Gemini Omni 1.2 Flash vs Ming 3.0: De stem in de video, of de stem op zichzelf

"Ming 3.0" is geen model. Het is een familie van vijf checkpoints van inclusionAI, het onderzoekslab van Ant Group, en ze gaan allemaal over geluid: Ming-3.0-audio-flash leest audio en antwoordt in tekst, Ming-3.0-audio-tiny is het 9B-broertje, Ming-3.0-tts-0.5B en Ming-3.0-tts-tiny zetten tekst om in spraak, en Ming-3.0-asr-tiny transcribeert het. Geen ervan genereert ook maar één frame video. Gemini Omni 1.2 Flash, algemeen beschikbaar sinds 5 november 2026, genereert drie tot vijftien seconden video met gesynchroniseerde audio voor ongeveer $0,07 per seconde 720p-uitvoer.

Een rechtstreekse vergelijking tussen beide is dus een categoriefout — met één uitzondering die het hele verhaal blijkt te zijn. De meest substantiële nieuwe claim van Gemini Omni 1.2 Flash gaat over spraak: Google zegt dat het "vloeiendere, natuurlijker klinkende dialoog, duidelijkere lip-sync en afzonderlijke conditionering voor meerdere sprekers" oplevert. Ming-3.0-tts doet één smalle versie van die taak, op je eigen hardware, onder een MIT-licentie, gratis per aanroep. Als wat je van een van beide systemen echt nodig hebt een spoor met stemgeluid is, dan is die zin de vergelijking. Als je de stem vastgehecht wilt aan een gezicht dat door een verlichte kamer loopt, kan slechts één kant van deze pagina je helpen.

Het gezin, controlepunt voor controlepunt

Het loont om dit helder uiteen te zetten, want de naamgeving zorgt voor verwarring en de tijdstempels staan verspreid.

• Ming-3.0-audio-flash — 126B totale parameters met 6,5B geactiveerd per token, een native audio-taal-MoE die audio en tekst aanneemt en tekst teruggeeft, met een optionele Talker-module die het antwoord uitspreekt. De gewichten verschenen op 3 september 2026 op Hugging Face, ongeveer 259 GB verdeeld over 25 shards. De echte modelkaart, de benchmarkbestanden en de MIT-herlicentiëring kwamen pas op 19 oktober 2026 — zes weken nadat de checkpoint verscheen.

• Ming-3.0-audio-tiny — de 9B-variant van hetzelfde idee, dezelfde dag gepubliceerd.

• Ming-3.0-tts-0.5B — een dense tekst-naar-spraakmodel van 0,5B op een Qwen2.5-0.5B-backbone, zeven talen plus Sichuanees en Kantonees, zero-shot klonen op basis van een korte referentieclip, en stemontwerp vanuit een beschrijving in natuurlijke taal. Geüpload op 22 september 2026.

• Ming-3.0-tts-tiny — de kleinere TTS-tegenhanger, dezelfde datum.

• Ming-3.0-asr-tiny — de transcriptiezijde, 14 oktober 2026.

Het 3.0-label dekt een spraakstack, geen vlaggenschip multimodaal model. Dat is belangrijk omdat een zoekopdracht naar "Ming 3.0" samen met een videomodel erop wijst dat iemand iets anders gelooft, en de Ming-lijn bevat wel een omni-model — Ming-flash-omni-2.0, gepubliceerd in februari 2026 — maar het is een andere generatie met een andere naam en het is niet wat de 3.0-checkpoints zijn.

Waar de overlap daadwerkelijk zit: de dialoogtrack

Haal de containers weg en beide systemen kunnen een sprekend persoon voortbrengen. Ze komen daar vanuit tegenovergestelde richtingen.

Gemini Omni 1.2 Flash genereert de hele scène. Je geeft een prompt voor een shot, en als de prompt dialoog bevat, of als je daarop aanstuurt, verwerkt het model spraak in de video, samen met omgevingsgeluid en muziek. Audio wordt standaard gegenereerd; de gids zegt dat het model "een passende audiotrack zal proberen te genereren", of je er nu om hebt gevraagd of niet. De dialoogkwaliteit is een claim bij de lancering, geen gescoorde metriek, en Google publiceert helemaal geen audiobenchmark. Het referentiepad staat op de allowlist in Google Cloud: je kunt spraakmonsters van één seconde als audiocues aanleveren, maar het uploaden van audio-inputs of audioreferenties wordt in de huidige versie niet ondersteund door het model, audio van referentievideo's wordt genegeerd en het bewerken van stemmen wordt niet ondersteund. Je kunt een stem via een prompt laten ontstaan. Je kunt er geen uithalen en vervangen.

Ming-3.0-tts doet één ding: tekst erin, spraak eruit, met de stem onder jouw controle. Zero-shot cloning op basis van een korte referentieclip, stemontwerp op basis van een geschreven beschrijving, veertien inline paralinguïstische tags, en expliciete instellingen voor emotie, snelheid, toonhoogte en volume. De door de leverancier gerapporteerde Seed-TTS-cijfers zijn Chinese WER 0,800% met SIM 0,758, en Engelse WER 1,584% met SIM 0,691; op NVBench single-Chinese rapporteert het CER 2,70, PCER 22,80 en OCER 3,20, de beste onder de modellen die het vermeldt. Dat zijn de eigen cijfers van inclusionAI, niet gereproduceerd, afgedrukt op de kaart.

Naast elkaar gezet is de eerlijke verdeling dit. Omni geeft je een stem die je niet hebt gespecificeerd, gekoppeld aan een uitvoering die je ook niet hebt gespecificeerd, voor ongeveer een dollar per clip van vijftien seconden. Ming-3.0-tts geeft je nauwkeurige controle over precies één eigenschap — hoe de stem klinkt — en levert je een golfvorm zonder bijbehorend beeld.

Wat elk kost, in eenheden die niet voldoen

Omni's tariefmeter is eenvoudig en openbaar. $12,00 per miljoen video-uitvoertokens, door Google omgerekend tegen 5.792 tokens per seconde 720p naar ongeveer $0,07 per seconde. Een clip van vijftien seconden kost ongeveer $1,05. Een concept van dezelfde lengte in 360p kost ongeveer $0,35, en een 4K-upscale ongeveer $3,14. Er is geen gratis niveau, dus een prototypesessie is een echte factuur.

Ming heeft geen prijs per aanroep, omdat er geen gehoste endpoint voor is. De kosten zitten in de hardware. Voor Ming-3.0-audio-flash met een context van 128K is het eigen vLLM-Omni-referentieprofiel van inclusionAI tensorparallellisme over vier H800's van 80 GB, met een terugvaloptie op acht GPU's wanneer lange audio het geheugen uitput en de Talker op GPU 7 geparkeerd staat. SGLang heeft een gevalideerd profiel voor vier GPU's voor tekstuitvoer, en SGLang-Omni draait de volledige pipeline op twee: thinker over twee GPU's, audio-encoder op GPU 0, spraaksynthese op GPU 1. Ming-3.0-tts-0.5B is klein genoeg om te testen op één H800-80GB of H20-96G met CUDA 12.4.

Het omrekenen van het een naar het ander is waar mensen de fout ingaan. "Gratis na kapitaal" tegenover "zeven cent per seconde" levert een getal op dat volledig afhangt van de benutting, en bij tien clips per week is de GPU per seconde output dramatisch duurder. Bij doorlopend volume is hij dramatisch goedkoper. Er is geen wisselkoers die voor beide opgaat.

Licentie en controle, wat de echte reden is om voor Ming te kiezen

Alles in de Ming-3.0-lijn valt onder MIT, met een apart juridisch disclaimerbestand. Dat betekent commercieel gebruik, wijziging, fine-tuning op je eigen stemdata en herdistributie — met naamsvermelding en zonder dat toestemming nodig is. Als het onderscheidende kenmerk van je product een stem is, of een dialect, of een merkstem die elke keer identiek moet klinken, dan is het checkpoint kunnen fine-tunen geen nice-to-have. Het is de hele capaciteit.

Gemini Omni 1.2 Flash is de tegenovergestelde ruil. Geen gewichten, geen fine-tuning, geen stembewerking, een niet-openbaar gemaakte architectuur, servicevoorwaarden die de output bepalen, en een SynthID-watermerk op elk frame en elke seconde audio, of je er nu een wilt of niet. Het bewerken of verlengen van geüploade video is niet beschikbaar in de EER, Zwitserland en het VK — een regionale beperking die de propositie van conversationeel bewerken voor teams in die markten meteen diskwalificeert. In ruil krijg je vandaag een werkend endpoint, clips van 15 seconden, 4K-upscaling, referentieafbeeldingen tot zes per verzoek voor consistentie van personages en producten, en een prijs die je kunt voorspellen.

• Gewichten — {{1}}Apache-vrije MIT-checkpoints die je zelf kunt bezitten, in tegenstelling tot een gesloten gehost model.{{/1}}

• Uitvoer — spraakgolfvorm afgezet tegen video met gesynchroniseerde audio.

• Stembesturing — klonen, ontwerp, emotie- en toonhoogte-instellingen versus alleen prompt, zonder stembewerking.

• Fine-tuning — beschikbaar op elk Ming-checkpoint, voor geen enkele prijs beschikbaar op Omni.

• Tijd tot het eerste resultaat — een download van ruim 34 GB en een omgeving, afgezet tegen een API-sleutel en een render van 28 tot 136 seconden.

• Marginale kosten — een GPU-uur tegen ongeveer $0,07 per seconde output.

De pipeline waarin beide voorkomen

Er is een echte workflow die beide gebruikt, en het is de moeite waard om die expliciet te maken, omdat het de enige plek is waar de vergelijking omslaat in een beslissing.

Een productteam dat een spot van vijftien seconden script, schrijft de copy, genereert de stem met Ming-3.0-tts op basis van een gekloonde merkstem, en lipsynct vervolgens beeldmateriaal op die track of gebruikt de golfvorm als timingreferentie voor een Omni-render. De TTS-stap kost een GPU-minuut en geeft exacte controle over tempo en uitspraak. De Omni-stap kost ongeveer een dollar en levert één shot op. Die volgorde aanhouden betekent dat je het script vastlegt voordat je aan video uitgeeft, dezelfde discipline van eerst concept en dan definitief die Google intern aanraadt met 360p-concepten en 4K-upscales.

Het andersom doen — de clip genereren en dan proberen de stem te vervangen — werkt niet. Omni ondersteunt geen stembewerking, en het uploaden van een audioreferentie wordt niet ondersteund door het model. De audio die het produceert, is de audio die je oplevert.

Geen van beide staat in onze catalogus, en dat is het vermelden waard.

OrcaRouter routeert geen van beide modellen. google/gemini-omni-1.2-flash geeft een 404-fout op onze live modelpagina's, en de Ming-3.0-checkpoints hebben helemaal geen gehost endpoint — het zijn Hugging Face-downloads met een vLLM-Omni-pad dat bij de laatste controle nog steeds een pull request was. Geen enkele aanroep naar onze API bereikt een van beide, en deze pagina zegt dat liever dan anders te suggereren.

Waar de gateway wél een plek verdient, is de tekstlaag waar beide workflows doorheen lopen: het script, de shotlist, de merkstem-QA, de audit die de clip eruit haalt waarin een instructie is overgeslagen. Dat is één sleutel voor meer dan 200 modellen met automatische failover, en een routing-DSL om de stappen tot één aanroep samen te stellen. Aan de prijskant factureert OrcaRouter met 0% markup, waarbij de lijstprijs van de provider wordt doorberekend, dus toen Google op 5 november het videotarief van Omni verlaagde van $17,50 naar $12,00 per miljoen outputtokens, was de wijziging dezelfde dag bij ons live.

De beslissing, teruggebracht

Als je probleem een stem is — een specifieke, herhaalbare, misschien fine-tuned, misschien in een dialect — dan is Ming-3.0-tts het juiste instrument, en de MIT-licentie is de reden. Het zal je geen beeld geven, en dat was ook nooit de bedoeling.

Als je probleem een scène met een persoon erin is, en de stem hoeft alleen maar geloofwaardig en synchroon te zijn, is Gemini Omni 1.2 Flash de enige van de twee die dat kan, en het doet dat tegen een prijs die je kunt berekenen voordat je begint.

Wat geen van beide zal doen, is jou de stem en het beeld afzonderlijk laten bepalen. Die kloof is de werkelijke stand van de techniek in november 2026, en elke workflow die je bouwt, moet eromheen routeren in plaats van erdoorheen.