Ming-3.0-audio-flash 対 Gemini Omni 1.1 Flash：一方は聴き、一方は撮る

をMing-3.0-audio-flashの隣に置いてみると、G​emini Omni 1.1 Flashまず正直に言うべきは、両者は互いの代わりにはならないということだ。たまたま同じ言葉を共有しているだけで、実際には正反対の仕事をしているからだ。Ming-3.0-audio-flash は inclusionAI の1260億パラメータの音声言語モデルで、トークンあたり65億がアクティブになり、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答えを音声で話すこともできる。その重みは2026年9月3日から Hugging Face に公開されており、モデルカードは10月19日まで存在しなかった。G​emini Omni 1.1 Flash は G​oogle のクローズドな動画生成モデルで、2026年8月27日から一般提供されており、テキストまたは画像のプロンプトを受け取って、720p出力1秒あたり0.10ドルで同期音声付きのクリップを返す。一方は音を消費する。もう一方は映像を製造する。検索でここに来て直接対決を期待したなら、役に立つ答えはどちらが勝者かではなく、実際に抱えている2つのギャップのどちらなのか、ということだ。 この種の比較の背景にある、文書化されたAIの失敗やベンダー主張の論争はOrcaRouter AI Incident Archiveに集められており、各項目には独自の情報源、重大度、信頼度グレード、係争中フラグが付いている。

混乱はあなたのせいではありません。「Omni」は、複数のモダリティに触れるあらゆるモデルを指すマーケティング用語になってしまい、その2つのモデルはその言葉の両極に位置しています。G​eminiのOmniラインは、オムニモーダル入力を持つメディア生成器です。Mingの3.0ラインは、音声出力をオプションで備えたメディア読み取り器です。どちらのベンダーの枠組みもその区別を容易に見えるようにはしておらず、比較する共通タスクが存在しないため、第三者がどちらかを他方とベンチマークしたこともありません。以下のすべては出典別にラベル付けされています。Mingの数値はinclusionAI自身のもので、同社のモデルカードとリポジトリに記載されており、再現されていません。G​eminiの数値はG​oogleのもので、リリース資料と価格表に由来し、同様に当社による監査は受けていません。

両者が重なる唯一の仕事

両方のモデルが同じパイプラインに登場するワークフローはちょうど一つだけであり、そこから始める価値がある。比較がその真価を発揮する唯一の場所だからだ。つまり、クリップを作り、その中に何が入っているかを知ることである。

Gemini Omni 1.1 Flashは10秒のクリップを生成し、10秒単位で延長して最大40秒まで対応します。最初と最後のフレームを条件として受け付けるため、ショットの開始と終了を固定できます。標準で720pでレンダリングし、1080pおよび4Kのアップスケール出力にも対応します。さらに、同期したダイアログ、エフェクト、アンビエンスをファイルに焼き込みます。入力として音声と最大3秒の参照動画も受け付けます。ただし、トランスクリプト、話者リスト、または「ナレーションが実際に何を主張したか」への答えを提供することはありません。

Ming-3.0-audio-flash がその半分を担います。そのカードには、アクセントや方言を含む中国語と英語の音声認識、長尺音声の理解、非音声の音や音楽の知覚、音声質問応答、および話し言葉での返答を選べるテキスト出力が可能であると謳われています。128Kトークンのコンテキストを扱いますが、これは10月13日のコミットでmax_position_embeddingsが8,192から引き上げられるまで、設定に明示されていませんでした。製品が、ナレーション内のコンプライアンス上の主張をチェックする必要がある生成広告である場合、この2つのモデルは代替ではなく補完的なステップです。

重なっているのはそこまでだ。その外では、比較は成立しない。

それぞれにいくらかかるのか、そしてなぜその数字は比較を拒むのか

ここがほとんどの「vs」ページが間違えるところであり、単位について単刀直入に述べておく価値がある。

• G​emini Omni 1.1 Flash — 生成動画1秒あたりの料金設定。720pでは1秒0.10ドルで、6月のプレビューから変わらず、360pの下書き用ティアはその約3分の1。標準品質の40秒シーンは、リトライを考慮する前でも出力に4ドルかかり、会話型のマルチターン編集ではリトライが例外ではなく通常のワークフローとなる。

• Ming-3.0-audio-flash — 料金はまったく設定されていません。というのも、料金を設定すべきホスト型エンドポイントが存在しないからです。これは25個のbfloat16シャードに加えてTalkerとVAEのペアで構成され、259 GB前後です。ベンダー自身の128Kコンテキスト向けサービングプロファイルは、80 GBのH800 GPU 8台にまたがるテンソル並列処理です。コストはノード1台分であり、その上で実行するものに応じて償却されます。

• 成立しない比較 — 動画1秒あたりのドルと、音声1時間あたりのGPU時間。為替レートは存在しない。それを公表する者は誰でも、レンタル料金を資本コストに換算し、その結果をベンチマークと呼んでいるだけだ。

はっきり言えることが一つある。Geminiの価格は公開されていて、線形で、キャンセル可能だ。Mingのそれは、一度決めたらそれと共に生きていくキャパシティの判断である。来月に機能をリリースするチームにとって、その違いは品質よりも先に問いの答えを決める。

重要な唯一の意味での可用性

G​emini Omni 1.1 Flash は API 呼び出し 1 回です。これは G​oogle がホストするモデルで、重みも、セルフホスティングの選択肢も、第 2 の供給源もありません。G​oogle から入手するか、入手できないかのどちらかです。OrcaRouter はそれを提供しておらず、この記事もそうでないふりをするつもりはありません。

Ming-3.0-audio-flash はその逆です。重みは MIT ライセンスで、Hugging Face からダウンロードし、自分のハードウェア上で実行でき、どこにもエンドポイントはありません。これを提供可能にするコードは、重みより6週間新しいだけです。GitHub リポジトリ inclusionAI/Ming-3.0-audio-flash は2026年10月15日に作成され、現在では3つのテキスト専用プロファイルと Talker プロファイル向けのデプロイ用 YAML、2つのサンプルクライアント、150 KB の音声ガイド、クックブックノートブックを収録しています。vLLM-Omni のメインブランチにはまだ Ming-3.0 の音声言語アダプターは含まれていません。レビュー中の唯一の Ming-3.0 統合は 7.9B の音声合成チェックポイントを対象としており、こちらではありません。したがって、今日の実用的な方法はリモートコードを有効にした Transformers であり、これはカードに記載されていて、モデルを評価するには良い方法ですが、サービスを運用するには不向きな方法です。

名前を付けておく価値のある第三の非対称性がある。Geminiのモデルは変更履歴を備えた製品ラインに投入されて18か月になる。一方、Ming-3.0-audio-flashはダウンロード数22件で、独立した評価もない。静かなアップロードは弱さの証拠ではない——ベンダーがそれを販売すると決めていない証拠だ——しかし、Ming側であなたが負うリスクは、能力ではなくドキュメントとサポートにあるということだ。

品質：何を、誰が主張できるのか

この比較で文章に使える数字があるのは片側だけで、しかもそれはベンダー側の数字だ。

inclusionAI の独自評価用画像では、Ming-3.0-audio-flash が中国語音声認識で平均エラー率 3.45 を報告する一方、Gemini 3.8 Flash は 9.83 だった。ただし、ここで言う Gemini は汎用マルチモーダルモデルであり、本記事の Omni 動画モデルではない。ローンチ報道では両者がしばしば混同される。方言ではベンダー間の差がさらに広がり、同じ Gemini 参照で平均 9.40 に対し 48.41 となる。同じ評価用画像は、他の項目では厳しい結果を示す。AMI での話者ダイアリゼーション誤差は 25.29 で、MiMo-V2.6 Pro は 11.16 だった。長尺音声の Chain スコアは 12.31 で、Qwen3.8-Omni Flash は 34.54、Gemini 3.8 Flash は 49.63 だった。これらは自己申告であり、ベンダーが自己評価した箇所にはアスタリスクが付されており、再現されていない。

G​emini Omni 1.1 Flash については、音声理解の軸で引用できるものはまったくありません。というのも、G​oogle は動画生成モデルの ASR スコアを公開していないからです。同モデルの主張は、ルックバック文脈、解像度、フレーム制御、音声同期に関するものです。これらを文字起こしモデルと照らし合わせて評価するのは、どちらの向きにせよカテゴリー錯誤です。

このページを生み出した命名の罠

このような比較では、3つのGoogleモデルが毎回混同される。Gemini Omni 1.1 Flashは動画を生成する。6月のプレビュー版であるGemini Omni Flashは、その前身だ。Gemini 3.8 Flashは、inclusionAIが実際にベンチマークの比較対象とした汎用マルチモーダルモデルだ。「Ming対Gemini」とだけ記して、どちらのGeminiなのかを示さないスコアボードは、日によって文字起こしモデルを動画生成モデルと比較していたり、テキストモデルと比較していたりする。そうした表を持ってここに来たなら、その表で判断する前に列見出しを確認してほしい。

ここでのOrcaRouterの実際の位置

当社はどちらのモデルも提供していません。G​emini Omni 1.1 Flash は G​oogle がホストしており、当社のカタログにはありません。Ming-3.0-audio-flash はオープンウェイトで、これも当社のカタログにはありません。当社が提供するのは、このようなパイプラインを取り巻くテキスト層です — G​emini が生成する前にショットリストを書くプロンプト、その後で Ming のトランスクリプトを読むコンプライアンスチェック、そして両者の間のルーティングです。

これはモデルページが通常打ち出す主張よりも小さな主張であり、そして正しい主張です。チームが上記の生成してから監査するループを構築している場合、2つのモデル呼び出しは異なる契約、異なる課金、異なる障害モードの背後にあります。テキスト側を200以上のモデルを0%のマークアップで使える1つのAPIの背後に置くということは、プロバイダーの定価が支払額になるということであり、ベンダーの値下げは同日に反映され、また自動フェイルオーバーは特定のモデルに固定されていない呼び出しをカバーします。タイトルにある2つのモデルのどちらもカバーしておらず、カバーしていると示唆するのは不誠実でしょう。

どちらを選ぶべきか

画像が必要なら、迷う余地はありません。1秒0.10ドルのGemini Omni 1.1 Flashを今すぐ使うべきです。ただし、上限は40秒で、延長するたびに別のパスを実行する必要があります。録音の中身を知る必要があるなら——会議、通話、方言の強いインタビュー、検証が必要な生成クリップ——Ming-3.0-audio-flashは、その数値だけでも有力な候補であり、すでに費用を払っているハードウェア上で自分で実行することになります。

唯一の実質的な判断は両方を必要とするチーム向けのもので、そうしたチームでは順序が重要になる。生成側はホスト型モデル上で構築せよ。価格が分かっており、キャパシティは他人の問題だからだ。聞き取り側はオープンウェイト上でプロトタイプせよ。チェックポイントは今日読み込めるからであり、たとえサービングの状況が6週間前のものであっても、また259 GBの重みをREADMEより先に出荷したベンダーは、信頼するのではなくモデルを検査できるベンダーだからだ。どちらも他方への賭けではない。