Gemini Omni 1.2 Flash kontra Ming 3.0: głos w wideo czy głos samodzielny

„Ming 3.0” nie jest modelem. To rodzina pięciu checkpointów od inclusionAI, laboratorium badawczego Ant Group, i każdy z nich dotyczy dźwięku: Ming-3.0-audio-flash odczytuje dźwięk i odpowiada tekstem, Ming-3.0-audio-tiny to jego 9B odpowiednik, Ming-3.0-tts-0.5B i Ming-3.0-tts-tiny zamieniają tekst na mowę, a Ming-3.0-asr-tiny ją transkrybuje. Żaden z nich nie generuje ani jednej klatki wideo. Gemini Omni 1.2 Flash, ogólnie dostępny od 5 listopada 2026 r., generuje od trzech do piętnastu sekund wideo z zsynchronizowanym dźwiękiem za około 0,07 USD na sekundę wyjścia 720p.

Bezpośrednie porównanie ich jest więc błędem kategorialnym — z jednym wyjątkiem, który okazuje się sednem sprawy. Najistotniejsze nowe twierdzenie Gemini Omni 1.2 Flash dotyczy mowy: Google mówi, że zapewnia „płynniejszy, naturalniej brzmiący dialog, wyraźniejszą synchronizację ust i wyraźne warunkowanie wielu mówców”. Ming-3.0-tts wykonuje jedną wąską wersję tego zadania, na własnym sprzęcie, na licencji MIT, bez opłat za wywołanie. Jeśli to, czego naprawdę potrzebujesz od któregokolwiek z tych systemów, to ścieżka głosowa, tym porównaniem jest właśnie to zdanie. Jeśli potrzebujesz głosu przypisanego do twarzy idącej przez oświetlone pomieszczenie, tylko jedna strona tego porównania może ci pomóc.

Rodzina, punkt kontrolny po punkcie kontrolnym

Warto to jasno przedstawić, ponieważ nazewnictwo może wprowadzać zamieszanie, a znaczniki czasu są rozproszone.

Ming-3.0-audio-flash — 126 mld parametrów łącznie, z 6,5 mld aktywowanych na token, natywny MoE audio-językowy przyjmujący dane audio i tekst i zwracający tekst, z opcjonalnym modułem Talker, który wypowiada odpowiedź. Wagi trafiły na Hugging Face 3 września 2026 r., około 259 GB w 25 shardach. Właściwa karta modelu, zasoby benchmarkowe i relicencja MIT pojawiły się dopiero 19 października 2026 r. — sześć tygodni po checkpoincie.

• Ming-3.0-audio-tiny — wariant 9B tego samego pomysłu, opublikowany tego samego dnia.

• Ming-3.0-tts-0.5B — gęsty model tekst-na-mowę o 0,5B na bazie Qwen2.5-0.5B, siedem języków plus syczuański i kantoński, klonowanie głosu zero-shot na podstawie krótkiego klipu referencyjnego oraz projektowanie głosu na podstawie opisu w języku naturalnym. Opublikowano 22 września 2026.

• Ming-3.0-tts-tiny — mniejszy odpowiednik TTS, ta sama data.

• Ming-3.0-asr-tiny — strona transkrypcji, 14 października 2026.

Etykieta 3.0 obejmuje stos przetwarzania mowy, a nie flagowy model multimodalny. Ma to znaczenie, ponieważ wyszukiwanie „Ming 3.0” razem z modelem wideo sugeruje, że ktoś uważa inaczej, a linia Ming zawiera model omni — Ming-flash-omni-2.0, opublikowany w lutym 2026 r. — ale to inna generacja o innej nazwie i nie jest tym, czym są checkpointy 3.0.

Gdzie faktycznie znajduje się obszar nakładania się: ścieżka dialogowa

Usuń pojemniki, a oba systemy mogą wytworzyć mówiącą osobę. Docierają do tego z przeciwnych kierunków.

Gemini Omni 1.2 Flash generuje całą scenę. Tworzysz prompt do ujęcia, a jeśli prompt zawiera dialog lub jeśli skierujesz model w tę stronę, model wkomponowuje mowę w wideo wraz z dźwiękami otoczenia i muzyką. Dźwięk jest generowany domyślnie; przewodnik mówi, że model „spróbuje wygenerować odpowiednią ścieżkę dźwiękową”, niezależnie od tego, czy o to poproszono. Jakość dialogów to deklaracja z premiery, a nie oceniana metryka, a Google nie publikuje żadnego benchmarku audio. Ścieżka referencyjna jest dopuszczona w Google Cloud: można dostarczyć jednosekundowe próbki głosu jako wskazówki audio, ale przesyłanie danych wejściowych audio lub referencji audio nie jest obsługiwane w modelu w obecnej wersji, audio z wideo referencyjnego jest ignorowane, a edycja głosu nie jest obsługiwana. Możesz wywołać głos za pomocą promptu. Nie możesz go usunąć i zastąpić.

Ming-3.0-tts robi jedną rzecz: tekst na wejściu, mowa na wyjściu, a głos pozostaje pod twoją kontrolą. Klonowanie zero-shot z krótkiego klipu referencyjnego, projektowanie głosu na podstawie opisu słownego, czternaście wbudowanych tagów paralingwistycznych oraz jawne ustawienia emocji, tempa, wysokości i głośności. Podane przez producenta wyniki Seed-TTS to WER 0,800% dla chińskiego przy SIM 0,758 oraz WER 1,584% dla angielskiego przy SIM 0,691; w benchmarku NVBench single-Chinese raportuje CER 2,70, PCER 22,80 i OCER 3,20, najlepiej wśród wymienianych modeli. To własne liczby inclusionAI, niepowtórzone przez nikogo innego, wydrukowane na karcie modelu.

Zestawione obok siebie, uczciwy podział wygląda tak. Omni daje ci głos, którego nie określiłeś, dołączony do wykonania, którego również nie określiłeś, za około dolara za piętnastosekundowy klip. Ming-3.0-tts daje ci precyzyjną kontrolę nad dokładnie jedną właściwością — jak brzmi głos — i wręcza ci przebieg fali bez dołączonego obrazu.

Ile kosztuje każdy, w jednostkach, które nie spełniają

Cennik Omni jest prosty i jawny. 12,00 USD za milion tokenów wyjściowych wideo, przeliczane przez Google przy 5792 tokenach na sekundę materiału 720p na około 0,07 USD za sekundę. Piętnastosekundowy klip to około 1,05 USD. Wersja robocza tej samej długości w 360p to około 0,35 USD, a skalowanie do 4K około 3,14 USD. Nie ma darmowego planu, więc sesja prototypowania to prawdziwa faktura.

Ming nie ma ceny za wywołanie, ponieważ nie istnieje dla niego hostowany punkt końcowy. Kosztem jest sprzęt. Dla Ming-3.0-audio-flash przy kontekście 128K referencyjny profil vLLM-Omni od inclusionAI to równoległość tensorowa na czterech H800 80 GB, z awaryjną konfiguracją ośmiu GPU, gdy długie audio wyczerpie pamięć, a Talker zostanie przypięty do GPU 7. SGLang ma zweryfikowany profil czterech GPU do generowania tekstu, a SGLang-Omni uruchamia cały potok na dwóch — thinker na dwóch GPU, enkoder audio na GPU 0, synteza mowy na GPU 1. Ming-3.0-tts-0.5B jest wystarczająco mały, by testować go na pojedynczym H800-80GB lub H20-96G z CUDA 12.4.

Przeliczanie jednego na drugie to właśnie miejsce, w którym ludzie popełniają błąd. „Darmowe po poniesieniu nakładów kapitałowych” w zestawieniu z „siedmioma centami za sekundę” daje liczbę, która zależy wyłącznie od wykorzystania, a przy dziesięciu klipach tygodniowo GPU jest drastycznie droższe w przeliczeniu na sekundę materiału wyjściowego. Przy ciągłym wolumenie jest drastycznie tańsze. Nie ma kursu wymiany, który obowiązywałby w obu przypadkach.

Licencja i kontrola, które są prawdziwym powodem, by wybrać Ming

Wszystko w linii Ming-3.0 jest objęte licencją MIT, z osobnym plikiem zastrzeżeń prawnych. Oznacza to użycie komercyjne, modyfikację, dostrajanie na własnych danych głosowych i redystrybucję — z podaniem autorstwa i bez konieczności uzyskiwania zgody. Jeśli wyróżnikiem Twojego produktu jest głos, dialekt lub odczyt marki, który musi brzmieć identycznie za każdym razem, możliwość dostrojenia checkpointu nie jest miłym dodatkiem. To cała ta zdolność.

Gemini Omni 1.2 Flash to przeciwny kompromis. Brak wag, brak dostrajania, brak edycji głosu, nieujawniona architektura, warunki korzystania z usługi regulujące dane wyjściowe oraz znak wodny SynthID na każdej klatce i każdej sekundzie dźwięku, niezależnie od tego, czy go chcesz. Edycja lub rozszerzanie przesłanego wideo jest niedostępne w EOG, Szwajcarii i Wielkiej Brytanii — ograniczenie regionalne, które całkowicie dyskwalifikuje propozycję edycji konwersacyjnej dla zespołów na tych rynkach. W zamian otrzymujesz działający endpoint już dziś, 15-sekundowe klipy, skalowanie do 4K, obrazy referencyjne — do sześciu na żądanie — dla spójności postaci i produktów oraz cenę, którą można prognozować.

• Wagi — checkpointy MIT wolne od Apache, które możesz posiadać w przeciwieństwie do zamkniętego modelu hostowanego.

• Wyjście — przebieg fali mowy na tle wideo z zsynchronizowanym dźwiękiem.

• Kontrola głosu — klonowanie, projektowanie, ustawienia emocji i wysokości tonu w porównaniu z samym promptem, bez edycji głosu.

• Dostrajanie — dostępne w każdym checkpoincie Ming, niedostępne w Omni za żadną cenę.

• Czas do pierwszego wyniku — pobranie ponad 34 GB i środowisko kontra klucz API i render trwający od 28 do 136 sekund.

• Koszt krańcowy — godzina pracy GPU wobec około 0,07 USD za sekundę wyniku.

Potok, w którym pojawiają się oba

Istnieje realny workflow, który wykorzystuje oba, i warto go szczegółowo opisać, ponieważ to jedyne miejsce, w którym porównanie zamienia się w decyzję.

Zespół produktowy przygotowujący piętnastosekundowy spot pisze tekst, generuje głos za pomocą Ming-3.0-tts na podstawie sklonowanego głosu marki, a następnie albo dopasowuje lipsync materiału do tej ścieżki, albo używa przebiegu fali jako odniesienia czasowego do renderu w Omni. Etap TTS kosztuje jedną minutę GPU i daje dokładną kontrolę nad tempem i wymową. Etap Omni kosztuje około dolara i daje jedno ujęcie. Wykonanie tego w tej kolejności oznacza, że poprawiasz scenariusz, zanim wydasz pieniądze na wideo — to ta sama dyscyplina „najpierw wersja robocza, potem finalna”, którą Google zaleca wewnętrznie przy wersjach roboczych 360p i upscalingu do 4K.

Robienie tego w drugą stronę — wygenerowanie klipu, a następnie próba zastąpienia jego głosu — nie działa. Omni nie obsługuje edycji głosu, a przesyłanie referencji audio nie jest obsługiwane w tym modelu. Dźwięk, który generuje, to dźwięk, który publikujesz.

Żadne z nich nie znajduje się w naszym katalogu, i warto to powiedzieć.

OrcaRouter nie kieruje ruchu do żadnego z tych modeli. google/gemini-omni-1.2-flash zwraca 404 na naszych bieżących stronach modeli, a punkty kontrolne Ming-3.0 nie mają w ogóle hostowanego punktu końcowego — są plikami do pobrania z Hugging Face ze ścieżką vLLM-Omni, która podczas ostatniego sprawdzenia wciąż była pull requestem. Żadne wywołanie naszego API nie dociera do żadnego z nich, a ta strona woli to stwierdzić, niż sugerować inaczej.

Tam, gdzie bramka rzeczywiście znajduje zastosowanie, jest warstwa tekstowa, przez którą przechodzą oba przepływy pracy: skrypt, lista ujęć, kontrola jakości głosu marki, audyt wychwytujący klip, w którym pominięto instrukcję. To jeden klucz dający dostęp do ponad 200 modeli z automatycznym przełączaniem awaryjnym i DSL routingu do łączenia kroków w jedno wywołanie. Jeśli chodzi o ceny, OrcaRouter rozlicza z 0% marży, przekazując cennik dostawcy, więc gdy Google 5 listopada zmieniło stawkę wideo Omni z 17,50 USD na 12,00 USD za milion tokenów wyjściowych, zmiana była u nas aktywna tego samego dnia.

Decyzja w skrócie

Jeśli Twoim problemem jest głos — konkretny, powtarzalny, może dostrojony, może w dialekcie — Ming-3.0-tts jest właściwym narzędziem, a powodem jest licencja MIT. Nie da ci obrazu i nigdy nie miał tego robić.

Jeśli Twoim problemem jest scena z osobą, a głos musi być tylko wiarygodny i zsynchronizowany, Gemini Omni 1.2 Flash jest jedynym z tych dwóch, który potrafi to zrobić, i robi to w cenie, którą możesz obliczyć przed rozpoczęciem.

To, czego żaden z nich nie zrobi, to pozwolić ci decydować o głosie i obrazie osobno. Ta luka to faktyczny stan techniki w listopadzie 2026 roku, a każdy tworzony przez ciebie workflow musi ją omijać, a nie przez nią przechodzić.