Gemini Omni 1.2 Flash vs. Nano Banana 2.1: Einunddreißig Standbilder für einen Clip

Kalkulieren Sie einen dreißigsekündigen Produktwerbespot, und Sie brauchen zwei Google-Modelle, nicht eines. Nano Banana 2.1 ist die Standbild-Maschine – Endpunkt gemini-nano-banana-2.1, allgemein verfügbar seit 6. Oktober 2026, 0,0336 $ für ein 1K-Bild, 0,0504 $ bei 2K und 0,113 $ bei 4K. Gemini Omni 1.2 Flash ist die Bewegtbild-Maschine: allgemein verfügbar seit 5. November 2026, etwa 0,07 $ pro Sekunde 720p-Video, was einen fünfzehnsekündigen Clip auf knapp 1,05 $ bringt. Teilt man das eine durch das andere, kostet ein einzelner fünfzehnsekündiger Render ungefähr so viel wie einunddreißig 1K-Standbilder. Dieses Verhältnis ist die gesamte Entscheidung, und es ist ein Verhältnis, das die meisten Teams genau falsch herum ansetzen, weil sie das Modell bepreisen statt das Endprodukt.

Beide sind von Google, beide werden nach Verbrauch abgerechnet, beide tragen SynthID, und beide haben eine Namens-Eigenheit, die Integrationen stolpern lässt: Der Anzeigename und die Endpoint-ID sind nicht so geformt, wie man es erwartet. Nano Banana ist Googles Produktname für die native Bildgenerierung von Gemini, und die neueste Version hört auf den Namen gemini-nano-banana-2.1, während ihr Vorgänger gemini-3.1-flash-image heißt. Die neueste Version von Omni hört auf den Namen gemini-omni-1.2-flash. Keiner der Namen verrät, welche Modalität man kauft.

Was jeder Einzelne zurückgibt

Nano Banana 2.1 nimmt Text, Bilder, Videos und PDFs entgegen und gibt Bilder und Text aus – in 1K, 2K oder 4K mit Denkstufen minimal, mittel oder hoch. Es unterstützt bis zu 14 Referenzbilder für Multi-Image-Fusion – genug für vier Charaktere und Objekttreue über zehn Objekte hinweg – und bietet Grounding über Google Search und Image Search. Die Token-Limits liegen bei 131.072 Eingabe- und 32.768 Ausgabe-Token.

Gemini Omni 1.2 Flash nimmt Text, Bild und Video entgegen und gibt Video mit nativem, synchronisiertem Audio zurück – drei bis fünfzehn Sekunden bei 24 Bildern pro Sekunde, in 360p, 720p, 1080p oder 4K, wobei die beiden höchsten Auflösungen hochskaliert werden. Es unterstützt bis zu sechs Referenzbilder pro Anfrage sowie Referenzvideos von bis zu drei Sekunden. Es akzeptiert dieselben 131.072 Eingabe-Tokens und gibt bis zu 65.536 zurück.

• Ausgabe — Bilder und Text gegenüber Video mit nativem Audio.

• Dauer — ein Frame gegenüber drei bis fünfzehn Sekunden, erweiterbar auf insgesamt 30 Sekunden.

• Referenzbilder — bis zu 14 gegenüber bis zu sechs.

• Auflösungen — native 1K-, 2K- und 4K-Stufen im Vergleich zu 360p, 720p, 1080p und 4K, wobei die beiden höchsten hochskaliert werden.

• Denksteuerung – minimal, mittel, hoch gegenüber keiner; Omni bietet überhaupt keine Temperatur-, top_p- oder Systemanweisungen.

• Eingabetypen — Text, Bild, Video und PDF gegen Text, Bild und Video.

• Preis — 0,0336 $ pro 1.000 Bilder gegenüber etwa 0,07 $ pro Sekunde 720p.

Die Arithmetik eines dreißigsekündigen Werbespots

Nimm einen realistischen Workflow statt eines Benchmarks. Du hast acht Einstellungen, um dreißig Sekunden zu füllen, jede zwei bis vier Sekunden lang, und du möchtest das Bild auswählen, das überzeugt, bevor du für die Bewegung bezahlst.

Auf der Standbild-Seite generieren Sie vier Kandidaten pro Einstellung in 2K: zweiunddreißig Bilder zu je 0,0504 $, also 1,61 $. Sehen Sie sie durch, wählen Sie acht aus und skalieren Sie die Gewinner für 0,113 $ pro Bild auf 4K hoch: weitere 0,90 $. Damit liegen Sie mit etwa 2,51 $ im Projekt und haben acht freigegebene Frames.

Jetzt animieren. Acht Einstellungen mit jeweils etwa drei Sekunden ergeben 24 Sekunden in 720p, plus Wiederholungen – und Omnis konversationelle Bearbeitung bedeutet, dass Wiederholungen der normale Workflow sind, nicht die Ausnahme. Sagen wir zwei Takes pro Einstellung: 48 Sekunden Ausgabe zu $0,07, etwa $3,36. Dann die Finalversionen hochskalieren: 24 Sekunden zu $0,104 pro Sekunde für 1080p, etwa $2,50, oder das Doppelte für 4K.

Nennen wir es 8 bis 9 Dollar alles inklusive, wobei etwa ein Drittel davon für Standbilder ausgegeben wird. Das ist die Form einer echten Rechnung, und deshalb ist das Verhältnis „31 Standbilder pro Clip“ irreführend, wenn man es als Ratschlag versteht. Die Standbilder sind keine Alternative zum Clip. Sie sind der günstige Teil, der entscheidet, ob sich der Clip überhaupt lohnt.

Wo das Verhältnis wirklich ins Gewicht fällt, ist eine andere Frage: Ist dieses Ergebnis ein Bild oder eine Bewegtbildsequenz? Ein Katalog mit 500 Produktbildern ist ein 25-Dollar-Nano-Banana-Job oder ein 525-Dollar-Omni-Job, und in diesem Vergleich gibt es keinen Wettstreit zu schlichten. Der Fehler besteht darin, Video zu generieren, weil der Prompt etwas beschrieben hat, das sich bewegt.

Referenzbilder, bei denen das günstigere Modell das leistungsfähigere ist

Dies ist der kontraintuitive Befund des Vergleichs, und er lässt sich in beiden Dokumenten überprüfen. Nano Banana 2.1 akzeptiert bis zu 14 Referenzbilder. Gemini Omni 1.2 Flash akzeptiert bis zu sechs.

Googles eigene Formulierung für die sechs Referenzen von Omni ist konkret: bis zu drei Bilder pro Figur, für bis zu zwei Figuren, plus Produkt- und Stilreferenzen. Die Modellkarte nennt es „verbesserte Konsistenz von Charakteren und Motiven über bis zu 6 Referenzbilder“, und im Launch-Post wird beschrieben, wie Gesichter, Kleidungsstücke, Verpackungstypografie und Markenfarben über verschiedene Blickwinkel hinweg konsistent gehalten werden. Der Referenzvideo-Pfad ist separat und nach Dauer gestaffelt – Ausgaben von elf bis fünfzehn Sekunden benötigen ein Referenzvideo von bis zu drei Sekunden, Ausgaben von drei bis zehn Sekunden bis zu drei – und Referenzvideos funktionieren nur bei der Neugenerierung, nicht beim Bearbeiten oder Erweitern.

Die vierzehn von Nano Banana 2.1 zielen auf ein anderes Problem ab: mehrere Subjekte zu einer Szene zu verschmelzen, wobei die Karte für vier Charaktere und zehn Objekte Detailtreue beansprucht. Das ist eine Compositing-Fähigkeit, keine Kontinuitätsfähigkeit, und sie eignet sich für Katalogarbeit – dieselbe Tasche in zehn verschiedene Räume zu stellen, ohne die Tasche neu zu zeichnen.

Die praktische Konsequenz: Wenn Ihre Aufgabe „dieselbe Figur, viele Aufnahmen“ lautet, ist Omnis Werkzeug mit sechs Referenzen und drei pro Figur das besser spezifizierte. Wenn Ihre Aufgabe „viele Objekte, ein Bild“ lautet, ist es Nano Bananas Werkzeug mit vierzehn. Referenzen zu zählen und einen Sieger zu küren, trifft es genau falsch.

Textdarstellung – darin unterscheiden sich diese Modelle tatsächlich.

Beide Modelle sind ungewöhnlich gut bei lesbarer Typografie, und für beide ist es die Fähigkeit, die am meisten verändert, was man ausliefern kann.

Die aufgeführten Fortschritte von Nano Banana 2.1 gegenüber Nano Banana 2 sind visuelle Qualität, Prompt-Treue, Multi-Turn-Charakterkonsistenz und Textwiedergabe sowie eine Korrektur für breite Panorama-Seitenverhältnisse – 1:4, 4:1, 1:8 und 8:1 werden bei 2K und 4K nicht mehr gekachelt. Wenn es sich bei Ihrem Deliverable um eine Infografik, ein Poster oder ein UI-Mockup handelt, ist diese Kombination das ganze Produkt.

Die entsprechende Behauptung von Omni 1.2 betrifft Text in Bewegung: Lesbarkeit von Beschriftungen, Diagrammanimationen, Callouts auf dem Bildschirm. Googles Launch-Material stützt sich darauf, und der einzige verfügbare unabhängige Praxistest – zwanzig Generierungen von Rohit Rao von Segmind, 16,17 US-Dollar an Credits – ergab, dass beschriftete Erklärvideos und Diagrammanimationen aus einem vorgegebenen Endbild die Bereiche waren, in denen das Modell am besten abschnitt, während fotorealistische Personen von Grund auf der Bereich waren, in dem es versagte. Sein Fazit lautete, es sei „das instruktionsgenaueste Videomodell, das ich getestet habe“, mit der Einschränkung, dass etwa jede vierte Anweisung übersprungen wird.

Beachte, was das für die Kombination bedeutet: Die am besten belegte Verwendung von Omni 1.2 ist das Animieren einer Grafik, die du bereits entworfen hast. Was eine Aufgabe für Nano Banana 2.1 ist.

Auflösung, Hochskalierung und was „4K“ wert ist

Beide werben mit 4K, und keiner meint damit dasselbe.

Nano Banana 2.1 generiert in 1K, 2K oder 4K als wählbaren Ausgabestufen, und Google bepreist sie separat: 0,0336 $, 0,0504 $ und 0,113 $ pro Bild. Die Token-Abrechnung spiegelt echte Pixel wider – 1.120 Tokens für ein 1K-Bild, 1.680 für 2K, 3.780 für 4K.

Die Anleitung von Gemini Omni 1.2 Flash sagt ausdrücklich, dass 1080p und 4K hochskaliert werden. Die Preisgestaltung richtet sich nach dem Token-Verbrauch statt nach einem nativen Rendering, mit 8.688 Tokens pro Sekunde für 1080p und 17.376 für 4K gegenüber 5.792 bei 720p. Ein 15-Sekunden-4K-Clip kostet also etwa 3,14 US-Dollar, und die höchste Stufe ist eine Vergrößerung eines kleineren Renderings statt bei der Aufnahme erfasster Details. Für die Auslieferung an Social Media ist das in Ordnung. Für Broadcast sollten Sie es testen, bevor Sie es versprechen.

Der Workflow, in den beide gehören

Googles eigene empfohlene Omni-Disziplin lautet: günstig entwerfen, iterieren, dann den Gewinner hochskalieren: 360p oder 720p zum Erkunden, 1080p oder 4K für das Finale. Das Äquivalent bei Nano Banana ist, mit 1K zu generieren und die Auswahl hochzuskalieren. Führt man sie nacheinander aus, ergibt sich die Reihenfolge von selbst – zuerst Stills, um Komposition und Typografie festzulegen, dann Bewegung auf den Frames, die die Prüfung überstanden haben, dann ein abschließendes Hochskalieren von beidem.

Es gibt eine harte Grenze. Omni akzeptiert kein Bild als Video-Ergebnis, und Nano Banana akzeptiert kein Video als Bild-Ergebnis. Die Ausgabe keines der beiden Modelle kann als Bearbeitung derselben Modalität wieder in das andere Modell eingespeist werden – Omni kann seine eigenen Clips verlängern und konversationell bearbeiten, Nano Banana kann seine eigenen Standbilder bearbeiten, und keines wechselt zum anderen über.

Kauf eines der beiden über OrcaRouter

Keiner dieser beiden Endpunkte ist heute in unserem Katalog. google/gemini-nano-banana-2.1 und google/gemini-omni-1.2-flash liefern beide auf den Modellseiten von OrcaRouter 404, daher ist die Anbieter-API für beide der Weg. Was wir aus derselben Familie aber sehr wohl anbieten, ist der vorherige Bildgenerierungs-Endpunkt, google/gemini-3.1-flash-image-preview – Nano Banana 2 – zusammen mit Nano Banana Pro und den Gemini 3.8 Flash Textmodellen, was bedeutet, dass eine Bild-Pipeline, die nicht auf den neuesten Checkpoint festgelegt ist, ihre Planungs-, Prompt-Erweiterungs- und QA-Schritte mit einem Schlüssel ausführen kann.

Das ist die ehrliche Lage: Die Medienaufrufe gehen direkt, die Textaufrufe drumherum müssen es nicht. OrcaRouter rechnet mit 0 % Aufschlag ab und reicht die Listenpreise der Anbieter durch. Wenn Google also die Tarife für Nano Banana oder Omni ändert, erscheint die Änderung bei uns am selben Tag, an dem sie beim Anbieter erscheint, und automatisches Failover hält einen Prompt-Erweiterungsschritt am Laufen, wenn ein Anbieter beeinträchtigt ist.

Was man tatsächlich wählen sollte

Wenn das Ergebnis ein Einzelbild ist, das sich jemand ansieht – ein Packshot, eine Infografik, ein Hero-Bild, ein UI-Mock –, ist Nano Banana 2.1 pro Ausgabe dreißigmal günstiger, verarbeitet mehr als doppelt so viele Referenzen, akzeptiert PDFs und bietet eine Denksteuerung, die Omni nicht bereitstellt. Es gibt keine Variante dieser Entscheidung, in der Omni nach Leistung gewinnt.

Wenn das Lieferobjekt Bewegung ist, kann Nano Banana 2.1 es zu keinem Preis liefern, und der Vergleich endet dort.

Die Falle ist der mittlere Fall: ein Projekt, das eine „Videowerbung“ will, dessen schwierige Probleme aber alle Komposition, Typografie und Konsistenz sind. Das sind immer noch Probleme. Löse sie mit dem Modell, das drei Cent pro Frame kostet, und lass Omni acht freigegebene Frames animieren statt zweiunddreißig spekulative. Das Verhältnis von einunddreißig zu eins ist kein Argument für das Standbildmodell. Es ist ein Argument dafür, es zuerst zu verwenden.