Gemini Omni 1.2 Flash vs Ming 3.0: 영상 속의 목소리인가, 스스로 존재하는 목소리인가

"Ming 3.0"은 하나의 모델이 아닙니다. 이는 Ant Group의 연구소인 inclusionAI에서 나온 다섯 개 체크포인트로 구성된 제품군이며, 그 모두가 사운드에 관한 것입니다. Ming-3.0-audio-flash는 오디오를 읽고 텍스트로 답하며, Ming-3.0-audio-tiny는 그 9B 형제 모델이고, Ming-3.0-tts-0.5B와 Ming-3.0-tts-tiny는 텍스트를 음성으로 변환하며, Ming-3.0-asr-tiny는 이를 전사합니다. 그중 어느 것도 단 한 프레임의 비디오도 생성하지 않습니다. 2026년 11월 5일부터 일반 제공되는 Gemini Omni 1.2 Flash는 720p 출력 기준 초당 약 $0.07의 비용으로 동기화된 오디오가 포함된 3~15초 분량의 비디오를 생성합니다.

둘을 직접 맞붙여 비교하는 것은 범주 오류다 — 다만 예외가 하나 있고, 결국 그 예외가 전부다. Gemini Omni 1.2 Flash의 가장 실질적인 새 주장은 음성에 관한 것이다. 구글은 이것이 "더 매끄럽고 자연스럽게 들리는 대화, 더 선명한 립싱크, 뚜렷한 다중 화자 컨디셔닝"을 만들어낸다고 말한다. Ming-3.0-tts는 그 작업의 좁은 한 버전을 직접 보유한 하드웨어에서, MIT 라이선스로, 호출당 비용 없이 해낸다. 두 시스템 중 어느 쪽에서든 실제로 필요한 것이 음성 트랙이라면, 그 문장이 곧 비교다. 음성이 불 켜진 방을 걸어가는 얼굴에 붙어 있어야 한다면, 이 페이지에서는 한쪽만이 도움이 될 수 있다.

가족, 체크포인트별로

명확히 짚고 넘어갈 필요가 있습니다. 이름 때문에 혼동하기 쉽고 타임스탬프도 여기저기 흩어져 있기 때문입니다.

• Ming-3.0-audio-flash — 총 126B 파라미터에 토큰당 6.5B가 활성화되는 네이티브 오디오-언어 MoE로, 오디오와 텍스트를 입력받아 텍스트를 반환하며, 답변을 음성으로 말하는 선택적 Talker 모듈을 갖추고 있습니다. 가중치는 2026년 9월 3일 Hugging Face에 공개되었으며, 25개 샤드에 걸쳐 약 259GB입니다. 실제 모델 카드, 벤치마크 자산, MIT 재라이선스는 2026년 10월 19일에야 도착했습니다 — 체크포인트가 공개된 지 6주 후였습니다.

• Ming-3.0-audio-tiny — 같은 아이디어의 9B 변형으로, 같은 날 공개되었습니다.

• Ming-3.0-tts-0.5B — Qwen2.5-0.5B 백본 기반의 0.5B dense 텍스트-음성 변환 모델로, 7개 언어와 쓰촨어 및 광둥어를 지원하며, 짧은 참조 클립을 이용한 제로샷 클로닝과 자연어 설명을 통한 음성 디자인을 제공합니다. 2026년 9월 22일 업로드.

• Ming-3.0-tts-tiny — 더 작은 TTS 형제 모델, 동일한 날짜.

• Ming-3.0-asr-tiny — 전사 쪽, 2026년 10월 14일.

3.0 레이블은 플래그십 멀티모달 모델이 아니라 음성 스택을 가리킨다. 이 점이 중요한 이유는 "Ming 3.0"을 비디오 모델과 함께 검색하는 행위가 누군가는 그렇게 믿고 있음을 시사하기 때문이다. Ming 라인에는 실제로 옴니 모델이 있다 — 2026년 2월에 공개된 Ming-flash-omni-2.0 — 하지만 그것은 이름도 다른 별개의 세대이며 3.0 체크포인트가 가리키는 대상이 아니다.

실제로 겹치는 부분은 대사 트랙입니다.

컨테이너를 걷어내면 두 시스템 모두 말하는 사람을 만들어낼 수 있다. 하지만 거기에 도달하는 방향은 정반대다.

Gemini Omni 1.2 Flash는 전체 장면을 생성합니다. 샷을 위해 프롬프트를 입력하면, 프롬프트에 대사가 포함되어 있거나 그쪽으로 유도할 경우 모델은 앰비언스 및 음악과 함께 대사를 영상에 넣어 생성합니다. 오디오는 기본으로 생성됩니다. 가이드에 따르면 모델은 요청 여부와 관계없이 "적절한 오디오 트랙을 생성하려고 시도합니다." 대사 품질은 점수화된 지표라기보다 출시 시점의 주장에 가깝고, Google은 어떤 오디오 벤치마크도 전혀 공개하지 않습니다. 참조 경로는 Google Cloud에서 허용 목록에 포함되어 있습니다. 1초 음성 샘플을 오디오 큐로 제공할 수 있지만, 현재 버전의 모델에서는 오디오 입력 또는 오디오 참조 업로드가 지원되지 않으며, 참조 영상의 오디오는 무시되고, 음성 편집은 지원되지 않습니다. 음성을 프롬프트로 만들어낼 수는 있습니다. 그러나 음성을 빼내고 교체할 수는 없습니다.

Ming-3.0-tts는 한 가지 일을 합니다. 텍스트를 입력하면 음성이 나오고, 목소리는 사용자가 제어합니다. 짧은 참조 클립으로부터의 제로샷 복제, 작성된 설명으로부터의 음성 설계, 14개의 인라인 준언어 태그, 그리고 감정·속도·피치·볼륨의 명시적 설정을 지원합니다. 벤더가 보고한 Seed-TTS 수치는 중국어 WER 0.800%에 SIM 0.758, 영어 WER 1.584%에 SIM 0.691입니다. NVBench 단일 중국어에서는 CER 2.70, PCER 22.80, OCER 3.20을 보고하며, 이는 나열된 모델 중 최고입니다. 이는 inclusionAI 자체 수치로, 재현되지 않았으며 카드에 기재되어 있습니다.

나란히 놓고 보면, 솔직한 구분은 이렇습니다. Omni는 당신이 지정하지 않은 목소리를, 역시 당신이 지정하지 않은 퍼포먼스에 붙여 15초 클립당 약 1달러에 제공합니다. Ming-3.0-tts는 정확히 한 가지 속성, 즉 목소리가 어떻게 들리는지에 대한 정밀한 제어를 제공하고, 그림이 붙지 않은 파형을 건넵니다.

충족하지 않는 단위 기준으로 각각 비용이 얼마인지

Omni의 과금 기준은 단순하고 공개되어 있습니다. 백만 비디오 출력 토큰당 $12.00이며, Google은 720p 1초당 5,792토큰으로 환산해 초당 약 $0.07입니다. 15초 클립은 대략 $1.05입니다. 같은 길이의 360p 초안은 약 $0.35이고, 4K 업스케일은 약 $3.14입니다. 무료 등급이 없으므로 프로토타이핑 세션은 실제 청구서가 됩니다.

Ming은 호출당 가격이 없습니다. 호스팅 엔드포인트가 없기 때문입니다. 비용은 하드웨어입니다. 128K 컨텍스트에서 Ming-3.0-audio-flash의 경우, inclusionAI 자체의 vLLM-Omni 참조 프로필은 80GB H800 4개에 걸친 텐서 병렬 처리이며, 긴 오디오에서 메모리가 부족할 때는 8-GPU 폴백을 사용하고 Talker는 GPU 7에 상주합니다. SGLang에는 텍스트 출력을 위한 검증된 4-GPU 프로필이 있고, SGLang-Omni는 전체 파이프라인을 2개 GPU에서 실행합니다. thinker는 두 GPU에 걸쳐 있고, 오디오 인코더는 GPU 0, 음성 합성은 GPU 1입니다. Ming-3.0-tts-0.5B는 CUDA 12.4가 설치된 단일 H800-80GB 또는 H20-96G에서 테스트할 수 있을 만큼 작습니다.

하나를 다른 하나로 환산하는 것이 바로 사람들이 실수하는 지점이다. “자본 비용을 치른 뒤에는 무료”라는 말과 “초당 7센트”를 맞세우면 전적으로 활용도에 좌우되는 숫자가 나오는데, 주당 클립 10개 수준에서는 GPU가 출력 1초당 비용이 극적으로 더 비싸다. 지속적인 물량에서는 극적으로 더 싸다. 두 경우 모두에 통용되는 환율은 존재하지 않는다.

라이선스와 통제, 이것이 Ming을 선택하는 진짜 이유입니다.

Ming-3.0 라인의 모든 것은 MIT 라이선스이며, 별도의 법적 면책 조항 파일이 함께 제공됩니다. 즉, 출처를 표시하면 상업적 사용, 수정, 자체 음성 데이터로의 파인튜닝, 재배포가 모두 허가 없이 가능합니다. 제품의 차별점이 특정 음성, 방언, 또는 매번 동일하게 들려야 하는 브랜드 낭독이라면, 체크포인트를 파인튜닝할 수 있다는 것은 있으면 좋은 기능이 아닙니다. 그것이 바로 핵심 역량 그 자체입니다.

Gemini Omni 1.2 Flash는 정반대의 트레이드오프입니다. 가중치도, 파인튜닝도, 음성 편집도 없고, 공개되지 않은 아키텍처, 출력을 규율하는 서비스 약관, 그리고 원하든 원치 않든 모든 프레임과 오디오의 매 초마다 SynthID 워터마크가 들어갑니다. 업로드한 비디오를 편집하거나 확장하는 기능은 EEA, 스위스, 영국에서 사용할 수 없습니다 — 이는 해당 시장의 팀에게 대화형 편집 제안 자체를 완전히 무효화하는 지역 제한입니다. 그 대가로 오늘 바로 사용 가능한 엔드포인트, 15초 클립, 4K 업스케일링, 캐릭터 및 제품 일관성을 위한 요청당 최대 6장의 참조 이미지, 그리고 예측 가능한 가격을 얻습니다.

• 가중치 — 폐쇄형 호스팅 모델에 맞서 직접 소유할 수 있는, Apache가 필요 없는 MIT 체크포인트.

• 출력 — 동기화된 오디오와 함께 비디오에 대응하는 음성 파형.

• 음성 제어 — 클로닝, 디자인, 감정 및 피치 설정은 프롬프트 전용 방식과 대비되며, 음성 편집은 없습니다.

• 파인튜닝 — 모든 Ming 체크포인트에서 사용 가능하며, Omni에서는 어떤 가격에도 사용할 수 없습니다.

• 첫 결과까지 걸리는 시간 — 34GB 이상 다운로드와 환경 대 API 키 및 28~136초 렌더링.

• 한계 비용 — GPU-시간 대비 출력 초당 약 $0.07

둘 다 나타나는 파이프라인

둘 다 사용하는 실제 워크플로가 있으며, 이는 비교가 결정으로 전환되는 유일한 지점이므로 명확히 설명할 가치가 있습니다.

15초 광고 스팟 대본을 작성하는 제품 팀은 카피를 쓰고, 클로닝된 브랜드 보이스에 맞춰 Ming-3.0-tts로 음성을 생성한 다음, 해당 트랙에 영상을 립싱크하거나 파형을 Omni 렌더의 타이밍 기준으로 사용합니다. TTS 단계는 GPU 1분 비용이 들고 페이싱과 발음에 대한 정확한 제어를 제공합니다. Omni 단계는 약 1달러가 들고 한 컷을 만들어 줍니다. 이 순서로 진행하면 영상에 비용을 쓰기 전에 스크립트를 확정하게 되는데, 이는 Google이 내부적으로 360p 초안과 4K 업스케일로 권장하는 초안 후 최종 원칙과 같습니다.

반대로 하는 방식, 즉 클립을 생성한 뒤 그 음성을 교체하려는 방식은 통하지 않습니다. Omni는 음성 편집을 지원하지 않으며, 오디오 참조 업로드는 이 모델에서 지원되지 않습니다. 이 모델이 생성하는 오디오가 곧 최종 배포 오디오입니다.

둘 다 우리 카탈로그에 없는데, 그 점은 짚고 넘어갈 만합니다.

OrcaRouter는 두 모델 중 어느 것도 라우팅하지 않습니다. google/gemini-omni-1.2-flash는 당사의 라이브 모델 페이지에서 404를 반환하며, Ming-3.0 체크포인트는 호스팅 엔드포인트가 전혀 없습니다 — 이들은 Hugging Face 다운로드이며, vLLM-Omni 경로는 마지막 확인 시점까지 여전히 풀 리퀘스트였습니다. 당사 API로의 어떤 호출도 둘 중 어디에도 도달하지 않으며, 이 페이지는 그렇지 않은 것처럼 암시하기보다는 그 사실을 명시하는 쪽을 택합니다.

게이트웨이가 진짜 가치를 발휘하는 곳은 두 워크플로가 모두 거치는 텍스트 계층입니다. 스크립트, 촬영 목록, 브랜드 보이스 QA, 지시가 누락된 클립을 잡아내는 감사까지요. 이 모든 것이 200개 이상의 모델에 걸친 하나의 키와 자동 페일오버, 그리고 단계들을 단일 호출로 구성하기 위한 라우팅 DSL로 이뤄집니다. 가격 측면에서 OrcaRouter는 제공업체의 정가를 그대로 전달하며 0% 마크업으로 청구하므로, Google이 11월 5일 Omni의 동영상 요금을 백만 출력 토큰당 $17.50에서 $12.00로 변경했을 때 그 변경 사항은 같은 날 저희 쪽에도 반영되었습니다.

결정, 간추리면

당신의 문제가 목소리 — 특정하고, 반복 가능하며, 어쩌면 미세 조정되었거나, 어쩌면 방언일 수 있는 목소리 — 라면, Ming-3.0-tts가 바로 적합한 도구이며, MIT 라이선스가 그 이유입니다. 그것은 당신에게 그림을 주지 않을 것이고, 애초에 그럴 의도도 아니었습니다.

여러분의 문제가 사람이 등장하는 장면이고, 음성이 그럴듯하게 들리면서 싱크만 맞으면 되는 상황이라면, Gemini Omni 1.2 Flash는 둘 중 유일하게 그 일을 해낼 수 있으며, 시작하기 전에 미리 계산할 수 있는 가격으로 처리합니다.

둘 다 음성과 화면을 따로 선택하게 해 주지는 않습니다. 그 간극이 2026년 11월 현재 기술의 실제 최전선이며, 여러분이 구축하는 모든 워크플로는 그 간극을 통과하는 것이 아니라 우회하도록 설계해야 합니다.