Gemini Omni 1.2 Flash vs Qwen3.8-Omni-Flash: la palabra «Omni» desempeña dos funciones

La propia estimación publicada por Alibaba sitúa el coste de leer una hora de vídeo en 720p con Qwen3.8-Omni-Flash en unos veinte centavos. El precio de lista de Google para una hora de 720p generada con Gemini Omni 1.2 Flash es de 252 dólares. Ambos modelos se llaman Omni. Ambos aceptan texto, imagen, audio y vídeo. Uno interpreta el metraje y responde en texto; el otro produce metraje y responde con un archivo. La diferencia de precio entre ellos no es una señal competitiva, porque no compiten: es el coste de fabricar un segundo de realidad frente al coste de describirlo.

Esto importa porque la comparación se hace constantemente y casi siempre con el modelo equivocado por parte de Google. Todos los artículos "Qwen Omni versus Gemini" en circulación —incluida la tabla comparativa que Alibaba mismo publicó— comparan Qwen3.8-Omni-Flash con Gemini 3.8 Flash, un modelo de salida de texto a 0,75 USD por millón de tokens de entrada. Ese es el rival correcto. Gemini Omni 1.2 Flash, disponible de forma general desde el 5 de noviembre de 2026, es un producto diferente con una tarifa diferente, y no hay ninguna comparación directa publicada entre los dos en ningún sitio.

Qué es realmente Qwen3.8-Omni-Flash

El equipo Qwen de Alibaba lo lanzó el 18 de septiembre de 2026 como el sucesor de Qwen3.5-Omni-Plus, construido sobre la arquitectura Qwen3.8-Flash-Next. Lo primero que hay que dejar claro es la modalidad de salida, porque el nombre invita a una suposición equivocada: produce texto y solo texto. No genera vídeo y, a diferencia de su predecesor, tampoco genera voz. Todo lo que tiene de omni está en el lado de la entrada.

En ese aspecto es inusualmente capaz. La ventana de contexto es de un millón de tokens, con aproximadamente 991.000 disponibles para la entrada y 131.000 para la salida. Una sola llamada puede procesar una hora de vídeo continuo. Maneja estéreo de doble canal y audio espacial de cuatro canales, y así es como Qwen logra su truco estrella: localizar una fuente de sonido en una sala y señalarla, el tipo de capacidad que un equipo de robótica o de analítica de reuniones llevaba tiempo esperando. El reconocimiento de voz cubre 74 idiomas además de 39 dialectos chinos; la síntesis de voz cubre 29 idiomas en los modelos hermanos. Existe una variante en tiempo real, Qwen3.8-Omni-Flash-Realtime, que funciona sobre WebSocket o WebRTC con salida de voz y 56 voces en un contexto de 192K.

El precio es la parte agresiva: $0,15 por millón de tokens de entrada, $0,47 por millón de salida y $0,016 por millón para entrada en caché. Los pesos están cerrados. Es solo API, a través de Alibaba Cloud Model Studio y los propios endpoints de Qwen, compatible con OpenAI, en seis regiones.

Qué es realmente Gemini Omni 1.2 Flash

El modelo de Google va en la dirección opuesta. Entran texto, imágenes, audio y vídeo; sale vídeo de tres a quince segundos con audio sincronizado, en incrementos de un segundo, en 16:9 o 9:16. Puedes generar borradores en 360p o 720p y escalarlos a 1080p o 4K. Una solicitud puede incluir hasta seis imágenes de referencia, un clip de movimiento de hasta tres segundos y señales de audio, y la edición multiturno te permite sustituir un producto, cambiar el clima o reencuadrar la toma sin regenerarlo todo. La extensión añade de tres a diez segundos por turno hasta un límite de 30 segundos. Todo lleva marca de agua de SynthID.

La versión 1.2 es tanto una reducción de precio como un lanzamiento de capacidades: la salida de vídeo cayó de $17.50 a $12.00 por millón de tokens, aproximadamente $0.07 por segundo de 720p, una caída del 30 %. La entrada de texto se mantiene en $1.50 por millón y la salida de texto en $9.00 por millón. Los límites de frecuencia del nivel de pago se duplicaron ese mismo día. Google no publicó puntuaciones de benchmark con el lanzamiento —solo afirmaciones cualitativas sobre la adherencia a la referencia, la sincronización labial y la continuidad de cámara.

Tres trampas de costos que solo aparecen cuando ejecutas ambos

El presupuesto de razonamiento se factura como salida. Qwen3.8-Omni-Flash establece su modo de pensamiento predeterminado en "xhigh", con un presupuesto de razonamiento de hasta 262.000 tokens que se cobra a la tarifa de salida. Una sola solicitud que piensa mucho sobre un vídeo largo puede costar alrededor de $0,123 solo en razonamiento, lo que es más de seiscientas veces lo que sugiere la estimación de lectura de vídeo, y la razón por la que algunos equipos reportan el modelo como costoso cuando su volumen real de material es trivial. Limita el presupuesto de pensamiento antes de evaluar cualquier cosa.

La cifra por hora de video es una estimación del proveedor. Alibaba no publica una tarifa de tokens por segundo para la ingesta de video, por lo que la cifra de "veinte centavos por hora" no puede derivarse de forma independiente de la hoja de precios. Las tarifas de $0.15/$0.47 son verificables; la conversión por hora es la aritmética de Qwen, y un análisis publicado ya ha señalado que la afirmación de que es un 98 % más barato que Gemini no es verificable exactamente por esta razón.

El costo de render se multiplica por tomas, no por entregables. Un clip de quince segundos cuesta $1.05. Seis versiones cortas son $6.30, pero nadie acierta seis de seis al primer intento. Con tres intentos por toma buena, esas mismas seis versiones cortas cuestan $18.90, y ese es el número que va en el presupuesto. Además, Google limita a 30 segundos una secuencia unida, así que cualquier cosa más larga es una segunda pasada de generación, no una extensión.

Un pipeline resuelto: treinta minutos de entrada, seis clips de salida

Aquí es donde ambos modelos se ganan un lugar, y donde la distribución de costos resulta contraintuitiva.

Lee el máster. Qwen3.8-Omni-Flash toma el vídeo de origen de 30 minutos y devuelve una transcripción con turnos de habla, texto en pantalla, una lista de planos con códigos de tiempo y una breve lista de los momentos en los que alguien dice algo citable. Según la estimación de Alibaba, eso supone aproximadamente diez centavos de entrada. Añade una pasada de razonamiento para elegir los seis mejores momentos y seguirás por debajo de un cuarto de dólar — siempre que el presupuesto esté limitado.

Genera los cortes. Seis clips de quince segundos con Gemini Omni 1.2 Flash, tres tomas de cada uno: 18,90 $. Las imágenes de referencia del producto mantienen el envase coherente en los seis; las señales de audio mantienen inteligible el diálogo; la edición multiturno corrige los dos que se desvían.

Vuelve a leer las salidas. Los seis clips terminados vuelven a pasar por Qwen3.8-Omni-Flash para confirmar que el texto en pantalla es legible, que el diálogo coincide con el guion y que el lip-sync de nadie se ha desfasado ni un fotograma. Seis clips son noventa segundos de vídeo. El coste de la lectura es insignificante; la comprobación es lo que hace defendible la factura del render.

El patrón es general: en este par, el análisis es barato y la generación es cara, entre dos y tres órdenes de magnitud. Los equipos que presupuestan lo contrario —asumiendo que el modelo "inteligente" debe ser el costoso— subaprovisionan la línea de renderizado y sobreaprovisionan la línea de lectura en todos los casos.

El récord del benchmark, y de quién son estas cifras.

Todo lo publicado sobre Qwen3.8-Omni-Flash proviene de un único lugar: la propia evaluación de Alibaba, publicada como un artículo de arXiv el 22 de septiembre de 2026. Frente a Gemini 3.8 Flash, gana en WildClawBench-MM por 71,0 a 58,9, en SpotSoundBench por 67,2 a 39,7, y en diarización de reuniones por un margen enorme: una tasa de error de diarización de 3,35 frente a 72,6. Pierde en OmniVideoBench por 63,4 a 65,2 y en AgenticVBench por 36,8 a 45,0. Nada de esto ha sido reproducido de forma independiente, y nada de ello involucra a Gemini Omni 1.2 Flash, que no lee vídeo dentro de una ventana de contexto en absoluto.

El lado de Google del balance está más vacío. El anuncio de Gemini Omni 1.2 Flash no contiene cifras: ni Elo, ni tasa de victorias, ni conjunto de pruebas comparativas. Las comparaciones son cualitativas: mejor coincidencia con la referencia que 1.1, diálogo más fluido, sincronización labial más clara y menos cortes abruptos. Los lanzamientos de NVIDIA y Alibaba al menos llegan con tablas; el de Google llega con adjetivos.

Así que la postura honesta sobre «cuál es mejor» es que la pregunta no tiene una respuesta medida y no la tendrá hasta que alguien ejecute ambos en la misma tarea. Lo que puede afirmarse con confianza es más limitado y más útil: los números de Qwen se obtuvieron frente a un modelo de salida de texto a una quinta parte del precio de entrada, y no se transferirán a un generador de video, porque los dos sistemas se evalúan con instrumentos completamente distintos.

Donde los dos proveedores realmente coinciden

No en el modelo. En el contrato empresarial. Ambos están cerrados, ambos son solo API, ambos están bloqueados por región de maneras que importan — Alibaba presta servicio en Pekín, Singapur, Hong Kong, Tokio, Fráncfort y Virginia; las funciones de edición de Google para video subido no están disponibles en partes de Europa. Una empresa de medios que elige un proveedor está eligiendo un acuerdo de procesamiento de datos y una jurisdicción tanto como una capacidad.

También vale la pena señalar lo que ninguno de los dos hará. Qwen3.8-Omni-Flash no puede producir un fotograma, y Omni 1.2 Flash de Google no puede responder a una pregunta sobre un clip de diez minutos. Quien consolide en un solo proveedor para reducir los costos de adquisición descubrirá que la consolidación le cuesta una capacidad, en cualquier dirección en la que consolide. La nota de migración de Google plantea el mismo punto desde el otro lado: a partir del 3 de diciembre de 2026, las solicitudes a gemini-omni-1.1-flash serán respondidas por 1.2 a precios de 1.2, sin cambios en el código — un recordatorio de que los endpoints cerrados avanzan según el calendario del proveedor, no el tuyo.

Qué cubre OrcaRouter y qué no cubre

Ninguno de estos dos modelos está en OrcaRouter, y este artículo no pretenderá lo contrario. Lo que sí está en la plataforma es la capacidad adyacente para construir el pipeline anterior sin un segundo y un tercer contrato.

El lado de lectura lo cubre Qwen3.8 Flash: texto, imagen y vídeo de entrada, texto de salida, un contexto de un millón de tokens, análisis de vídeo largo, facturado a 0,15 $ por millón de tokens de entrada y 0,47 $ por millón de salida — el mismo precio y el mismo perfil que la variante Omni, menos las funciones de audio espacial. El lado de renderizado lo cubre Kling 3.0 Omni a 0,084 $ por petición para texto a vídeo e imagen a vídeo con clips de 3 a 15 segundos. Ambos están detrás de una única clave, lo que significa que un fan-out que envía la misma fuente a un lector y a un escritor es una regla de enrutamiento y no un proyecto de integración; la conmutación por error automática hace que un fallo puntual de un proveedor no detenga una campaña en mitad del renderizado; y el margen del 0 % es un traspaso directo del precio de lista del proveedor, así que el día que un proveedor cambie una tarifa, la cifra de nuestro lado cambiará con ella.

Cómo decidir en los próximos diez minutos

Si tu problema es que tienes metraje y no hay forma de buscarlo, subtitularlo o encontrar el momento en que el presentador menciona el precio, compra el lado de Qwen. Limita primero el presupuesto de razonamiento y mide tu tasa de ingesta real en lugar de confiar en la estimación por hora.

Si tu problema es que tienes una foto de producto y una fecha límite, y no tienes equipo de cámara, compra la opción de Google y calcula tres tomas por cada toma buena en lugar de una.

Si tienes ambos problemas, que es lo que tienen en realidad la mayoría de los equipos, deja de buscar un ganador. Los dos modelos mencionados en el primer párrafo de este artículo nunca aparecerán en la misma tabla comparativa, porque uno de ellos produce un archivo y el otro produce un párrafo sobre el archivo. El único número que los conecta es el que nadie publica: cuántas horas de vídeo lee tu organización por cada hora que produce.