Gemini Omni 1.2 Flash vs Nano Banana 2.1: treinta y un fotogramas fijos para un solo clip

Presupuesta un anuncio de producto de treinta segundos y necesitarás dos modelos de Google, no uno. Nano Banana 2.1 es la máquina de imágenes fijas: endpoint gemini-nano-banana-2.1, disponible de forma general desde el 6 de octubre de 2026, 0,0336 $ por una imagen 1K, 0,0504 $ en 2K y 0,113 $ en 4K. Gemini Omni 1.2 Flash es la máquina de movimiento: disponible de forma general desde el 5 de noviembre de 2026, unos 0,07 $ por segundo de vídeo 720p, lo que sitúa un clip de quince segundos cerca de 1,05 $. Divide uno entre el otro y un único render de quince segundos cuesta aproximadamente lo mismo que treinta y una imágenes fijas 1K. Esa ratio es toda la decisión, y es una ratio que la mayoría de los equipos invierte porque pone precio al modelo en lugar de al entregable.

Ambos son de Google, ambos se facturan por uso, ambos llevan SynthID y ambos tienen una peculiaridad de nombres que hace tropezar a las integraciones: el nombre visible y el ID de endpoint no tienen la forma que esperas. Nano Banana es el nombre de producto de Google para la generación de imágenes nativa de Gemini, y el más reciente responde a gemini-nano-banana-2.1, mientras que su predecesor es gemini-3.1-flash-image. El más reciente de Omni responde a gemini-omni-1.2-flash. Ninguno de los nombres te dice qué modalidad estás comprando.

Lo que devuelve cada uno

Nano Banana 2.1 acepta texto, imágenes, vídeo y PDF como entrada, y devuelve imágenes y texto como salida, en 1K, 2K o 4K, con niveles de pensamiento mínimo, medio o alto. Admite hasta 14 imágenes de referencia para la fusión de múltiples imágenes —suficiente para cuatro personajes y para mantener la fidelidad de los objetos en diez objetos— y realiza fundamentación con Google Search e Image Search. Sus límites de tokens son 131.072 de entrada y 32.768 de salida.

Gemini Omni 1.2 Flash acepta texto, imágenes y vídeo, y devuelve vídeo con audio sincronizado nativo, de tres a quince segundos a 24 fotogramas por segundo, en 360p, 720p, 1080p o 4K, donde las dos últimas se reescalan. Admite hasta seis imágenes de referencia por solicitud, además de vídeos de referencia de hasta tres segundos. Acepta los mismos 131.072 tokens de entrada y devuelve hasta 65.536.

• Salida — imágenes y texto sobre vídeo con audio nativo.

• Duración — un fotograma frente a tres o quince segundos, ampliable a un total de 30 segundos.

• Imágenes de referencia: hasta 14 frente a hasta seis.

• Resoluciones: niveles nativos de 1K, 2K y 4K frente a 360p, 720p, 1080p y 4K, con los dos superiores reescalados.

• Control del pensamiento — mínimo, medio, alto frente a ninguno; Omni no expone temperatura, top_p ni instrucciones de sistema en absoluto.

• Tipos de entrada — texto, imagen, video y PDF frente a texto, imagen y video.

• Precio — $0.0336 por 1K de imágenes frente a aproximadamente $0.07 por segundo de 720p.

La aritmética de un anuncio de treinta segundos

Usa un flujo de trabajo realista en lugar de un benchmark. Tienes ocho planos para llenar treinta segundos, de dos a cuatro segundos cada uno, y quieres elegir el fotograma que vende antes de pagar por el movimiento.

En el lado de las imágenes fijas, genera cuatro candidatos por toma en 2K: treinta y dos imágenes a $0.0504, o $1.61. Revísalos, elige ocho y amplía los ganadores a 4K a $0.113 cada uno: otros $0.90. Llevas invertidos unos $2.51 en el proyecto y tienes ocho fotogramas aprobados.

Ahora, anima. Ocho tomas de unos tres segundos cada una son 24 segundos en 720p, más los reintentos; y la edición conversacional de Omni hace que los reintentos sean el flujo de trabajo normal, no la excepción. Digamos dos tomas por plano: 48 segundos de resultado a $0,07, unos $3,36. Luego escala los resultados finales: 24 segundos a $0,104 por segundo para 1080p, unos $2,50, o el doble para 4K.

Digamos de $8 a $9 en total, con aproximadamente un tercio gastado en imágenes fijas. Esa es la forma de una factura real, y es por eso que la proporción de «31 imágenes fijas por clip» es engañosa si la tomas como consejo. Las imágenes fijas no son una alternativa al clip. Son la parte barata que decide si vale la pena hacer el clip.

Dónde la relación sí que importa es otra cuestión: ¿este entregable es una imagen o una secuencia de movimiento? Un catálogo de 500 imágenes de producto es un trabajo de Nano Banana de $25 o un trabajo de Omni de $525, y en esa comparación no hay contienda que arbitrar. El error es generar vídeo porque el prompt describía algo que se mueve.

Imágenes de referencia, donde el modelo más barato es el más capaz

Este es el hallazgo contraintuitivo de la comparación y es verificable en ambos documentos. Nano Banana 2.1 acepta hasta 14 imágenes de referencia. Gemini Omni 1.2 Flash acepta hasta seis.

El propio planteamiento de Google para las seis referencias de Omni es específico: hasta tres imágenes por personaje, para hasta dos personajes, además de referencias de producto y de estilo. La ficha del modelo lo describe como "una mejora de la consistencia de personajes y sujetos con hasta 6 imágenes de referencia", y la publicación de lanzamiento habla de mantener coherentes los rostros, las prendas, la tipografía de los envases y los colores de marca en distintos ángulos. La vía de los vídeos de referencia es independiente y se organiza por duración: las salidas de once a quince segundos admiten un vídeo de referencia de hasta tres segundos, y las salidas de tres a diez segundos admiten hasta tres; además, los vídeos de referencia solo funcionan para la generación nueva, no para editar ni extender.

Los catorce de Nano Banana 2.1 apuntan a un problema distinto: fusionar varios sujetos en una sola escena, y la ficha afirma fidelidad para cuatro personajes y diez objetos. Esa es una capacidad de composición, no de continuidad, y se adapta al trabajo de catálogo: poner el mismo bolso en diez habitaciones diferentes sin volver a dibujar el bolso.

La consecuencia práctica: si tu trabajo es «el mismo personaje, muchas tomas», las seis referencias de Omni con encuadre de tres por personaje son la herramienta mejor especificada. Si tu trabajo es «muchos objetos, una sola imagen», las catorce de Nano Banana lo son. Contar las referencias y declarar un ganador se equivoca por completo en esto.

El renderizado de texto, que es donde estos modelos realmente se diferencian

Ambos modelos son excepcionalmente buenos en tipografía legible, y para ambos es la capacidad que más cambia lo que puedes lanzar.

Los avances enumerados de Nano Banana 2.1 con respecto a Nano Banana 2 son la calidad visual, la fidelidad al prompt, la consistencia de personajes en conversaciones de varios turnos y el renderizado de texto, además de una corrección para las relaciones panorámicas amplias: 1:4, 4:1, 1:8 y 8:1 ya no se dividen en mosaicos a 2K y 4K. Si tu entregable es una infografía, un póster o un mockup de UI, esa combinación lo es todo.

La afirmación equivalente de Omni 1.2 se refiere al texto dentro del movimiento: legibilidad de las etiquetas, animación de gráficos, llamadas en pantalla. El material de lanzamiento de Google se apoya en ello, y la única prueba independiente práctica disponible —veinte generaciones de Rohit Rao, de Segmind, 16,17 dólares en créditos— concluyó que los explicativos con etiquetas y la animación de gráficos a partir de un fotograma final proporcionado eran los puntos donde el modelo rendía mejor, mientras que las personas fotorrealistas creadas desde cero eran donde fallaba. Su frase de resumen fue que es «el modelo de vídeo más exacto a las instrucciones que he probado», con la salvedad de que se omite aproximadamente una instrucción de cada cuatro.

Fíjate en lo que eso significa para la combinación: el uso documentado más sólido de Omni 1.2 es animar un gráfico que ya has diseñado. Lo cual es tarea de Nano Banana 2.1.

Resolución, reescalado y cuánto vale el «4K»

Ambos anuncian 4K y ninguno se refiere a lo mismo con eso.

Nano Banana 2.1 genera en 1K, 2K o 4K como niveles de salida seleccionables, y Google los tarifica por separado: 0,0336 $, 0,0504 $ y 0,113 $ por imagen. La contabilidad de tokens refleja los píxeles reales: 1.120 tokens para una imagen de 1K, 1.680 para 2K y 3.780 para 4K.

La guía de Gemini Omni 1.2 Flash deja claro que 1080p y 4K se escalan. El precio sigue el consumo de tokens en lugar de un render nativo, a 8.688 tokens por segundo para 1080p y 17.376 para 4K frente a 5.792 a 720p. Así que un clip de 4K de quince segundos cuesta unos 3,14 USD, y el nivel superior es una ampliación de un render más pequeño en lugar de detalle capturado en el momento de la captura. Para entrega en redes sociales está bien. Para emisión, pruébalo antes de prometerlo.

El flujo de trabajo al que ambos pertenecen

La propia disciplina Omni recomendada por Google consiste en generar borradores baratos, iterar y luego escalar el ganador: 360p o 720p para explorar, 1080p o 4K para el resultado final. El equivalente en Nano Banana es generar a 1K y escalar la opción elegida. Ejecútalos en serie y la secuencia se escribe sola: primero las imágenes fijas para fijar la composición y la tipografía, luego el movimiento en los fotogramas que superaron la revisión y, por último, un escalado final en ambos.

Existe un límite estricto. Omni no acepta una imagen como entregable de vídeo, y Nano Banana no acepta un vídeo como entregable de imagen. La salida de ninguno de los dos modelos puede devolverse al otro como una edición de la misma modalidad: Omni puede extender y editar conversacionalmente sus propios clips, Nano Banana puede editar sus propias imágenes fijas, y ninguno se pasa al terreno del otro.

Comprar cualquiera de los dos a través de OrcaRouter

Ninguno de estos dos endpoints está en nuestro catálogo hoy. google/gemini-nano-banana-2.1 y google/gemini-omni-1.2-flash devuelven ambos 404 en las páginas de modelos de OrcaRouter, así que la API del proveedor es la vía para ambos. Lo que sí servimos de la misma familia es el endpoint de generación de imágenes anterior, google/gemini-3.1-flash-image-preview — Nano Banana 2 — junto con Nano Banana Pro y los modelos de texto Gemini 3.8 Flash, lo que significa que un pipeline de imágenes que no esté fijado al checkpoint más reciente puede ejecutar sus pasos de planificación, expansión de prompts y QA con una sola clave.

Esa es la forma honesta de decirlo: las llamadas de medios van directas, las llamadas de texto que las rodean no tienen por qué. OrcaRouter factura con un 0 % de margen y repercute tal cual el precio de lista del proveedor, así que si Google cambia las tarifas de Nano Banana u Omni, el cambio aparece de nuestro lado el mismo día que aparece del suyo, y la conmutación automática por fallo mantiene activo un paso de expansión de prompts cuando un proveedor se degrada.

Qué elegir realmente

Si el entregable es una imagen que alguien va a mirar —una foto de producto, una infografía, una imagen principal, un mockup de UI—, Nano Banana 2.1 es treinta veces más barato por resultado, acepta más del doble de referencias, admite PDF y tiene un control de razonamiento que Omni no expone. No hay ninguna versión de esa decisión en la que Omni gane por méritos.

Si el entregable es movimiento, Nano Banana 2.1 no puede producirlo a ningún precio, y la comparación termina ahí.

La trampa es el caso intermedio: un proyecto que quiere un «anuncio de vídeo» pero cuyos problemas difíciles son todos de composición, tipografía y coherencia. Siguen siendo problemas. Resuélvelos con el modelo que cuesta tres centavos por fotograma y deja que Omni anime ocho fotogramas aprobados en lugar de treinta y dos especulativos. La proporción de treinta y uno a uno no es un argumento a favor del modelo de imágenes fijas. Es un argumento para usarlo primero.