Ming-3.0-audio-flash vs Gemini Omni 1.1 Flash: Một bên lắng nghe, một bên quay phim

Đặt Ming-3.0-audio-flash cạnh G​emini Omni 1.1 Flash và điều trung thực đầu tiên cần nói là bạn không thể thay thế cái này bằng cái kia, vì chúng làm những việc trái ngược nhau mà tình cờ lại dùng chung một từ. Ming-3.0-audio-flash là mô hình ngôn ngữ–âm thanh 126 tỷ tham số của inclusionAI — 6,5 tỷ tham số hoạt động trên mỗi token — nhận âm thanh và văn bản đầu vào rồi trả về văn bản, với một mô-đun Talker tùy chọn có thể đọc thành tiếng câu trả lời. Trọng số của nó đã có trên Hugging Face từ ngày 3 tháng 9 năm 2026 và thẻ mô hình của nó chưa tồn tại cho đến ngày 19 tháng 10. G​emini Omni 1.1 Flash là mô hình tạo video độc quyền của G​oogle, được cung cấp rộng rãi từ ngày 27 tháng 8 năm 2026, nhận lời nhắc văn bản hoặc hình ảnh và trả về một đoạn clip có âm thanh đồng bộ với giá $0.10 mỗi giây đầu ra 720p. Một bên tiêu thụ âm thanh. Bên kia sản xuất hình ảnh. Nếu một tìm kiếm đưa bạn đến đây với mong đợi một màn so tài trực diện, câu trả lời hữu ích không phải là người thắng cuộc; mà là khoảng trống nào trong hai khoảng trống đó là thứ bạn thực sự đang có.Các lỗi AI đã được ghi nhận và các tranh chấp về tuyên bố của nhà cung cấp đằng sau những so sánh như thế này được tập hợp trong OrcaRouter AI Incident Archive, nơi mỗi mục đều có nguồn riêng, mức độ nghiêm trọng, mức xếp hạng độ tin cậy và cờ tranh chấp.

“Omni” đã trở thành một từ ngữ tiếp thị bao trùm bất kỳ mô hình nào liên quan đến nhiều hơn một phương thức, và hai mô hình nằm ở hai cực đối lập của từ đó. Dòng Omni của Gemini là một trình tạo phương tiện với đầu vào đa phương thức toàn diện. Dòng 3.0 của Ming là một trình đọc phương tiện với đầu ra giọng nói tùy chọn. Cách định hình của cả hai nhà cung cấp đều không giúp dễ thấy sự khác biệt đó, và chưa có bên thứ ba nào đánh giá chuẩn mô hình này so với mô hình kia vì không có tác vụ chung để đánh giá chuẩn. Mọi thông tin dưới đây đều được ghi rõ nguồn: số liệu của Ming là của chính inclusionAI, được in trên thẻ mô hình và trong kho lưu trữ của họ, và chưa được tái lập; số liệu của Gemini là của Google, lấy từ tài liệu phát hành và bảng giá, và cũng chưa được chúng tôi kiểm toán như vậy.

Công việc duy nhất mà chúng trùng nhau

Có đúng một quy trình mà cả hai mô hình cùng xuất hiện trong một pipeline, và đáng để bắt đầu từ đó vì đây là nơi duy nhất mà việc so sánh thực sự đáng giá: tạo một clip rồi biết được trong đó có gì.

G​emini Omni 1.1 Flash tạo ra các clip dài mười giây, kéo dài chúng theo từng mốc mười giây đến mức trần bốn mươi giây, chấp nhận điều kiện hóa bằng khung hình đầu và cuối để bạn có thể cố định điểm bắt đầu và kết thúc của một cảnh quay, kết xuất ở 720p theo chuẩn với đầu ra 1080p và 4K được nâng cấp, đồng thời tích hợp sẵn lời thoại, hiệu ứng và âm thanh nền được đồng bộ vào tệp. Nó cũng nhận âm thanh và tối đa ba giây video tham chiếu làm đầu vào. Điều nó không làm là đưa cho bạn một bản chép lời, danh sách người nói hoặc câu trả lời cho câu hỏi "phần tường thuật thực sự đã khẳng định điều gì."

Ming-3.0-audio-flash đảm nhận nửa đó. Thẻ mô hình của nó tuyên bố khả năng nhận dạng giọng nói tiếng Trung và tiếng Anh, bao gồm cả giọng vùng miền và phương ngữ, hiểu âm thanh dài, cảm nhận âm thanh phi lời nói và âm nhạc, hỏi đáp về âm thanh, và xuất văn bản với tùy chọn trả lời bằng giọng nói. Nó nhận ngữ cảnh 128K token, điều mà bản cấu hình không công bố cho đến khi một commit ngày 13 tháng 10 nâng max_position_embeddings từ 8.192. Nếu sản phẩm của bạn là một quảng cáo được tạo ra mà phải được kiểm tra một tuyên bố về tuân thủ trong phần lời bình, thì hai mô hình là những bước bổ trợ cho nhau, chứ không phải những lựa chọn thay thế.

Đó là toàn bộ phần chồng lấn. Bên ngoài nó, sự so sánh tan biến.

Mỗi thứ tốn bao nhiêu, và tại sao những con số ấy không chịu so sánh với nhau

Đây là chỗ mà hầu hết các trang “vs” mắc lỗi, nên đáng để nói thẳng về các đơn vị.

• G​emini Omni 1.1 Flash — tính giá theo từng giây video được tạo. 0,10 USD mỗi giây ở 720p, không đổi so với bản xem trước tháng Sáu, với gói nháp 360p có giá khoảng một phần ba mức đó. Một cảnh bốn mươi giây ở chất lượng tiêu chuẩn tốn bốn đô la đầu ra trước khi tính các lần thử lại, và việc chỉnh sửa đa lượt theo hội thoại nghĩa là thử lại là quy trình bình thường chứ không phải ngoại lệ.

• Ming-3.0-audio-flash — hoàn toàn không được định giá, vì không có endpoint được host nào để định giá. Nó gồm 25 phân mảnh bfloat16 cùng một cặp Talker và VAE, vào khoảng 259 GB, và cấu hình phục vụ của chính nhà cung cấp cho ngữ cảnh 128K là song song tensor trên tám GPU H800 80 GB. Chi phí là một node, được phân bổ khấu hao trên bất kỳ thứ gì bạn chạy trên đó.

• Phép so sánh không tồn tại — số đô-la trên mỗi giây video đặt cạnh số giờ-GPU trên mỗi giờ âm thanh. Không hề có tỷ giá quy đổi nào. Bất kỳ ai công bố một con số như vậy đều đang quy đổi giá thuê thành chi phí vốn rồi gọi kết quả đó là một chuẩn đánh giá.

Điều duy nhất có thể nói rõ ràng: giá của Gemini là công khai, tuyến tính và có thể hủy; còn của Ming là một quyết định về năng lực mà bạn đưa ra một lần rồi phải sống chung với nó. Với một đội ngũ sẽ ra mắt một tính năng vào tháng tới, sự khác biệt đó định đoạt câu hỏi trước cả chất lượng.

Tính sẵn có, theo ý nghĩa duy nhất thực sự quan trọng

Gemini Omni 1.1 Flash chỉ là một lệnh gọi API. Đây là mô hình do Google lưu trữ, không có trọng số, không có tùy chọn tự lưu trữ và không có nguồn cung cấp thứ hai; bạn nhận nó từ Google hoặc không nhận được. OrcaRouter không cung cấp nó, và bài viết này sẽ không giả vờ điều ngược lại.

Ming-3.0-audio-flash thì ngược lại: trọng số theo giấy phép MIT, được tải xuống từ Hugging Face, chạy trên phần cứng của bạn, không có endpoint nào ở bất kỳ đâu. Đoạn mã giúp nó có thể phục vụ mới hơn bộ trọng số sáu tuần. Kho lưu trữ GitHub inclusionAI/Ming-3.0-audio-flash được tạo vào ngày 15 tháng 10 năm 2026 và hiện chứa các tệp YAML triển khai cho ba cấu hình chỉ văn bản và Talker, hai ứng dụng khách mẫu, một hướng dẫn giọng nói 150 KB và một notebook cookbook. Nhánh chính của vLLM-Omni vẫn chưa có bộ chuyển đổi âm thanh-ngôn ngữ Ming-3.0; tích hợp Ming-3.0 duy nhất đang được xem xét nhắm đến checkpoint tổng hợp giọng nói 7.9B, không phải bản này. Vì vậy, con đường thực tế hiện nay là dùng Transformers với tính năng mã từ xa được bật, điều mà thẻ mô hình có ghi chú và đây là cách tốt để đánh giá một mô hình nhưng lại là cách tệ để vận hành một dịch vụ.

Có một sự bất đối xứng thứ ba đáng để gọi tên. Mô hình của G​emini đã đi được mười tám tháng trong một dòng sản phẩm có nhật ký thay đổi; Ming-3.0-audio-flash có 22 lượt tải xuống và không có đánh giá độc lập nào. Một bản tải lên âm thầm không phải là bằng chứng của sự yếu kém — đó là bằng chứng rằng nhà cung cấp chưa quyết định bán nó — nhưng điều đó có nghĩa là rủi ro của bạn ở phía Ming là tài liệu và hỗ trợ, chứ không phải năng lực.

Chất lượng: có thể tuyên bố những gì và bởi ai

Chỉ một phía trong phép so sánh này có những con số có thể đưa vào câu, và chúng thuộc về nhà cung cấp.

Trên chính các hình ảnh đánh giá của inclusionAI, Ming-3.0-audio-flash báo cáo tỷ lệ lỗi trung bình 3,45 cho nhận dạng giọng nói tiếng Trung, so với 9,83 của Gemini 3.8 Flash — lưu ý rằng đây là Gemini 3.8 Flash, mô hình đa phương thức tổng quát, chứ không phải mô hình video Omni trong bài viết này, và hai mô hình này thường bị nhầm lẫn với nhau trong các bài đưa tin về đợt ra mắt. Ở các phương ngữ, khoảng cách của nhà cung cấp còn nới rộng: trung bình 9,40 so với 48,41 của cùng mốc tham chiếu Gemini. Cùng những hình ảnh đó lại ít thuận lợi hơn ở những hạng mục khác. Lỗi phân tách người nói trên AMI là 25,29 so với 11,16 của MiMo-V2.6 Pro, và điểm Chain trên âm thanh dài là 12,31 so với 34,54 của Qwen3.8-Omni Flash và 49,63 của Gemini 3.8 Flash. Đó là các số liệu tự báo cáo, có gắn dấu hoa thị ở những chỗ nhà cung cấp tự đánh giá và chưa được tái lập.

Đối với Gemini Omni 1.1 Flash thì hoàn toàn không có gì để đối chiếu trên trục hiểu âm thanh, bởi vì Google không công bố điểm số ASR cho một mô hình tạo video. Những tuyên bố của nó xoay quanh ngữ cảnh hồi cứu, độ phân giải, kiểm soát khung hình và đồng bộ âm thanh. Đánh giá những điều đó dựa trên một mô hình phiên âm là một lỗi phân loại theo cả hai hướng.

Cái bẫy đặt tên đã tạo ra trang này

Ba mô hình Google bị nhầm lẫn với nhau trong mọi so sánh như thế này. Gemini Omni 1.1 Flash tạo video. Gemini Omni Flash, bản xem trước tháng 6, là phiên bản tiền nhiệm của nó. Gemini 3.8 Flash là mô hình đa phương thức đa dụng mà inclusionAI thực sự đã lấy làm chuẩn so sánh. Một bảng điểm đặt “Ming đối đầu với Gemini” mà không nói rõ là Gemini nào thì đang đo một mô hình phiên âm so với một mô hình tạo video, hoặc so với một mô hình văn bản, tùy ngày. Nếu bạn đến với một trong những bảng đó trên tay, hãy kiểm tra tiêu đề cột trước khi dùng nó để ra quyết định.

Vị trí thực tế của OrcaRouter ở đây

Chúng tôi không cung cấp mô hình nào trong hai mô hình đó. G​emini Omni 1.1 Flash do G​oogle lưu trữ và không có trong danh mục của chúng tôi; Ming-3.0-audio-flash có trọng số mở và cũng không nằm trong danh mục của chúng tôi. Thứ chúng tôi cung cấp là lớp văn bản xung quanh một pipeline như thế này — prompt tạo danh sách cảnh quay trước khi G​emini sinh ra nó, bước kiểm tra tuân thủ đọc bản ghi lời thoại của Ming sau đó, và việc định tuyến giữa chúng.

Đó là một tuyên bố nhỏ hơn so với những gì một trang mô hình thường đưa ra, và đó mới là tuyên bố đúng. Nếu một nhóm đang xây dựng vòng lặp tạo-rồi-kiểm tra được mô tả ở trên, hai lệnh gọi mô hình nằm sau các hợp đồng khác nhau, cách tính phí khác nhau và các kiểu lỗi khác nhau; việc đặt nửa phần văn bản phía sau một API cho hơn 200 mô hình mà không tính thêm phụ phí nghĩa là giá niêm yết của nhà cung cấp chính là giá bạn trả, nên khi nhà cung cấp giảm giá thì mức giảm có hiệu lực ngay trong cùng ngày, và chuyển đổi dự phòng tự động bao phủ các lệnh gọi không được ghim vào một mô hình cụ thể. Nó không bao phủ mô hình nào trong hai mô hình được nêu ở tiêu đề, và sẽ là không trung thực nếu ngụ ý rằng nó có bao phủ.

Bạn nên chọn cái nào

Nếu bạn cần hình ảnh, không cần phải đắn đo: G​emini Omni 1.1 Flash, với giá 0,10 USD mỗi giây, ngay hôm nay, kèm lưu ý rằng bốn mươi giây là giới hạn tối đa và mỗi lần gia hạn là thêm một lượt chạy. Nếu bạn cần biết nội dung trong một bản ghi — một cuộc họp, một cuộc gọi, một cuộc phỏng vấn đậm phương ngữ, một clip được tạo mà bạn phải xác minh — thì Ming-3.0-audio-flash là một ứng viên đáng cân nhắc xét trên chính các con số của nó, và bạn sẽ tự chạy nó trên phần cứng mà bạn vốn đã trả tiền.

Quyết định thực sự duy nhất là dành cho các đội cần cả hai, và với họ thì thứ tự rất quan trọng. Hãy xây dựng phía tạo sinh trên mô hình được lưu trữ, vì giá của nó đã biết và năng lực của nó là vấn đề của người khác. Hãy làm nguyên mẫu phía lắng nghe trên trọng số mở, vì checkpoint tải được ngay hôm nay dù câu chuyện phục vụ đã sáu tuần tuổi, và vì một nhà cung cấp đã phát hành 259 GB trọng số trước khi phát hành README là nhà cung cấp mà bạn có thể kiểm tra mô hình thay vì tin tưởng. Không cái nào trong hai là đặt cược vào cái còn lại.