだ。「資本投下後は無料」対「1秒7セント」は、完全に稼働率に依存する数字を生み出す。週10本のクリップなら、GPUは出力1秒あたりで劇的に高くつく。継続的な量なら劇的に安い。両方に当てはまる為替レートは存在しない。

ライセンスとコントロール、それこそがMingを選ぶ本当の理由だ

Ming-3.0 系列はすべて MIT ライセンスで、別途法的免責事項ファイルがあります。つまり、商用利用、改変、自社の音声データでのファインチューニング、再配布が可能で、帰属表示を行えば許可は不要です。製品の差別化要素が声、方言、または毎回同じに聞こえなければならないブランドリードであるなら、チェックポイントをファインチューニングできることは「あると便利」な機能ではありません。それこそが能力のすべてです。

Gemini Omni 1.2 Flashは正反対のトレードオフです。重みも、ファインチューニングも、音声編集もなく、アーキテクチャは非公開で、出力は利用規約に縛られ、望むと望まざるとにかかわらずすべてのフレームと音声の毎秒にSynthIDウォーターマークが入ります。アップロードした動画の編集や延長はEEA、スイス、英国では利用できません。この地域制限により、これらの市場のチームにとっては、会話による編集という売り文句は完全に失格となります。その代わりに、今日から使えるエンドポイント、15秒のクリップ、4Kアップスケーリング、キャラクターと製品の一貫性のための1リクエスト最大6枚の参照画像、そして予測可能な価格が得られます。

• 重み — クローズドなホスト型モデルに対抗して自分で所有できる、Apache に縛られない MIT チェックポイント。

• 出力 — 音声が同期された映像に対する音声波形。

• 音声コントロール — クローニング、デザイン、感情・ピッチ設定をプロンプトのみの場合と比較、音声編集はなし。

• ファインチューニング — すべてのMingチェックポイントで利用可能、Omniでは価格にかかわらず利用不可。

• 初回結果までの時間 — 34 GB 以上のダウンロードと環境構築 対 API キーと 28～136 秒のレンダリング。

• 限界費用 — GPU 1時間に対して、出力1秒あたり約0.07ドル。

両方が表示されるパイプライン

両方を使う実際のワークフローがあり、比較が意思決定に変わる唯一の場面なので、明確に説明する価値がある。

プロダクトチームが15秒のスポットを制作する場合、コピーを書き、クローン化したブランドボイスに対してMing-3.0-ttsで音声を生成し、そのトラックに映像をリップシンクさせるか、波形をOmniレンダリングのタイミング基準として使います。TTSの工程はGPU1分のコストで、ペースと発音を正確にコントロールできます。Omniの工程は約1ドルで1ショットが得られます。この順序で進めれば、動画に費用をかける前にスクリプトを固められます。これはGoogleが社内で360pのドラフトと4Kアップスケールを用いて推奨している、下書きしてから仕上げるという規律と同じです。

逆の順序、つまりクリップを生成してからその音声を置き換えようとしてもうまくいきません。Omniは音声編集に対応しておらず、音声リファレンスのアップロードもこのモデルではサポートされていません。生成された音声が、そのまま出荷する音声になります。

どちらも当社のカタログには載っていません。それは言っておく価値があります。

OrcaRouterはどちらのモデルもルーティングしていません。google/gemini-omni-1.2-flash は当社の稼働中のモデルページに対して404を返し、Ming-3.0のチェックポイントにはホストされたエンドポイントが一切ありません。これらはHugging Faceからのダウンロードであり、vLLM-Omniの経路は最後に確認した時点でまだプルリクエストでした。当社のAPIへの呼び出しがどちらかに到達することもなく、このページはそうではないと示唆するより、その事実を明記します。

ゲートウェイが真に価値を持つのは、両方のワークフローが通過するテキスト層です。スクリプト、ショットリスト、ブランドボイスのQA、指示が飛ばされたクリップを検出する監査。それが200以上のモデルにまたがる1つのキーであり、自動フェイルオーバーと、ステップを1回の呼び出しに組み立てるためのルーティングDSLを備えています。料金面では、OrcaRouterはプロバイダーの定価をそのまま反映した0%マークアップで請求するため、Googleが11月5日にOmniの動画料金を出力100万トークンあたり$17.50から$12.00に変更した際、その変更は当日中に当社側でも反映されました。

決断を、シンプルに

もしあなたの課題が声——特定のもので、再現可能で、場合によってはファインチューニングされ、あるいは方言のものである——なら、Ming-3.0-tts は適切な手段であり、その理由は MIT ライセンスにあります。それは画像を与えるものではなく、そもそもそういうものではありません。

あなたの問題が人物のいるシーンで、声はもっともらしく同期していればよいというものであるなら、Gemini Omni 1.2 Flash は2つのうち唯一それを実現できるものであり、しかも開始前に計算できる価格でそれをやってのけます。

どちらも、声と映像を別々に決めさせてはくれない。その隔たりこそが2026年11月時点の実際の最先端であり、あなたが組むワークフローはどんなものであれ、そこを突き抜けるのではなく迂回する形にしなければならない。