Gemini Omni 1.2 Flash vs Ming 3.0: голос внутри видео или голос сам по себе

«Ming 3.0» — не модель. Это семейство из пяти чекпойнтов от inclusionAI, исследовательской лаборатории Ant Group, и все они связаны со звуком: Ming-3.0-audio-flash читает аудио и отвечает текстом, Ming-3.0-audio-tiny — его 9B-собрат, Ming-3.0-tts-0.5B и Ming-3.0-tts-tiny превращают текст в речь, а Ming-3.0-asr-tiny транскрибирует её. Ни один из них не генерирует ни одного кадра видео. Gemini Omni 1.2 Flash, общедоступный с 5 ноября 2026 года, генерирует от трёх до пятнадцати секунд видео с синхронизированным звуком примерно за $0,07 за секунду вывода в 720p.

Так что прямое сопоставление между ними — это категориальная ошибка, с одним исключением, которое, как выясняется, и составляет всю суть. Самое существенное новое заявление Gemini Omni 1.2 Flash касается речи: Google говорит, что она обеспечивает «более плавный, естественно звучащий диалог, более чёткую синхронизацию губ и выраженную многодикторную обусловленность». Ming-3.0-tts выполняет одну узкую версию этой задачи — на вашем собственном оборудовании, по лицензии MIT и бесплатно за каждый вызов. Если на самом деле вам нужна от любой из этих систем только голосовая дорожка, то этим предложением сравнение исчерпывается. Если же вам нужно, чтобы голос был привязан к лицу, идущему через освещённую комнату, помочь сможет только одна сторона этой страницы.

Семья, контрольная точка за контрольной точкой

Стоит изложить это прямо, потому что названия вызывают путаницу, а временные метки разбросаны.

• Ming-3.0-audio-flash — 126 млрд параметров всего, из которых 6,5 млрд активируются на токен; это нативная аудио-языковая MoE, принимающая на вход аудио и текст и возвращающая текст, с опциональным модулем Talker, который озвучивает ответ. Веса появились на Hugging Face 3 сентября 2026 года — примерно 259 ГБ в 25 шардах. Настоящая карточка модели, ресурсы для бенчмарков и перелицензирование под MIT появились только 19 октября 2026 года — через шесть недель после чекпойнта.

• Ming-3.0-audio-tiny — 9B-вариант той же идеи, опубликованный в тот же день.

• Ming-3.0-tts-0.5B — плотная 0,5B-модель синтеза речи на базе Qwen2.5-0.5B: семь языков, а также сычуаньский и кантонский, клонирование голоса без дообучения по короткому эталонному фрагменту и создание голоса по описанию на естественном языке. Загружено 22 сентября 2026 г.

• Ming-3.0-tts-tiny — меньший собрат в линейке TTS, та же дата.

• Ming-3.0-asr-tiny — часть транскрипции, 14 октября 2026 г.

Ярлык 3.0 обозначает речевой стек, а не флагманскую мультимодальную модель. Это важно, потому что поиск «Ming 3.0» вместе с видеомоделью наводит на мысль, что кто-то считает иначе, а линейка Ming действительно содержит omni-модель — Ming-flash-omni-2.0, опубликованную в феврале 2026 года, — но это другое поколение с другим названием, и это не то же самое, что чекпоинты 3.0.

Где на самом деле перекрытие: дорожка диалогов

Уберите контейнеры — и обе системы смогут создать говорящего человека. Они приходят к этому с противоположных сторон.

Gemini Omni 1.2 Flash генерирует всю сцену. Вы задаёте промпт для кадра, и если в промпте есть {{1}}диалог{{/1}} или вы склоняете модель к нему, модель встраивает {{2}}речь{{/2}} в видео вместе с {{3}}окружающими звуками{{/3}} и {{4}}музыкой{{/4}}. {{5}}Аудио генерируется по умолчанию{{/5}}; в руководстве сказано, что модель «попытается сгенерировать подходящую звуковую дорожку», просили вы об этом или нет. {{6}}Качество диалогов — это заявление на момент запуска, а не оцениваемый показатель{{/6}}, и Google вообще не публикует никаких аудиобенчмарков. {{7}}Путь для референсов{{/7}} внесён в список разрешённых в Google Cloud: можно передавать {{8}}односекундные образцы голоса{{/8}} как {{9}}аудиоподсказки{{/9}}, но загрузка {{10}}аудиовходов{{/10}} или {{11}}аудиореференсов{{/11}} не поддерживается моделью в текущей версии, {{12}}аудио из референсного видео{{/12}} игнорируется, а {{13}}редактирование голоса{{/13}} не поддерживается. Вы можете создать голос с помощью промпта. Но не можете удалить его и заменить.

Ming-3.0-tts делает одно: текст на входе — речь на выходе, а голос остаётся под вашим контролем. Zero-shot клонирование по короткому референсному фрагменту, дизайн голоса по письменному описанию, четырнадцать встроенных паралингвистических тегов и явные настройки эмоции, скорости, тона и громкости. Заявленные производителем показатели Seed-TTS: WER для китайского 0,800% при SIM 0,758 и WER для английского 1,584% при SIM 0,691; на NVBench single-Chinese сообщается CER 2,70, PCER 22,80 и OCER 3,20 — лучший результат среди перечисленных моделей. Это собственные цифры inclusionAI, не воспроизведённые независимо, напечатанные на карточке.

Если поставить их рядом, честное разделение будет таким. Omni даёт вам голос, который вы не задавали, привязанный к исполнению, которое вы тоже не задавали, примерно за доллар за пятнадцатисекундный клип. Ming-3.0-tts даёт точный контроль ровно над одним свойством — тем, как звучит голос, — и выдаёт вам звуковую волну без прикреплённого изображения.

Сколько стоит каждый — в единицах, которые не соответствуют

Тарификация Omni проста и открыта. $12.00 за миллион выходных видеотокенов; Google конвертирует их из расчёта 5 792 токена на секунду 720p, что составляет около $0.07 в секунду. Пятнадцатисекундный клип стоит примерно $1.05. Черновик той же длины в 360p — около $0.35, а апскейл до 4K — около $3.14. Бесплатного тарифа нет, поэтому сеанс прототипирования — это настоящий счёт.

У Ming нет цены за вызов, потому что для него нет размещённой конечной точки. Затраты — это оборудование. Для Ming-3.0-audio-flash с контекстом 128K эталонный профиль vLLM-Omni самой inclusionAI предполагает тензорный параллелизм на четырёх H800 по 80 ГБ, а также резервный вариант с восемью GPU, когда при длинном аудио не хватает памяти и Talker закреплён на GPU 7. В SGLang есть проверенный профиль на четырёх GPU для текстового вывода, а SGLang-Omni запускает весь конвейер на двух — thinker на двух GPU, аудиокодер на GPU 0, синтез речи на GPU 1. Ming-3.0-tts-0.5B достаточно мал, чтобы тестировать его на одном H800-80GB или H20-96G с CUDA 12.4.

Именно при пересчёте одного в другое люди и ошибаются. Сопоставление «бесплатно после капитальных затрат» и «семь центов в секунду» даёт число, которое полностью зависит от загрузки: при десяти клипах в неделю GPU обходится значительно дороже в расчёте на секунду результата, а при непрерывном объёме — значительно дешевле. Не существует единого курса пересчёта, который был бы верен для обоих случаев.

Лицензия и контроль — вот настоящая причина выбрать Ming.

Вся линейка Ming-3.0 распространяется под лицензией MIT, с отдельным файлом юридической оговорки. Это означает коммерческое использование, модификацию, дообучение на ваших собственных голосовых данных и распространение — с указанием авторства и без необходимости получать разрешение. Если ключевое отличие вашего продукта — это голос, диалект или фирменное озвучивание, которое должно звучать одинаково каждый раз, возможность дообучить чекпоинт — не приятный бонус. Это и есть вся ключевая возможность.

Gemini Omni 1.2 Flash — это противоположный компромисс. Никаких весов, никакого дообучения, никакого редактирования голоса, нераскрытая архитектура, условия использования, распространяющиеся на выходные данные, и водяной знак SynthID на каждом кадре и каждой секунде аудио, хотите вы этого или нет. Редактирование или продление загруженного видео недоступно в ЕЭЗ, Швейцарии и Великобритании — региональное ограничение, которое полностью исключает предложение диалогового редактирования для команд на этих рынках. Взамен вы уже сегодня получаете работающий эндпоинт, 15-секундные клипы, апскейлинг до 4K, до шести референсных изображений на запрос для единообразия персонажей и продуктов, а также цену, которую можно прогнозировать.

• Веса — MIT-чекпоинты без Apache, которыми вы владеете сами, в противовес закрытой hosted-модели.

• Выход — осциллограмма речи поверх видео с синхронизированным аудио.

• Управление голосом — клонирование, дизайн, настройки эмоций и высоты тона в сравнении с подходом только на промптах, без редактирования голоса.

• Дообучение — доступно в каждой контрольной точке Ming и недоступно в Omni ни за какие деньги.

• Время до первого результата — загрузка более 34 ГБ и настройка окружения против API-ключа и рендеринга за 28–136 секунд.

• Предельные издержки — GPU-час против примерно 0,07 долл. за секунду выходных данных.

Конвейер, в котором появляются оба

Существует реальный рабочий процесс, в котором используются оба варианта, и его стоит описать подробно, поскольку это единственное место, где сравнение превращается в решение.

Команда продукта, создающая 15-секундный ролик, пишет текст, генерирует озвучку с помощью Ming-3.0-tts на основе клонированного голоса бренда, а затем либо делает липсинк видео под эту дорожку, либо использует волновую форму как тайминг-референс для рендера в Omni. Этап TTS стоит одной минуты GPU и даёт точный контроль над темпом и произношением. Этап Omni стоит около доллара и даёт один дубль. Такой порядок означает, что вы правите сценарий до трат на видео, — та же дисциплина «сначала черновик, потом финал», которую Google рекомендует внутри компании: черновики в 360p и апскейл до 4K.

Сделать наоборот — сгенерировать клип, а затем попытаться заменить его голос — не работает. Omni не поддерживает редактирование голоса, а загрузка аудиореференса не поддерживается моделью. Аудио, которое она создаёт, — это то аудио, которое вы выпускаете.

Ни того, ни другого нет в нашем каталоге, и об этом стоит сказать.

OrcaRouter не маршрутизирует ни одну из этих моделей. google/gemini-omni-1.2-flash возвращает 404 на наших действующих страницах моделей, а контрольные точки Ming-3.0 вообще не имеют хостируемого эндпоинта — это загрузки с Hugging Face с путём vLLM-Omni, который на момент последней проверки всё ещё оставался пул-реквестом. Ни один вызов нашего API не достигает ни одной из них, и эта страница предпочтёт сказать это, чем подразумевать обратное.

А вот где шлюз действительно оправдывает себя — это текстовый слой, через который проходят оба рабочих процесса: сценарий, раскадровка, проверка качества бренд-голоса, аудит, который выявляет клип, где пропустили инструкцию. Это один ключ для более чем 200 моделей с автоматическим переключением при сбое и DSL маршрутизации для объединения шагов в один вызов. Что касается цен, OrcaRouter выставляет счета с наценкой 0%, передавая цену из прайс-листа провайдера как есть, поэтому когда Google 5 ноября изменила тариф Omni на видео с $17,50 до $12,00 за миллион выходных токенов, изменение заработало у нас в тот же день.

Решение в сокращённом виде

Если ваша задача — голос: конкретный, воспроизводимый, возможно дообученный, возможно на диалекте, — то Ming-3.0-tts является подходящим инструментом, и причина этому — лицензия MIT. Он не даст вам картинку и никогда для этого не предназначался.

Если ваша задача — сцена, в которой есть человек, и голос должен быть всего лишь правдоподобным и синхронизированным, то Gemini Omni 1.2 Flash — единственный из двух, кто с этим справится, и делает это по цене, которую можно рассчитать ещё до начала работы.

Ни один из них не позволит вам выбирать голос и изображение по отдельности. Этот разрыв и есть реальный текущий уровень технологий в ноябре 2026 года, и любой создаваемый вами рабочий процесс должен обходить его, а не проходить через него.