Gemini Omni 1.2 Flash so với Ming 3.0: Giọng nói bên trong video, hay giọng nói tự thân?

"Ming 3.0" không phải là một mô hình. Đó là một họ gồm năm checkpoint từ inclusionAI, phòng nghiên cứu của Ant Group, và tất cả chúng đều xoay quanh âm thanh: Ming-3.0-audio-flash đọc âm thanh và trả lời bằng văn bản, Ming-3.0-audio-tiny là phiên bản anh em 9B của nó, Ming-3.0-tts-0.5B và Ming-3.0-tts-tiny chuyển văn bản thành giọng nói, còn Ming-3.0-asr-tiny phiên âm âm thanh đó. Không mô hình nào trong số chúng tạo ra dù chỉ một khung hình video. Gemini Omni 1.2 Flash, được cung cấp rộng rãi từ ngày 5 tháng 11 năm 2026, tạo ra video dài từ ba đến mười lăm giây với âm thanh đồng bộ, với mức khoảng $0.07 mỗi giây cho đầu ra 720p.

{{1}}Vậy nên so sánh trực tiếp giữa chúng là một lỗi phân loại — với một ngoại lệ hóa ra lại chính là toàn bộ câu chuyện.{{/1}} {{2}}Tuyên bố mới thực chất nhất của Gemini Omni 1.2 Flash là về giọng nói: Google nói rằng nó tạo ra "đối thoại trôi chảy hơn, nghe tự nhiên hơn, đồng bộ khẩu hình rõ hơn và điều kiện hóa đa người nói riêng biệt."{{/2}} {{3}}Ming-3.0-tts chỉ làm một phiên bản hẹp của công việc đó, trên phần cứng của chính bạn, theo giấy phép MIT, miễn phí cho mỗi lần gọi.{{/3}} {{4}}Nếu thứ bạn thực sự cần từ một trong hai hệ thống là một bản âm thanh giọng nói, thì câu đó chính là sự so sánh.{{/4}} {{5}}Nếu bạn cần giọng nói gắn với một khuôn mặt đang bước qua một căn phòng được chiếu sáng, chỉ một bên của trang này có thể giúp bạn.{{/5}}

Gia đình, từng điểm kiểm soát một

Đáng để trình bày rõ ràng, vì cách đặt tên dễ gây nhầm lẫn và các mốc thời gian thì rải rác.

• Ming-3.0-audio-flash — 126B tổng tham số với 6.5B được kích hoạt mỗi token, một MoE âm thanh-ngôn ngữ gốc nhận đầu vào là âm thanh và văn bản rồi trả về văn bản, với mô-đun Talker tùy chọn có thể nói ra câu trả lời. Trọng số đã có mặt trên Hugging Face vào ngày 3 tháng 9 năm 2026, khoảng 259 GB chia thành 25 shard. Thẻ mô hình thực sự, các tài nguyên benchmark và việc cấp phép lại theo MIT chỉ xuất hiện vào ngày 19 tháng 10 năm 2026 — sáu tuần sau khi checkpoint ra mắt.

• Ming-3.0-audio-tiny — biến thể 9B của cùng ý tưởng, được công bố cùng ngày.

• Ming-3.0-tts-0.5B — một mô hình chuyển văn bản thành giọng nói dense 0,5B trên nền Qwen2.5-0.5B, hỗ trợ bảy ngôn ngữ cùng tiếng Tứ Xuyên và tiếng Quảng Đông, nhân bản zero-shot từ một đoạn clip tham chiếu ngắn và thiết kế giọng nói từ mô tả bằng ngôn ngữ tự nhiên. Tải lên ngày 22 tháng 9 năm 2026.

• Ming-3.0-tts-tiny — phiên bản TTS nhỏ hơn cùng dòng, cùng ngày.

• Ming-3.0-asr-tiny — phần phiên âm, ngày 14 tháng 10 năm 2026.

Nhãn 3.0 bao hàm một ngăn xếp giọng nói, chứ không phải một mô hình đa phương thức chủ lực. Điều đó quan trọng vì việc tìm kiếm "Ming 3.0" cùng với một mô hình video gợi ý rằng ai đó tin điều ngược lại, và dòng Ming quả thực có một mô hình omni — Ming-flash-omni-2.0, được công bố vào tháng 2 năm 2026 — nhưng đó là một thế hệ khác với tên gọi khác, và nó không phải là thứ mà các checkpoint 3.0 đại diện.

Điểm chồng lấn thực sự nằm ở: track hội thoại

Bỏ các vật chứa đi, và cả hai hệ thống đều có thể tạo ra một người biết nói. Chúng đi đến đó từ những hướng đối lập nhau.

Gemini Omni 1.2 Flash tạo ra toàn bộ cảnh. Bạn đưa câu lệnh cho một cảnh quay, và nếu câu lệnh có hội thoại, hoặc nếu bạn hướng câu lệnh theo hội thoại, mô hình sẽ tích hợp giọng nói vào video cùng với âm thanh môi trường và nhạc. Âm thanh được tạo mặc định; tài liệu hướng dẫn cho biết mô hình "sẽ cố gắng tạo một bản âm thanh phù hợp" dù bạn có yêu cầu hay không. Chất lượng hội thoại là tuyên bố khi ra mắt chứ không phải chỉ số được chấm điểm, và Google không công bố bất kỳ chuẩn đánh giá âm thanh nào. Đường dẫn tham chiếu nằm trong danh sách cho phép trên Google Cloud: bạn có thể cung cấp mẫu giọng nói dài một giây làm tín hiệu âm thanh, nhưng mô hình ở phiên bản hiện tại không hỗ trợ tải lên đầu vào âm thanh hoặc tham chiếu âm thanh, âm thanh của video tham chiếu bị bỏ qua và không hỗ trợ chỉnh sửa giọng nói. Bạn có thể dùng câu lệnh để tạo ra một giọng nói. Bạn không thể loại bỏ một giọng nói và thay thế nó.

Ming-3.0-tts chỉ làm một việc: văn bản vào, giọng nói ra, với giọng điệu nằm trong tầm kiểm soát của bạn. Nhân bản zero-shot từ một clip tham chiếu ngắn, thiết kế giọng nói từ mô tả bằng chữ, mười bốn thẻ cận ngôn ngữ nội tuyến, cùng các thiết lập rõ ràng về cảm xúc, tốc độ, cao độ và âm lượng. Các con số Seed-TTS do nhà cung cấp báo cáo là WER tiếng Trung 0.800% với SIM 0.758, và WER tiếng Anh 1.584% với SIM 0.691; trên NVBench single-Chinese, nó báo cáo CER 2.70, PCER 22.80 và OCER 3.20, tốt nhất trong số các mô hình mà nó liệt kê. Đó là những con số của chính inclusionAI, chưa được tái lập, in ngay trên thẻ.

Đặt cạnh nhau, cách phân định thẳng thắn là thế này. Omni cho bạn một giọng nói mà bạn không chỉ định, gắn với một màn thể hiện mà bạn cũng không chỉ định, với giá khoảng một đô-la cho một clip mười lăm giây. Ming-3.0-tts cho bạn khả năng kiểm soát chính xác đúng một thuộc tính — giọng nói nghe như thế nào — và đưa cho bạn một dạng sóng âm không kèm hình ảnh nào.

Chi phí của từng mục, tính theo các đơn vị không đáp ứng

Cách tính của Omni đơn giản và công khai. $12,00 cho mỗi triệu token đầu ra video, được Google quy đổi ở mức 5.792 token mỗi giây 720p, tương đương khoảng $0,07 một giây. Một clip dài mười lăm giây tốn khoảng $1,05. Bản nháp 360p cùng độ dài khoảng $0,35, còn bản nâng cấp 4K khoảng $3,14. Không có gói miễn phí, nên một phiên tạo nguyên mẫu là một hóa đơn thật.

Ming không có giá theo từng lần gọi vì không có endpoint được lưu trữ cho nó. Chi phí nằm ở phần cứng. Với Ming-3.0-audio-flash ở ngữ cảnh 128K, cấu hình tham chiếu vLLM-Omni của chính inclusionAI là song song tensor trên bốn H800 80 GB, với phương án dự phòng tám GPU khi âm thanh dài hết bộ nhớ và Talker được đặt trên GPU 7. SGLang có một cấu hình bốn GPU đã được xác thực cho đầu ra văn bản, và SGLang-Omni chạy toàn bộ pipeline trên hai GPU — thinker trải trên hai GPU, bộ mã hóa âm thanh trên GPU 0, tổng hợp giọng nói trên GPU 1. Ming-3.0-tts-0.5B đủ nhỏ để thử nghiệm trên một H800-80GB hoặc H20-96G với CUDA 12.4.

Việc chuyển đổi cái này sang cái kia chính là chỗ người ta mắc sai lầm. "Miễn phí sau vốn đầu tư" so với "bảy xu một giây" tạo ra một con số phụ thuộc hoàn toàn vào mức sử dụng, và ở mức mười clip một tuần thì GPU đắt hơn hẳn tính theo mỗi giây đầu ra. Với khối lượng liên tục thì nó rẻ hơn hẳn. Không có tỷ giá nào đúng cho cả hai trường hợp.

Giấy phép và kiểm soát, đó chính là lý do thực sự để chọn Ming

Mọi thứ trong dòng Ming-3.0 đều dùng giấy phép MIT, kèm một tệp tuyên bố từ chối trách nhiệm pháp lý riêng. Điều đó có nghĩa là bạn được dùng cho mục đích thương mại, chỉnh sửa, tinh chỉnh trên dữ liệu giọng nói của chính mình và phân phối lại — chỉ cần ghi công, không cần xin phép. Nếu điểm khác biệt của sản phẩm bạn nằm ở một giọng nói, một phương ngữ, hay một bản đọc thương hiệu buộc phải nghe giống hệt nhau mỗi lần, thì việc có thể tinh chỉnh checkpoint không phải là thứ có thì tốt. Đó chính là toàn bộ năng lực cốt lõi.

Gemini Omni 1.2 Flash là một đánh đổi ngược lại. Không có trọng số, không tinh chỉnh, không chỉnh sửa giọng nói, kiến trúc không được tiết lộ, điều khoản dịch vụ chi phối đầu ra và hình mờ SynthID trên mọi khung hình và mọi giây âm thanh dù bạn có muốn hay không. Tính năng chỉnh sửa hoặc kéo dài video đã tải lên không khả dụng ở EEA, Thụy Sĩ và Vương quốc Anh — một hạn chế khu vực khiến đề xuất chỉnh sửa hội thoại bị loại bỏ hoàn toàn đối với các nhóm làm việc tại những thị trường đó. Đổi lại, bạn có một endpoint hoạt động ngay hôm nay, clip 15 giây, nâng cấp lên 4K, tối đa sáu ảnh tham chiếu mỗi yêu cầu để đảm bảo tính nhất quán của nhân vật và sản phẩm, cùng một mức giá bạn có thể dự báo.

• Trọng số — các checkpoint MIT không vướng Apache mà bạn có thể sở hữu, thay vì một mô hình đóng do nhà cung cấp vận hành.

• Đầu ra — dạng sóng giọng nói đối chiếu với video có âm thanh đồng bộ.

• Điều khiển giọng nói — nhân bản, thiết kế, cảm xúc và cài đặt cao độ so với chỉ dùng lời nhắc, không chỉnh sửa giọng nói.

• Tinh chỉnh — có sẵn trên mọi checkpoint Ming, không khả dụng trên Omni ở bất kỳ mức giá nào.

• Thời gian đến kết quả đầu tiên — tải xuống từ 34 GB trở lên và một môi trường, so với một khóa API và một lần kết xuất từ 28 đến 136 giây.

• Chi phí biên — một giờ GPU so với khoảng 0,07 đô la mỗi giây đầu ra.

Quy trình nơi cả hai xuất hiện

Có một quy trình làm việc thực tế sử dụng cả hai, và đáng để nói rõ vì đây là nơi duy nhất mà sự so sánh chuyển thành một quyết định.

Một nhóm sản phẩm viết kịch bản cho một đoạn quảng cáo mười lăm giây, tạo giọng nói bằng Ming-3.0-tts dựa trên một giọng thương hiệu đã được nhân bản, rồi sau đó hoặc khớp khẩu hình cảnh quay với bản âm thanh đó, hoặc dùng dạng sóng làm tham chiếu thời gian cho một lần render Omni. Bước TTS tốn một phút GPU và cho phép kiểm soát chính xác nhịp độ và cách phát âm. Bước Omni tốn khoảng một đô-la và cho ra một cảnh quay. Làm theo thứ tự đó nghĩa là bạn sửa kịch bản trước khi chi tiền cho video, đây cũng chính là kỷ luật nháp-rồi-hoàn thiện mà Google khuyên dùng nội bộ với bản nháp 360p và bản nâng cấp 4K.

Làm theo cách ngược lại — tạo clip rồi cố thay giọng của nó — không hiệu quả. Omni không hỗ trợ chỉnh sửa giọng nói và việc tải lên tệp âm thanh tham chiếu không được mô hình hỗ trợ. Âm thanh nó tạo ra chính là âm thanh bạn phát hành.

Cả hai đều không có trong danh mục của chúng tôi, và điều đó đáng để nói ra.

OrcaRouter không định tuyến cho cả hai mô hình. google/gemini-omni-1.2-flash trả về 404 khi truy cập các trang mô hình đang hoạt động của chúng tôi, còn các checkpoint Ming-3.0 hoàn toàn không có endpoint được host nào — chúng là các bản tải xuống từ Hugging Face với một đường dẫn vLLM-Omni mà tính đến lần kiểm tra gần nhất vẫn còn là pull request. Không có lời gọi nào tới API của chúng tôi chạm được tới một trong hai mô hình, và trang này muốn nói thẳng điều đó hơn là ngụ ý điều ngược lại.

Nơi gateway thực sự có chỗ đứng là lớp văn bản mà cả hai quy trình đều chạy qua: kịch bản, danh sách cảnh quay, QA giọng điệu thương hiệu, bản kiểm toán bắt được clip mà ở đó một chỉ dẫn đã bị bỏ qua. Đó là một khóa duy nhất xuyên suốt hơn 200 mô hình với tự động chuyển đổi dự phòng, và một DSL định tuyến để kết hợp các bước thành một lệnh gọi duy nhất. Về phía giá cả, OrcaRouter tính phí với mức tăng giá 0% và chuyển nguyên giá niêm yết của nhà cung cấp, nên khi Google thay đổi mức giá video của Omni từ $17.50 thành $12.00 cho mỗi triệu token đầu ra vào ngày 5 tháng 11, thay đổi đó đã có hiệu lực ở phía chúng tôi ngay trong ngày.

Quyết định, được tóm gọn

Nếu vấn đề của bạn là một giọng nói — một giọng cụ thể, có thể lặp lại, có thể đã được tinh chỉnh, có thể thuộc một phương ngữ — thì Ming-3.0-tts là công cụ phù hợp và giấy phép MIT chính là lý do. Nó sẽ không cho bạn một bức tranh và nó chưa bao giờ được tạo ra để làm vậy.

Nếu vấn đề của bạn là một cảnh có người trong đó, và giọng nói chỉ cần nghe hợp lý và khớp, thì Gemini Omni 1.2 Flash là lựa chọn duy nhất trong hai lựa chọn có thể làm được điều đó, và nó làm được với mức giá bạn có thể tính toán trước khi bắt đầu.

Điều mà cả hai đều không làm là cho phép bạn quyết định giọng nói và hình ảnh một cách tách biệt. Khoảng trống đó chính là hiện trạng công nghệ vào tháng 11 năm 2026, và bất kỳ quy trình làm việc nào bạn xây dựng đều phải đi vòng qua nó thay vì đi xuyên qua nó.