Gemini Omni 1.2 Flash vs Ming 3.0: A voz dentro do vídeo, ou a voz por si só

"Ming 3.0" não é um modelo. É uma família de cinco checkpoints da inclusionAI, o laboratório de pesquisa do Ant Group, e todos eles são sobre áudio: Ming-3.0-audio-flash lê áudio e responde em texto, Ming-3.0-audio-tiny é seu irmão de 9B, Ming-3.0-tts-0.5B e Ming-3.0-tts-tiny convertem texto em fala, e Ming-3.0-asr-tiny transcreve áudio. Nenhum deles gera sequer um quadro de vídeo. Gemini Omni 1.2 Flash, disponível em geral desde 5 de novembro de 2026, gera de três a quinze segundos de vídeo com áudio sincronizado a cerca de US$ 0,07 por segundo de saída em 720p.

Então, um confronto direto entre eles é um erro de categoria — com uma exceção que acaba sendo toda a história. A nova alegação mais substancial do Gemini Omni 1.2 Flash diz respeito à fala: o Google afirma que ele produz "diálogo mais fluido e natural, sincronização labial mais clara e condicionamento multi-falante distinto". O Ming-3.0-tts faz uma versão estreita desse trabalho, no seu próprio hardware, sob licença MIT, sem custo por chamada. Se o que você realmente precisa de qualquer um dos sistemas é uma faixa de voz, essa frase é a comparação. Se você precisa da voz atrelada a um rosto caminhando por uma sala iluminada, apenas um dos lados desta página pode ajudar você.

A família, ponto de verificação por ponto de verificação

Vale a pena expor isso com clareza, porque a nomenclatura gera confusão e os carimbos de data e hora estão dispersos.

• Ming-3.0-audio-flash — 126B parâmetros totais com 6,5B ativados por token, um MoE nativo de áudio-linguagem que recebe áudio e texto e retorna texto, com um módulo Talker opcional que fala a resposta. Os pesos chegaram ao Hugging Face em 3 de setembro de 2026, aproximadamente 259 GB em 25 shards. O model card real, os ativos de benchmark e o relicenciamento MIT só chegaram em 19 de outubro de 2026 — seis semanas depois do checkpoint.

• Ming-3.0-audio-tiny — a variante 9B da mesma ideia, publicada no mesmo dia.

• Ming-3.0-tts-0.5B — um modelo denso de conversão de texto em fala de 0,5B sobre uma base Qwen2.5-0.5B, sete idiomas, além de sichuanês e cantonês, clonagem zero-shot a partir de um breve clipe de referência e design de voz a partir de uma descrição em linguagem natural. Publicado em 22 de setembro de 2026.

• Ming-3.0-tts-tiny — o irmão TTS menor, mesma data.

• Ming-3.0-asr-tiny — o lado da transcrição, 14 de outubro de 2026.

O rótulo 3.0 abrange uma pilha de fala, não um modelo multimodal de ponta. Isso importa porque uma busca por "Ming 3.0" junto com um modelo de vídeo sugere que alguém acredita no contrário, e a linha Ming de fato contém um modelo omni — Ming-flash-omni-2.0, publicado em fevereiro de 2026 —, mas é uma geração diferente com um nome diferente e não é o que os checkpoints 3.0 são.

Onde a sobreposição realmente está: a faixa de diálogo

Se retirarmos os contêineres, ambos os sistemas conseguem produzir uma pessoa falando. Eles chegam lá por direções opostas.

O Gemini Omni 1.2 Flash gera a cena inteira. Você faz um prompt para uma tomada e, se o prompt contiver diálogo, ou se você direcionar para isso, o modelo incorpora a fala ao vídeo junto com ambiência e música. O áudio é gerado por padrão; o guia diz que o modelo "tentará gerar uma faixa de áudio apropriada", quer você tenha pedido ou não. A qualidade do diálogo é uma alegação de lançamento, não uma métrica avaliada, e o Google não publica nenhum benchmark de áudio. O caminho de referência está na lista de permissões do Google Cloud: você pode fornecer amostras de voz de um segundo como pistas de áudio, mas o upload de entradas ou referências de áudio não é suportado no modelo na versão atual, o áudio de vídeo de referência é ignorado e a edição de voz não é suportada. Você pode criar uma voz por meio de prompt. Você não pode removê-la e substituí-la.

{{1}}Ming-3.0-tts{{/1}} faz uma coisa: texto entra, fala sai, com a voz sob seu controle. Clonagem zero-shot a partir de um clipe de referência curto, design de voz a partir de uma descrição escrita, quatorze etiquetas paralinguísticas embutidas e configurações explícitas de emoção, velocidade, tom e volume. Os números do Seed-TTS relatados pelo fornecedor são WER de 0,800% em chinês com SIM 0,758, e WER de 1,584% em inglês com SIM 0,691; no NVBench single-Chinese, relata CER 2,70, PCER 22,80 e OCER 3,20, o melhor entre os modelos que lista. Esses são números da própria inclusionAI, não reproduzidos, impressos na ficha.

Colocados lado a lado, a divisão honesta é esta. O Omni oferece uma voz que você não especificou, atrelada a uma performance que você também não especificou, por cerca de um dólar por clipe de quinze segundos. O Ming-3.0-tts oferece controle preciso sobre exatamente uma propriedade — como a voz soa — e entrega uma forma de onda sem imagem associada.

Quanto custa cada um, em unidades que não atendem

O medidor do Omni é simples e público. US$ 12,00 por milhão de tokens de saída de vídeo, convertidos pelo Google a 5.792 tokens por segundo de 720p para cerca de US$ 0,07 por segundo. Um clipe de quinze segundos custa aproximadamente US$ 1,05. Um rascunho em 360p do mesmo comprimento custa cerca de US$ 0,35, e um upscale para 4K, cerca de US$ 3,14. Não há plano gratuito, então uma sessão de prototipagem é uma fatura de verdade.

O Ming não tem preço por chamada porque não há endpoint hospedado para ele. O custo é o hardware. Para o Ming-3.0-audio-flash com contexto de 128K, o perfil de referência do vLLM-Omni da própria inclusionAI é paralelismo de tensores em quatro H800 de 80 GB, com um fallback de oito GPUs quando áudio longo fica sem memória e o Talker fixado na GPU 7. O SGLang tem um perfil validado de quatro GPUs para saída de texto, e o SGLang-Omni executa todo o pipeline em duas — thinker em duas GPUs, codificador de áudio na GPU 0, síntese de fala na GPU 1. O Ming-3.0-tts-0.5B é pequeno o suficiente para ser testado em uma única H800-80GB ou H20-96G com CUDA 12.4.

Converter um no outro é onde as pessoas erram. «Grátis depois do capital» contra «sete cêntimos por segundo» produz um número que depende inteiramente da utilização, e, a dez clipes por semana, a GPU é drasticamente mais cara por segundo de saída. Em volume contínuo, é drasticamente mais barata. Não há taxa de câmbio que se mantenha para ambos.

Licença e controle, que é o verdadeiro motivo para escolher Ming

Tudo na linha Ming-3.0 é MIT, com um arquivo separado de aviso legal. Isso significa uso comercial, modificação, ajuste fino com seus próprios dados de voz e redistribuição — com atribuição e sem necessidade de permissão. Se o diferencial do seu produto é uma voz, ou um dialeto, ou uma leitura de marca que precisa soar idêntica todas as vezes, poder ajustar o checkpoint não é um item opcional. É a capacidade inteira.

O Gemini Omni 1.2 Flash é a troca oposta. Sem pesos, sem ajuste fino, sem edição de voz, uma arquitetura não divulgada, termos de serviço que regem a saída e uma marca d'água SynthID em cada quadro e em cada segundo de áudio, quer você queira ou não. Editar ou estender vídeos enviados não está disponível no EEE, na Suíça e no Reino Unido — uma restrição regional que desqualifica de imediato a proposta de edição conversacional para equipes nesses mercados. Em troca, você obtém um endpoint funcional hoje, clipes de 15 segundos, upscaling para 4K, imagens de referência até seis por solicitação para consistência de personagem e produto, e um preço que você pode prever.

• Pesos — checkpoints MIT livres de Apache que você pode possuir, em contraste com um modelo hospedado fechado.

• Saída — forma de onda da fala sobre o vídeo com áudio sincronizado.

• Controle de voz — clonagem, design, configurações de emoção e tom em comparação com apenas prompt, sem edição de voz.

• Ajuste fino — disponível em todos os checkpoints Ming, indisponível no Omni a qualquer preço.

• Tempo até o primeiro resultado — um download de mais de 34 GB e um ambiente versus uma chave de API e uma renderização de 28 a 136 segundos.

• Custo marginal — uma hora de GPU contra aproximadamente US$ 0,07 por segundo de saída.

O pipeline onde ambos aparecem

Existe um fluxo de trabalho real que usa ambos, e vale a pena explicá-lo porque é o único lugar em que a comparação se converte em uma decisão.

Uma equipe de produto que roteiriza um spot de quinze segundos escreve o texto, gera a voz com Ming-3.0-tts a partir de uma voz de marca clonada e, em seguida, sincroniza as imagens com essa faixa ou usa a forma de onda como referência de tempo para uma renderização Omni. A etapa de TTS custa um minuto de GPU e oferece controle exato sobre o ritmo e a pronúncia. A etapa Omni custa cerca de um dólar e entrega uma tomada. Fazer nessa ordem significa corrigir o roteiro antes de gastar com vídeo, que é a mesma disciplina de rascunho e depois versão final que o Google recomenda internamente com rascunhos em 360p e upscales para 4K.

Fazer o contrário — gerar o clipe e depois tentar substituir a voz — não funciona. O Omni não oferece suporte à edição de voz, e o upload de uma referência de áudio não é suportado no modelo. O áudio que ele produz é o áudio que você entrega.

Nenhum dos dois está no nosso catálogo, e vale a pena dizer isso

O OrcaRouter não roteia nenhum dos dois modelos. google/gemini-omni-1.2-flash retorna 404 nas nossas páginas de modelos ativas, e os checkpoints do Ming-3.0 não têm nenhum endpoint hospedado — são downloads do Hugging Face com um caminho vLLM-Omni que ainda era um pull request na última verificação. Nenhuma chamada à nossa API alcança qualquer um deles, e esta página prefere afirmar isso a sugerir o contrário.

Onde o gateway realmente conquista seu lugar é na camada de texto pela qual os dois fluxos de trabalho passam: o roteiro, a lista de planos, o QA de voz da marca, a auditoria que identifica o clipe em que uma instrução foi ignorada. É uma única chave para mais de 200 modelos, com failover automático e uma DSL de roteamento para compor as etapas em uma única chamada. No lado dos preços, a OrcaRouter cobra 0% de margem, repassando o preço de tabela do provedor, então quando o Google mudou a tarifa de vídeo do Omni de US$ 17,50 para US$ 12,00 por milhão de tokens de saída em 5 de novembro, a mudança já estava ativa do nosso lado no mesmo dia.

A decisão, reduzida

Se o seu problema é uma voz — uma específica, repetível, talvez ajustada, talvez num dialeto — Ming-3.0-tts é o instrumento certo e a licença MIT é a razão. Não lhe dará uma imagem e nunca foi feito para isso.

Se o seu problema é uma cena com uma pessoa nela, e a voz só precisa ser plausível e estar sincronizada, o Gemini Omni 1.2 Flash é o único dos dois que consegue fazer isso, e faz isso a um preço que você pode calcular antes de começar.

O que nenhum dos dois fará é permitir que você decida a voz e a imagem separadamente. Essa lacuna é o verdadeiro estado da arte em novembro de 2026, e qualquer fluxo de trabalho que você criar precisa contorná-la, e não passar por ela.