Gemini Omni 1.2 Flash vs. Qwen3.8-Omni-Flash: Das Wort „Omni“ erledigt zwei Aufgaben

Alibabas eigene veröffentlichte Schätzung beziffert die Kosten für das Auswerten einer Stunde 720p-Video mit Qwen3.8-Omni-Flash auf etwa zwanzig Cent. Googles Listenpreis für eine Stunde generiertes 720p von Gemini Omni 1.2 Flash beträgt 252 US-Dollar. Beide Modelle heißen Omni. Beide akzeptieren Text, Bild, Audio und Video. Das eine liest Filmmaterial und antwortet in Text; das andere schreibt Filmmaterial und antwortet mit einer Datei. Die Preisdifferenz zwischen ihnen ist kein Wettbewerbssignal, denn sie konkurrieren nicht – sie ist der Preis dafür, eine Sekunde Realität herzustellen, gegenüber dem Preis dafür, eine zu beschreiben.

Das ist wichtig, weil dieser Vergleich ständig angestellt wird und dabei fast immer das falsche Modell auf der Google-Seite herangezogen wird. Jeder im Umlauf befindliche Artikel „Qwen Omni versus Gemini“ – einschließlich der von Alibaba selbst veröffentlichten Benchmark-Tabelle – vergleicht Qwen3.8-Omni-Flash mit Gemini 3.8 Flash, einem Text-Out-Modell für 0,75 US-Dollar pro Million Eingabetokens. Das ist der richtige Rivale. Gemini Omni 1.2 Flash, allgemein verfügbar seit dem 5. November 2026, ist ein anderes Produkt mit einer anderen Abrechnung, und es gibt nirgends einen veröffentlichten direkten Vergleich zwischen den beiden.

Was Qwen3.8-Omni-Flash tatsächlich ist

Alibabas Qwen-Team hat es am 18. September 2026 als Nachfolger von Qwen3.5-Omni-Plus veröffentlicht, aufgebaut auf der Architektur Qwen3.8-Flash-Next. Zunächst gilt es, die Ausgabemodalität klarzustellen, denn der Name verleitet zu einer falschen Annahme: Es erzeugt Text und nur Text. Es generiert kein Video, und anders als sein Vorgänger erzeugt es auch keine Sprache. Alles, was daran „omni" ist, liegt auf der Eingabeseite.

In dieser Hinsicht ist es ungewöhnlich leistungsfähig. Das Kontextfenster umfasst eine Million Tokens, wobei etwa 991.000 für die Eingabe und 131.000 für die Ausgabe verfügbar sind. Ein einzelner Aufruf kann eine Stunde durchgehendes Video verarbeiten. Es verarbeitet Zweikanal-Stereo und vierkanaliges räumliches Audio – womit Qwen seinen großen Paradetrick erzielt: eine Schallquelle in einem Raum zu lokalisieren und darauf zu deuten, genau die Art von Fähigkeit, auf die ein Robotik- oder Meeting-Analytics-Team gewartet hat. Die Spracherkennung deckt 74 Sprachen plus 39 chinesische Dialekte ab; die Sprachsynthese deckt in den Schwestermodellen 29 Sprachen ab. Es gibt eine Echtzeitvariante, Qwen3.8-Omni-Flash-Realtime, die über WebSocket oder WebRTC mit Sprachausgabe und 56 Stimmen bei einem 192K-Kontext läuft.

Der aggressive Teil ist die Preisgestaltung: 0,15 $ pro Million Eingabe-Tokens, 0,47 $ pro Million Ausgabe-Tokens und 0,016 $ pro Million für zwischengespeicherte Eingabe. Die Gewichte sind geschlossen. Es ist nur über die API verfügbar, über Alibaba Cloud Model Studio und die eigenen Endpunkte von Qwen, OpenAI-kompatibel, in sechs Regionen.

Was Gemini Omni 1.2 Flash tatsächlich ist

Googles Modell geht den umgekehrten Weg. Text, Bilder, Audio und Video gehen hinein; heraus kommen drei bis fünfzehn Sekunden Video mit synchronisiertem Audio, in Sekundenschritten, im Format 16:9 oder 9:16. Man kann in 360p oder 720p entwerfen und auf 1080p oder 4K hochskalieren. Eine Anfrage kann bis zu sechs Referenzbilder, einen Bewegungsclip von bis zu drei Sekunden und Audiohinweise enthalten, und durch Bearbeitung über mehrere Runden lässt sich ein Produkt austauschen, das Wetter ändern oder der Bildausschnitt neu festlegen, ohne das Ganze neu zu generieren. Eine Verlängerung fügt pro Runde drei bis zehn Sekunden hinzu, bis zu einer Obergrenze von 30 Sekunden. Alles ist mit SynthID mit einem Wasserzeichen versehen.

Das Release 1.2 ist ebenso eine Preissenkung wie ein Funktions-Release: Die Videoausgabe sank von $17.50 auf $12.00 pro Million Tokens – etwa $0.07 pro Sekunde bei 720p, ein Rückgang um 30 %. Die Texteingabe bleibt bei $1.50 pro Million und die Textausgabe bei $9.00 pro Million. Die Ratenlimits der bezahlten Stufe wurden am selben Tag verdoppelt. Google veröffentlichte mit dem Release keine Benchmark-Werte – nur qualitative Aussagen zur Referenztreue, zum Lip-Sync und zur Kamerakontinuität.

Drei Kostenfallen, die erst auftauchen, wenn man beides laufen lässt

Das Reasoning-Budget wird als Output abgerechnet.Qwen3.8-Omni-Flash setzt seinen Denkmodus standardmäßig auf „xhigh“; dabei liegt das Reasoning-Budget bei bis zu 262.000 Tokens, die zum Output-Tarif abgerechnet werden. Eine einzelne Anfrage, die intensiv über ein langes Video nachdenkt, kann allein für das Reasoning rund 0,123 US-Dollar kosten – mehr als das Sechshundertfache dessen, was die Schätzung für das Video-Lesen nahelegt, und der Grund dafür, dass einige Teams das Modell als teuer melden, obwohl ihr tatsächliches Videomaterialvolumen vernachlässigbar ist. Begrenzen Sie das Denkbudget, bevor Sie irgendetwas benchmarken.

Die Video-Kennzahl pro Stunde ist eine Schätzung des Anbieters. Alibaba veröffentlicht keine Tokens-pro-Sekunde-Rate für die Videoaufnahme, daher lässt sich die Zahl von „zwanzig Cent pro Stunde“ nicht unabhängig aus der Preisliste ableiten. Die Tarife von 0,15 $/0,47 $ sind überprüfbar; die Umrechnung pro Stunde ist Qwens Arithmetik, und eine veröffentlichte Analyse hat die Behauptung, 98 % günstiger als Gemini zu sein, bereits genau aus diesem Grund als nicht überprüfbar eingestuft.

Die Renderkosten vervielfachen sich mit der Anzahl der Takes, nicht mit der Anzahl der Deliverables. Ein fünfzehnsekündiger Clip kostet 1,05 $. Sechs Cutdowns kosten 6,30 $ – doch niemand schafft beim ersten Durchlauf sechs von sechs. Bei drei Versuchen pro brauchbarem Take kosten dieselben sechs Cutdowns 18,90 $, und diese Zahl gehört ins Budget. Google begrenzt außerdem eine zusammengesetzte Sequenz auf 30 Sekunden, sodass alles Längere ein zweiter Generierungsdurchlauf ist, keine Verlängerung.

Eine durchgerechnete Pipeline: dreißig Minuten rein, sechs Clips raus

Hier kommen beide Modelle ins Spiel, und hier ist die Kostenverteilung kontraintuitiv.

Lies die Masterdatei. Qwen3.8-Omni-Flash nimmt das 30-minütige Ausgangsvideo und liefert ein Transkript mit Sprecherwechseln, Bildschirmtext, eine Shotliste mit Timecodes und eine kurze Liste der Momente, in denen jemand etwas Zitierbares sagt. Nach Alibabas Schätzung sind das rund zehn Cent Input. Kommt ein Thinking-Pass hinzu, um die sechs besten Momente auszuwählen, bleibt man noch unter 25 Cent – solange das Budget gedeckelt ist.

Rendere die Kurzversionen. Sechs 15-Sekunden-Clips von Gemini Omni 1.2 Flash, jeweils drei Takes: 18,90 $. Referenzbilder des Produkts halten die Verpackung über alle sechs hinweg konsistent; Audio-Cues halten den Dialog verständlich; mehrstufige Bearbeitung korrigiert die beiden, die abweichen.

Lies die Ausgaben zurück. Die sechs fertigen Clips gehen zurück in Qwen3.8-Omni-Flash, um zu bestätigen, dass der Text auf dem Bildschirm lesbar ist, der Dialog zum Skript passt und niemandem die Lippensynchronisation um ein Frame verrutscht ist. Sechs Clips sind neunzig Sekunden Video. Die Kosten fürs Einlesen sind vernachlässigbar; die Prüfung ist das, was die Render-Rechnung verteidigbar macht.

Das Muster ist allgemein: Bei diesem Paar ist die Analyse billig und die Generierung teuer – um zwei bis drei Größenordnungen. Teams, die das Gegenteil veranschlagen – in der Annahme, das „intelligente“ Modell müsse das kostspielige sein –, versorgen die Render-Linie jedes Mal zu knapp und die Read-Linie zu reichlich.

Der Benchmark-Rekord und wessen Zahlen das sind

Alles, was über Qwen3.8-Omni-Flash veröffentlicht wurde, stammt aus einer einzigen Quelle: Alibabas eigener Evaluation, die am 22. September 2026 als arXiv-Paper veröffentlicht wurde. Gegen Gemini 3.8 Flash gewinnt es WildClawBench-MM mit 71,0 zu 58,9, SpotSoundBench mit 67,2 zu 39,7 und bei der Besprechungs-Diarisierung mit enormem Abstand – einer Diarisierungsfehlerrate von 3,35 gegenüber 72,6. Es verliert OmniVideoBench mit 63,4 zu 65,2 und AgenticVBench mit 36,8 zu 45,0. Nichts davon wurde unabhängig reproduziert, und nichts davon betrifft Gemini Omni 1.2 Flash, das Video überhaupt nicht in ein Kontextfenster einliest.

Googles Seite der Bilanz ist leerer. Die Ankündigung von Gemini Omni 1.2 Flash enthält keine Zahlen – kein Elo, keine Siegquote, keine Benchmark-Suite. Die Vergleiche sind qualitativ: besseres Reference-Matching als 1.1, flüssigere Dialoge, klareres Lip-Sync, weniger Jump Cuts. NVIDIAs und Alibabas Veröffentlichungen kommen zumindest mit Tabellen; Googles kommt mit Adjektiven.

Die ehrliche Position zu der Frage „Was ist besser“ ist also, dass es darauf keine gemessene Antwort gibt und auch keine geben wird, bis jemand beide auf derselben Aufgabe laufen lässt. Was sich mit Sicherheit sagen lässt, ist enger und nützlicher: Qwens Zahlen wurden gegen ein Modell mit Textausgabe zu einem Fünftel des Eingabepreises erzielt, und sie werden sich nicht auf einen Videogenerator übertragen lassen, weil die beiden Systeme mit völlig unterschiedlichen Instrumenten bewertet werden.

Wo sich die beiden Anbieter tatsächlich überschneiden

Nicht beim Modell. Beim Enterprise-Vertrag. Beide sind geschlossen, beide ausschließlich über API, beide auf relevante Weise regionsgebunden – Alibaba bedient Peking, Singapur, Hongkong, Tokio, Frankfurt und Virginia; Googles Bearbeitungsfunktionen für hochgeladene Videos sind in Teilen Europas nicht verfügbar. Ein Medienunternehmen, das einen Anbieter wählt, wählt ebenso sehr eine Datenverarbeitungsvereinbarung und eine Rechtsordnung wie eine Funktion.

Es ist auch erwähnenswert, was keines von beiden leisten kann. Qwen3.8-Omni-Flash kann kein Einzelbild erzeugen, und Google's Omni 1.2 Flash kann keine Frage zu einem zehnminütigen Clip beantworten. Wer sich auf einen einzigen Anbieter konsolidiert, um Beschaffungsaufwand zu senken, wird feststellen, dass ihm die Konsolidierung eine Fähigkeit kostet – egal, in welche Richtung er konsolidiert. Der Migrationshinweis von Google macht denselben Punkt von der anderen Seite deutlich: Ab dem 3. Dezember 2026 werden Anfragen an gemini-omni-1.1-flash von 1.2 zu 1.2-Preisen beantwortet, ohne Änderung am Code – eine Erinnerung daran, dass sich geschlossene Endpunkte nach dem Zeitplan des Anbieters richten, nicht nach Ihrem.

Was OrcaRouter abdeckt – und was nicht.

Keines dieser beiden Modelle ist auf OrcaRouter verfügbar, und dieser Beitrag wird nicht so tun, als wäre es anders. Was auf der Plattform vorhanden ist, ist die angrenzende Kapazität, die oben beschriebene Pipeline ohne einen zweiten und dritten Vertrag aufzubauen.

Die Leseseite wird abgedeckt von Qwen3.8 Flash: Text, Bild und Video rein, Text raus, ein Kontextfenster von einer Million Tokens, Langvideo-Analyse, abgerechnet mit 0,15 $ pro Million Input- und 0,47 $ pro Million Output-Tokens – derselbe Preis und dasselbe Profil wie bei der Omni-Variante, abzüglich der Spatial-Audio-Funktionen. Die Rendering-Seite wird abgedeckt von Kling 3.0 Omni mit 0,084 $ pro Anfrage für Text-to-Video und Image-to-Video mit 3–15-Sekunden-Clips. Beide liegen hinter einem einzigen Schlüssel, was bedeutet, dass ein Fan-out, der dieselbe Quelle an einen Reader und einen Writer schickt, eine Routing-Regel statt eines Integrationsprojekts ist; automatisches Failover bedeutet, dass ein Aussetzer eines Anbieters eine Kampagne nicht mitten im Rendering stoppt; und der Aufschlag von 0 % ist eine direkte Weitergabe des Listenpreises des Anbieters, sodass sich die Zahl auf unserer Seite mitändert, sobald ein Anbieter einen Preis ändert.

Wie Sie sich in den nächsten zehn Minuten entscheiden

Wenn dein Problem darin besteht, dass du Material hast und es nicht durchsuchen, untertiteln oder den Moment finden kannst, in dem der Präsentator den Preis erwähnt – dann setz auf die Qwen-Seite. Begrenze zuerst das Denkbudget und miss deine tatsächliche Ingest-Rate, statt der Schätzung pro Stunde zu vertrauen.

Wenn Ihr Problem darin besteht, dass Sie ein Produktfoto und eine Deadline, aber kein Kamerateam haben, setzen Sie auf die Google-Seite und planen Sie drei Takes pro brauchbarem Ergebnis statt nur einem ein.

Wenn Sie beide Probleme haben – was auf die meisten Teams tatsächlich zutrifft –, hören Sie auf, nach einem Sieger zu suchen. Die beiden im ersten Absatz dieses Artikels genannten Modelle werden nie in derselben Benchmark-Tabelle erscheinen, weil eines von ihnen eine Datei erzeugt und das andere einen Absatz über die Datei. Die einzige Zahl, die sie verbindet, ist die, die niemand veröffentlicht: wie viele Stunden Video Ihre Organisation liest, für jede Stunde, die sie erzeugt.