Gemini Omni 1.2 Flash กับ Ming 3.0: เสียงที่อยู่ในวิดีโอ หรือเสียงที่ยืนได้ด้วยตัวเอง

"Ming 3.0" ไม่ใช่โมเดลเดียว แต่เป็นตระกูลของเช็กพอยต์ห้ารายการจาก inclusionAI ห้องวิจัยของ Ant Group และทุกตัวเกี่ยวข้องกับเสียง: Ming-3.0-audio-flash อ่านเสียงและตอบเป็นข้อความ, Ming-3.0-audio-tiny เป็นรุ่นพี่น้องขนาด 9B, Ming-3.0-tts-0.5B และ Ming-3.0-tts-tiny เปลี่ยนข้อความเป็นเสียงพูด และ Ming-3.0-asr-tiny ถอดเสียงเป็นข้อความ ไม่มีตัวใดสร้างวิดีโอแม้แต่เฟรมเดียว Gemini Omni 1.2 Flash ซึ่งเปิดให้ใช้ทั่วไปตั้งแต่ 5 พฤศจิกายน 2026 สร้างวิดีโอความยาวสามถึงสิบห้าวินาทีพร้อมเสียงที่ซิงก์กัน ในราคาประมาณ $0.07 ต่อวินาทีของเอาต์พุต 720p

ดังนั้นการเทียบกันแบบตัวต่อตัวระหว่างทั้งสองจึงเป็นการเปรียบเทียบที่ผิดประเภท — ยกเว้นข้อยกเว้นหนึ่งซึ่งกลายเป็นเรื่องทั้งหมด คำกล่าวอ้างใหม่ที่มีสาระสำคัญที่สุดของ Gemini Omni 1.2 Flash เกี่ยวกับเสียงพูด: Google กล่าวว่ามันสร้าง "บทสนทนาที่ลื่นไหลและฟังเป็นธรรมชาติกว่า การซิงก์ริมฝีปากที่ชัดเจนกว่า และการปรับเงื่อนไขสำหรับผู้พูดหลายคนที่แยกจากกันอย่างชัดเจน" Ming-3.0-tts ทำงานเพียงเวอร์ชันแคบ ๆ ของงานนั้น บนฮาร์ดแวร์ของคุณเอง ภายใต้สัญญาอนุญาต MIT โดยไม่มีค่าใช้จ่ายต่อการเรียกใช้ หากสิ่งที่คุณต้องการจริง ๆ จากระบบใดระบบหนึ่งคือแทร็กเสียงพูด ประโยคนั้นคือการเปรียบเทียบ หากคุณต้องการให้เสียงผูกกับใบหน้าที่เดินผ่านห้องที่มีแสงสว่าง มีเพียงฝั่งเดียวของหน้านี้ที่ช่วยคุณได้

ครอบครัว ทีละจุดตรวจ

ควรอธิบายให้ชัดเจน เพราะการตั้งชื่อชวนให้สับสน และการประทับเวลาก็กระจัดกระจาย

• {{1}}Ming-3.0-audio-flash{{/1}} — โมเดล MoE แบบเสียง-ภาษาโดยกำเนิดที่มีพารามิเตอร์รวม {{2}}126B โดยเปิดใช้งาน 6.5B ต่อโทเคน{{/2}} รับเสียงและข้อความเป็นอินพุตและส่งคืนข้อความ พร้อมโมดูล {{3}}Talker{{/3}} แบบเลือกใช้ได้ที่พูดคำตอบออกมา น้ำหนักโมเดลเผยแพร่บน {{4}}Hugging Face{{/4}} เมื่อ {{5}}3 กันยายน 2026{{/5}} รวมประมาณ {{6}}259 GB ใน 25 ชาร์ด{{/6}} การ์ดโมเดลจริง แอสเซ็ต benchmark และการเปลี่ยนสัญญาอนุญาตเป็น {{7}}MIT{{/7}} เพิ่งมาถึงเมื่อ {{8}}19 ตุลาคม 2026{{/8}} — หกสัปดาห์หลังจากเช็กพอยต์ออกมา

• Ming-3.0-audio-tiny — รุ่น 9B ของแนวคิดเดียวกัน เผยแพร่ในวันเดียวกัน

• Ming-3.0-tts-0.5B — โมเดลแปลงข้อความเป็นเสียงแบบ dense ขนาด 0.5B บนโครงสร้างพื้นฐาน Qwen2.5-0.5B รองรับเจ็ดภาษา พร้อมภาษาจีนเสฉวนและภาษากวางตุ้ง การโคลนเสียงแบบ zero-shot จากคลิปอ้างอิงสั้น ๆ และการออกแบบเสียงจากคำอธิบายภาษาธรรมชาติ อัปโหลดเมื่อ 22 กันยายน 2026

• Ming-3.0-tts-tiny — รุ่นน้อง TTS ที่เล็กกว่า ในวันที่เดียวกัน

• Ming-3.0-asr-tiny — ฝั่งการถอดเสียง 14 ตุลาคม 2026

ป้ายกำกับ 3.0 ครอบคลุมสแตกด้านเสียงพูด ไม่ใช่โมเดลมัลติโมดัลระดับเรือธง สิ่งนี้สำคัญเพราะการค้นหา "Ming 3.0" ควบคู่กับโมเดลวิดีโอชี้ว่ามีคนเชื่อเป็นอย่างอื่น และสายผลิตภัณฑ์ Ming มีโมเดลออมนิอยู่จริง — Ming-flash-omni-2.0 ซึ่งเผยแพร่ในเดือนกุมภาพันธ์ 2026 — แต่มันเป็นคนละรุ่นและคนละชื่อ และไม่ใช่สิ่งที่เช็กพอยต์ 3.0 เป็น

จุดที่ทับซ้อนกันจริง ๆ อยู่ที่: แทร็กบทสนทนา

ถ้าตัดส่วนที่เป็นภาชนะบรรจุออกไป ทั้งสองระบบก็สามารถสร้างบุคคลที่กำลังพูดได้ โดยไปถึงจุดนั้นจากทิศทางที่ตรงกันข้าม

Gemini Omni 1.2 Flash สร้างฉากทั้งหมดขึ้นมา คุณเพียงป้อนพรอมต์สำหรับช็อตหนึ่ง และหากพรอมต์นั้นมีบทสนทนาหรือคุณกำหนดทิศทางไปในทางนั้น โมเดลจะฝังเสียงพูดลงในวิดีโอพร้อมเสียงบรรยากาศและดนตรี โดยค่าเริ่มต้นจะมีการสร้างเสียงอยู่แล้ว คู่มือระบุว่าโมเดล "จะพยายามสร้างแทร็กเสียงที่เหมาะสม" ไม่ว่าคุณจะขอหรือไม่ก็ตาม คุณภาพของบทสนทนาเป็นเพียงคำกล่าวอ้างตอนเปิดตัวมากกว่าตัวชี้วัดที่ถูกให้คะแนน และ Google ไม่ได้เผยแพร่เกณฑ์มาตรฐานด้านเสียงใด ๆ เลย เส้นทางการอ้างอิงนั้นอยู่ในรายการที่อนุญาตบน Google Cloud: คุณสามารถใส่ตัวอย่างเสียงความยาวหนึ่งวินาทีเป็นคิวเสียงได้ แต่การอัปโหลดอินพุตเสียงหรือข้อมูลอ้างอิงเสียงไม่ได้รับการรองรับบนโมเดลในเวอร์ชันปัจจุบัน เสียงจากวิดีโออ้างอิงจะถูกละเว้น และไม่รองรับการแก้ไขเสียงพูด คุณสามารถสั่งให้สร้างเสียงพูดขึ้นมาได้ แต่ไม่สามารถนำเสียงหนึ่งออกและแทนที่ได้

Ming-3.0-tts ทำสิ่งเดียว: รับข้อความเข้า ออกมาเป็นเสียงพูด โดยคุณควบคุมเสียงได้เอง ทั้งการโคลนแบบ zero-shot จากคลิปอ้างอิงสั้น ๆ การออกแบบเสียงจากคำบรรยายเป็นลายลักษณ์อักษร แท็กพาราภาษาศาสตร์แบบอินไลน์สิบสี่แท็ก และการตั้งค่าอารมณ์ ความเร็ว ระดับเสียงสูงต่ำ และระดับความดังอย่างชัดเจน ตัวเลข Seed-TTS ที่ผู้ขายรายงานคือ WER ภาษาจีน 0.800% พร้อม SIM 0.758 และ WER ภาษาอังกฤษ 1.584% พร้อม SIM 0.691 ส่วนบน NVBench ภาษาจีนเดี่ยว รายงาน CER 2.70, PCER 22.80 และ OCER 3.20 ซึ่งดีที่สุดในบรรดาโมเดลที่ระบุไว้ ทั้งหมดนี้เป็นตัวเลขของ inclusionAI เอง ยังไม่ได้มีการทำซ้ำ และพิมพ์อยู่บนการ์ด

เมื่อวางเทียบกันแล้ว ความแตกต่างที่ตรงไปตรงมาคือแบบนี้ Omni ให้เสียงที่คุณไม่ได้ระบุไว้ พร้อมกับการแสดงที่คุณก็ไม่ได้ระบุไว้เช่นกัน ในราคาประมาณหนึ่งดอลลาร์ต่อคลิปความยาวสิบห้าวินาที ส่วน Ming-3.0-tts ให้การควบคุมที่แม่นยำในคุณสมบัติเพียงอย่างเดียว — นั่นคือเสียงพูดฟังดูเป็นอย่างไร — และส่งไฟล์ waveform ให้โดยไม่มีภาพประกอบแนบมา

แต่ละรายการมีค่าใช้จ่ายเท่าไร ในหน่วยที่ไม่เป็นไปตาม

มิเตอร์ของ Omni นั้นเรียบง่ายและเปิดเผยต่อสาธารณะ โดยคิด $12.00 ต่อโทเค็นเอาต์พุตวิดีโอหนึ่งล้านโทเค็น ซึ่ง Google แปลงที่ 5,792 โทเค็นต่อวินาทีสำหรับ 720p เป็นประมาณ $0.07 ต่อวินาที คลิปความยาวสิบห้าวินาทีมีค่าใช้จ่ายประมาณ $1.05 ฉบับร่าง 360p ที่ความยาวเท่ากันอยู่ที่ประมาณ $0.35 และการอัปสเกลเป็น 4K อยู่ที่ประมาณ $3.14 ไม่มีแพ็กเกจฟรี ดังนั้นเซสชันการสร้างต้นแบบจึงเป็นใบแจ้งหนี้จริง

Ming ไม่มีราคาต่อการเรียก เพราะไม่มี endpoint ที่โฮสต์ไว้สำหรับมัน ค่าใช้จ่ายคือฮาร์ดแวร์ สำหรับ Ming-3.0-audio-flash ที่บริบท 128K โปรไฟล์อ้างอิง vLLM-Omni ของ inclusionAI เองใช้ tensor parallelism บน H800 ขนาด 80 GB จำนวนสี่ตัว โดยมี fallback แบบแปด GPU เมื่อเสียงยาวทำให้หน่วยความจำไม่พอ และ Talker ถูกจัดไว้บน GPU 7 SGLang มีโปรไฟล์สี่ GPU ที่ผ่านการตรวจสอบแล้วสำหรับเอาต์พุตข้อความ และ SGLang-Omni รันไปป์ไลน์ทั้งหมดบนสอง GPU — thinker กระจายบนสอง GPU, audio encoder บน GPU 0, speech synthesis บน GPU 1 Ming-3.0-tts-0.5B เล็กพอที่จะทดสอบบน H800-80GB หรือ H20-96G ตัวเดียวด้วย CUDA 12.4

การแปลงสิ่งหนึ่งไปเป็นอีกสิ่งหนึ่งคือจุดที่ผู้คนมักพลาด “ฟรีหลังลงทุนเริ่มต้น” เทียบกับ “เจ็ดเซนต์ต่อวินาที” ให้ตัวเลขที่ขึ้นอยู่กับการใช้งานทั้งหมด และที่สิบคลิปต่อสัปดาห์ GPU แพงกว่าอย่างมากต่อวินาทีของผลลัพธ์ ที่ปริมาณการใช้งานต่อเนื่องกลับถูกกว่าอย่างมาก ไม่มีอัตราแลกเปลี่ยนใดที่ใช้ได้กับทั้งสองแบบ

การอนุญาตและการควบคุม ซึ่งเป็นเหตุผลที่แท้จริงในการเลือก Ming

ทุกอย่างในสาย Ming-3.0 อยู่ภายใต้สัญญาอนุญาต MIT โดยมีไฟล์ข้อจำกัดความรับผิดทางกฎหมายแยกต่างหาก ซึ่งหมายความว่าคุณสามารถใช้เชิงพาณิชย์ แก้ไข ปรับแต่งละเอียดบนข้อมูลเสียงของคุณเอง และเผยแพร่ต่อได้ โดยระบุที่มาและไม่ต้องขออนุญาต หากสิ่งที่ทำให้ผลิตภัณฑ์ของคุณแตกต่างคือเสียง หรือภาษาถิ่น หรือการอ่านแบรนด์ที่ต้องฟังดูเหมือนเดิมทุกครั้ง ความสามารถในการปรับแต่งละเอียดเช็กพอยต์ก็ไม่ใช่แค่สิ่งที่ "มีก็ดี" แต่เป็นความสามารถทั้งหมดเลย

Gemini Omni 1.2 Flash เป็นข้อแลกเปลี่ยนที่ตรงกันข้าม ไม่มีน้ำหนักโมเดล ไม่มีการปรับแต่งละเอียด ไม่มีการตัดต่อเสียง สถาปัตยกรรมที่ไม่เปิดเผย ข้อกำหนดการให้บริการที่ควบคุมผลลัพธ์ และลายน้ำ SynthID บนทุกเฟรมและทุกวินาทีของเสียง ไม่ว่าคุณจะต้องการหรือไม่ การแก้ไขหรือขยายวิดีโอที่อัปโหลดไม่พร้อมใช้งานใน EEA สวิตเซอร์แลนด์ และสหราชอาณาจักร ซึ่งเป็นข้อจำกัดระดับภูมิภาคที่ทำให้ข้อเสนอการแก้ไขแบบสนทนาใช้ไม่ได้โดยสิ้นเชิงสำหรับทีมในตลาดเหล่านั้น แลกกับการได้ endpoint ที่ใช้งานได้วันนี้ คลิป 15 วินาที การอัปสเกล 4K ภาพอ้างอิงสูงสุดหกภาพต่อคำขอเพื่อความสอดคล้องของตัวละครและผลิตภัณฑ์ และราคาที่คาดการณ์ได้

• น้ำหนักโมเดล — เช็กพอยต์ MIT ที่ปลอดจาก Apache ซึ่งคุณเป็นเจ้าของเองได้ เทียบกับโมเดลโฮสต์แบบปิด

• เอาต์พุต — รูปคลื่นเสียงเทียบกับวิดีโอพร้อมเสียงที่ซิงโครไนซ์

• การควบคุมด้วยเสียง — การโคลนเสียง การออกแบบเสียง การตั้งค่าอารมณ์และระดับเสียง เทียบกับการใช้พรอมต์เพียงอย่างเดียว โดยไม่มีการแก้ไขเสียง

• การไฟน์ทูน — ใช้ได้กับทุกเช็กพอยต์ของ Ming แต่ไม่มีให้ใช้บน Omni ไม่ว่าจะจ่ายในราคาเท่าใด

• เวลาถึงผลลัพธ์แรก — การดาวน์โหลดขนาด 34 GB ขึ้นไปพร้อมการตั้งค่าสภาพแวดล้อม เทียบกับการใช้คีย์ API และการเรนเดอร์ 28 ถึง 136 วินาที

• ต้นทุนส่วนเพิ่ม — หนึ่งชั่วโมง GPU เทียบกับประมาณ $0.07 ต่อวินาทีของเอาต์พุต

ไปป์ไลน์ที่ทั้งคู่ปรากฏ

มีเวิร์กโฟลว์จริงที่ใช้ทั้งสองอย่าง และควรอธิบายให้ชัดเจน เพราะนี่เป็นจุดเดียวที่การเปรียบเทียบจะเปลี่ยนเป็นการตัดสินใจ

ทีมผลิตภัณฑ์ที่เขียนสคริปต์สปอตความยาวสิบห้าวินาทีจะเขียนคำโฆษณา สร้างเสียงด้วย Ming-3.0-tts โดยอิงเสียงแบรนด์ที่โคลนมา จากนั้นจึงทำ lipsync ฟุตเทจให้ตรงกับแทร็กเสียงนั้น หรือใช้รูปคลื่นเสียงเป็นข้อมูลอ้างอิงด้านจังหวะสำหรับการเรนเดอร์ด้วย Omni ขั้นตอน TTS ใช้เวลา GPU หนึ่งนาทีและให้การควบคุมจังหวะและการออกเสียงได้อย่างแม่นยำ ส่วนขั้นตอน Omni มีค่าใช้จ่ายประมาณหนึ่งดอลลาร์และได้ภาพหนึ่งช็อต การทำตามลำดับนี้หมายความว่าคุณจะแก้สคริปต์ให้เรียบร้อยก่อนจะใช้จ่ายกับวิดีโอ ซึ่งเป็นวินัยแบบร่างก่อนแล้วจึงทำฉบับสมบูรณ์ที่ Google แนะนำภายในองค์กรด้วยฉบับร่าง 360p และการอัปสเกลเป็น 4K

การทำแบบกลับกัน — สร้างคลิปขึ้นมาก่อน แล้วค่อยพยายามเปลี่ยนเสียงของคลิป — ไม่ได้ผล Omni ไม่รองรับการแก้ไขเสียง และการอัปโหลดเสียงอ้างอิงก็ไม่ได้รับการรองรับบนโมเดลนี้ เสียงที่มันสร้างขึ้นมาคือเสียงที่คุณต้องส่งมอบออกไป

ทั้งสองอย่างไม่มีอยู่ในแคตตาล็อกของเรา และนั่นก็เป็นสิ่งที่ควรพูดถึง

OrcaRouter ไม่ได้กำหนดเส้นทางให้กับทั้งสองโมเดลนี้ google/gemini-omni-1.2-flash ส่งคืน 404 เมื่อเทียบกับหน้าโมเดลที่ใช้งานจริงของเรา และ checkpoint ของ Ming-3.0 ไม่มี endpoint ที่โฮสต์ไว้เลย — พวกมันเป็นไฟล์ดาวน์โหลดจาก Hugging Face พร้อมเส้นทาง vLLM-Omni ที่ยังเป็น pull request ณ เวลาที่ตรวจสอบครั้งล่าสุด ไม่มีการเรียก API ของเราที่ไปถึงทั้งสองโมเดลนี้ และหน้านี้ขอระบุเช่นนั้นดีกว่าที่จะสื่อเป็นนัยเป็นอย่างอื่น

จุดที่เกตเวย์สร้างคุณค่าได้จริงคือชั้นข้อความที่ทั้งสองเวิร์กโฟลว์ต้องผ่าน ได้แก่ สคริปต์ รายการช็อต การตรวจสอบคุณภาพเสียงของแบรนด์ และการตรวจสอบที่จับได้ว่าคลิปใดมีการข้ามคำสั่งไป นั่นคือคีย์เดียวที่ใช้ได้กับมากกว่า 200 โมเดลพร้อมการสลับเมื่อเกิดข้อขัดข้องอัตโนมัติ และ DSL สำหรับกำหนดเส้นทางเพื่อประกอบขั้นตอนต่างๆ ให้เป็นการเรียกครั้งเดียว ในด้านราคา OrcaRouter คิดค่าบริการโดยไม่มีมาร์กอัป 0% และส่งต่อราคาตามรายการของผู้ให้บริการโดยตรง ดังนั้นเมื่อ Google ปรับอัตราวิดีโอของ Omni จาก $17.50 เป็น $12.00 ต่อหนึ่งล้านโทเค็นเอาต์พุตเมื่อวันที่ 5 พฤศจิกายน การเปลี่ยนแปลงก็มีผลฝั่งเราในวันเดียวกัน

การตัดสินใจ ฉบับย่อ

หากปัญหาของคุณคือเสียง — เสียงหนึ่งที่เฉพาะเจาะจง ทำซ้ำได้ อาจผ่านการปรับแต่งละเอียด หรืออาจเป็นภาษาเฉพาะถิ่น — Ming-3.0-tts คือเครื่องมือที่ใช่ และเหตุผลก็คือสัญญาอนุญาต MIT มันจะไม่ให้ภาพแก่คุณ และไม่เคยถูกออกแบบมาเพื่อสิ่งนั้น

ถ้าปัญหาของคุณคือฉากที่มีคนอยู่ในนั้น และเสียงเพียงแค่ต้องฟังดูสมจริงและตรงจังหวะ Gemini Omni 1.2 Flash เป็นเพียงตัวเดียวในสองตัวที่ทำได้ และทำได้ในราคาที่คุณคำนวณได้ก่อนเริ่ม

สิ่งที่ทั้งสองจะไม่ทำคือปล่อยให้คุณกำหนดเสียงและภาพแยกจากกัน ช่องว่างนั้นคือสุดยอดของเทคโนโลยี ณ เดือนพฤศจิกายน 2026 จริง ๆ และเวิร์กโฟลว์ใดก็ตามที่คุณสร้างขึ้นต้องหลบเลี่ยงช่องว่างนี้แทนที่จะเดินผ่านมันไป