Gemini Omni 1.2 Flash vs Ming 3.0: Rösten inuti videon, eller rösten på egen hand

”Ming 3.0” är inte en modell. Det är en familj av fem checkpoints från inclusionAI, Ant Groups forskningslabb, och alla handlar de om ljud: Ming-3.0-audio-flash läser in ljud och svarar i text, Ming-3.0-audio-tiny är dess 9B-syskon, Ming-3.0-tts-0.5B och Ming-3.0-tts-tiny gör text till tal, och Ming-3.0-asr-tiny transkriberar det. Ingen av dem genererar en enda bildruta video. Gemini Omni 1.2 Flash, allmänt tillgänglig sedan 5 november 2026, genererar tre till femton sekunder video med synkroniserat ljud till en kostnad av cirka 0,07 USD per sekund för 720p-utdata.

Så en direkt jämförelse mellan dem är ett kategorifel – med ett undantag som visar sig vara hela historien. Gemini Omni 1.2 Flash mest substantiella nya påstående handlar om tal: Google säger att den producerar "mer flytande, naturligt klingande dialog, tydligare läppsynk och distinkt konditionering för flera talare." Ming-3.0-tts gör en snäv version av det jobbet, på din egen hårdvara, under en MIT-licens, gratis per anrop. Om det du faktiskt behöver från något av systemen är ett röstspår, är den meningen jämförelsen. Om du behöver rösten kopplad till ett ansikte som går genom ett upplyst rum, kan bara ena sidan av den här sidan hjälpa dig.

Familjen, kontrollpunkt för kontrollpunkt

Det är värt att klargöra rakt på sak, eftersom namngivningen inbjuder till förvirring och tidsstämplarna är utspridda.

• Ming-3.0-audio-flash – 126B totala parametrar med 6,5B aktiverade per token, en nativ ljud-språk-MoE som tar emot ljud och text och returnerar text, med en valfri Talker-modul som läser upp svaret. Vikterna landade på Hugging Face den 3 september 2026, ungefär 259 GB fördelat på 25 shards. Det faktiska modellkortet, benchmark-tillgångarna och MIT-omlicensieringen kom först den 19 oktober 2026 – sex veckor efter checkpointen.

• Ming-3.0-audio-tiny — 9B-varianten av samma idé, publicerad samma dag.

• Ming-3.0-tts-0.5B — en tät 0,5B text-till-tal-modell på en Qwen2.5-0.5B-stomme, sju språk plus sichuanesiska och kantonesiska, zero-shot-kloning från ett kort referensklipp och röstdesign från en naturlig språkbeskrivning. Uppladdad 22 september 2026.

• Ming-3.0-tts-tiny — det mindre TTS-syskonet, samma datum.

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

Etiketten 3.0 omfattar en talstack, inte en flaggskeppsmodell för multimodalitet. Det spelar roll eftersom en sökning efter "Ming 3.0" tillsammans med en videomodell tyder på att någon tror något annat, och Ming-serien innehåller visserligen en omni-modell – Ming-flash-omni-2.0, publicerad i februari 2026 – men det är en annan generation med ett annat namn, och det är inte vad 3.0-checkpointarna är.

Var överlappningen faktiskt ligger: dialogspåret

Tar man bort behållarna kan båda systemen producera en talande person. De når dit från motsatta håll.

Gemini Omni 1.2 Flash genererar hela scenen. Du skriver en prompt för en tagning, och om prompten innehåller dialog, eller om du styr mot det, bakar modellen in tal i videon tillsammans med rumsljud och musik. Ljud genereras som standard; guiden säger att modellen "kommer att försöka generera ett lämpligt ljudspår" oavsett om du bad om det eller inte. Dialogkvaliteten är ett påstående vid lansering snarare än ett poängsatt mått, och Google publicerar inget ljudbenchmark alls. Referensvägen är allowlistad på Google Cloud: du kan tillhandahålla röstprover på en sekund som ljudledtrådar, men uppladdning av ljudindata eller ljudreferenser stöds inte för modellen i den aktuella versionen, ljud från referensvideo ignoreras och röstredigering stöds inte. Du kan prompta fram en röst. Du kan inte ta bort en och ersätta den.

Ming-3.0-tts gör en sak: text in, tal ut, med rösten under din kontroll. Zero-shot-kloning från ett kort referensklipp, röstdesign från en skriven beskrivning, fjorton inbäddade paralingvistiska taggar och explicita inställningar för känsla, hastighet, tonhöjd och volym. Dess leverantörsrapporterade Seed-TTS-siffror är kinesisk WER 0,800 % med SIM 0,758 och engelsk WER 1,584 % med SIM 0,691; på NVBench single-Chinese rapporterar den CER 2,70, PCER 22,80 och OCER 3,20, bäst bland de modeller den listar. Det är inclusionAI:s egna siffror, inte replikerade, tryckta på kortet.

Ställda sida vid sida är den ärliga uppdelningen denna. Omni ger dig en röst som du inte har specificerat, kopplad till en prestation som du inte heller har specificerat, för ungefär en dollar per femtonsekundersklipp. Ming-3.0-tts ger dig exakt kontroll över precis en egenskap – hur rösten låter – och räcker dig en vågform utan någon bild kopplad till.

Vad var och en kostar, i enheter som inte uppfyller

Omnis mätare är enkel och offentlig. $12,00 per miljon utdatatoken för video, omräknat av Google med 5 792 token per sekund 720p till cirka $0,07 per sekund. Ett femton sekunder långt klipp kostar ungefär $1,05. Ett 360p-utkast av samma längd kostar ungefär $0,35, och en 4K-uppskalning ungefär $3,14. Det finns ingen gratisnivå, så en prototypsession är en riktig faktura.

Ming har inget pris per anrop eftersom det inte finns någon hostad slutpunkt för det. Kostnaden är hårdvara. För Ming-3.0-audio-flash vid 128K kontext är inclusionAI:s egen vLLM-Omni-referensprofil tensorparallelism över fyra 80 GB H800, med en reservlösning med åtta GPU:er när minnet tar slut för långt ljud och Talker parkerad på GPU 7. SGLang har en validerad fyr-GPU-profil för textutdata, och SGLang-Omni kör hela pipelinen på två — thinker över två GPU:er, ljudkodare på GPU 0, talsyntes på GPU 1. Ming-3.0-tts-0.5B är tillräckligt litet för att testas på en enda H800-80GB eller H20-96G med CUDA 12.4.

Att räkna om det ena till det andra är där folk går fel. "Gratis efter kapital" mot "sju cent per sekund" ger ett tal som helt beror på utnyttjandegraden, och vid tio klipp i veckan är GPU:n dramatiskt dyrare per sekund av output. Vid kontinuerlig volym är den dramatiskt billigare. Det finns ingen växelkurs som gäller för båda.

Licens och kontroll, vilket är det verkliga skälet att välja Ming

Allt i Ming-3.0-serien är MIT, med en separat fil för juridiska ansvarsfriskrivningar. Det innebär kommersiell användning, modifiering, finjustering på dina egna röstdata och vidaredistribution – med attribuering och utan att tillstånd krävs. Om din produkts särart är en röst, en dialekt eller en varumärkesinläsning som måste låta identisk varje gång, är möjligheten att finjustera checkpointen inte en trevlig extrafunktion. Det är hela förmågan.

Gemini Omni 1.2 Flash är den motsatta avvägningen. Inga vikter, ingen finjustering, ingen röstredigering, en icke offentliggjord arkitektur, användarvillkor som styr utdata och en SynthID-vattenstämpel på varje bildruta och varje ljudsekund, oavsett om du vill det eller inte. Redigering eller förlängning av uppladdade videoklipp är inte tillgänglig i EES, Schweiz och Storbritannien – en regional begränsning som helt diskvalificerar säljargumentet för konversationsredigering för team på dessa marknader. I gengäld får du en fungerande slutpunkt redan i dag, 15-sekundersklipp, 4K-uppskalning, upp till sex referensbilder per begäran för konsekvens hos karaktärer och produkter, och ett pris du kan förutse.

• Vikter — Apache-fria MIT-checkpoints som du kan äga, till skillnad från en sluten hostad modell.

• Utdata — talvågform mot video med synkroniserat ljud.

• Röststyrning – kloning, design, känsla och tonhöjdsinställningar mot enbart prompt, utan röstredigering.

• Finjustering — tillgänglig på varje Ming-checkpoint, otillgänglig på Omni till vilket pris som helst.

• Tid till första resultat — en nedladdning på över 34 GB och en miljö mot en API-nyckel och en rendering på 28 till 136 sekunder.

• Marginalkostnad — en GPU-timme jämfört med ungefär 0,07 USD per utdatasekund.

Pipelinen där båda förekommer

Det finns ett verkligt arbetsflöde som använder båda, och det är värt att reda ut eftersom det är den enda platsen där jämförelsen övergår i ett beslut.

Ett produktteam som tar fram manus till en femton sekunder lång reklamfilm skriver reklamtexten, genererar rösten med Ming-3.0-tts mot en klonad varumärkesröst och lipsyncar sedan antingen filmmaterialet mot det spåret eller använder vågformen som tidsreferens för en Omni-render. TTS-steget kostar en GPU-minut och ger exakt kontroll över tempo och uttal. Omni-steget kostar ungefär en dollar och ger en tagning. Att göra det i den ordningen innebär att du rättar manuset innan du lägger pengar på video, vilket är samma disciplin med utkast först och final sedan som Google rekommenderar internt med 360p-utkast och 4K-uppskalningar.

Att göra det åt andra hållet – generera klippet och sedan försöka ersätta dess röst – fungerar inte. Omni stöder inte röstredigering, och att ladda upp en ljudreferens stöds inte för modellen. Ljudet den producerar är ljudet du levererar.

Ingendera finns i vår katalog, och det är värt att säga

OrcaRouter dirigerar inte någon av modellerna. google/gemini-omni-1.2-flash returnerar 404 på våra aktiva modellsidor, och Ming-3.0-checkpointarna har ingen hostad endpoint alls – de är Hugging Face-nedladdningar med en vLLM-Omni-väg som fortfarande var en pull request vid den senaste kontrollen. Inget anrop till vårt API når någon av dem, och den här sidan säger hellre det än antyder något annat.

Där gatewayen verkligen förtjänar sin plats är i det textlager som båda arbetsflödena går igenom: manuset, taglistan, varumärkesröst-QA:n, granskningen som fångar klippet där en instruktion hoppades över. Det är en nyckel för fler än 200 modeller med automatisk failover och ett routing-DSL för att komponera stegen till ett enda anrop. På prissidan debiterar OrcaRouter med 0 % påslag och leverantörens listpris förs vidare, så när Google ändrade Omnis videopris från $17.50 till $12.00 per miljon utdatatokens den 5 november var ändringen live hos oss samma dag.

Beslutet, reducerat

Om ditt problem är en röst – en specifik, upprepbar, kanske finjusterad, kanske i en dialekt – är Ming-3.0-tts rätt instrument, och MIT-licensen är anledningen. Den ger dig ingen bild, och det var aldrig meningen att den skulle göra det.

Om ditt problem är en scen med en person i, och rösten bara behöver vara trovärdig och i synk, är Gemini Omni 1.2 Flash den enda av de två som kan göra det, och den gör det till ett pris du kan räkna ut innan du börjar.

Det ingen av dem gör är att låta dig bestämma röst och bild separat. Det gapet är det faktiska läget i november 2026, och varje arbetsflöde du bygger måste gå runt det i stället för genom det.