Gemini Omni 1.2 Flash vs Nano Banana 2.1 : trente et une images fixes pour un seul clip

Budgétez une publicité produit de trente secondes et vous aurez besoin de deux modèles Google, pas d’un seul. Nano Banana 2.1 est la machine à images fixes — point d’accès gemini-nano-banana-2.1, disponible en général depuis le 6 octobre 2026, 0,0336 $ pour une image 1K, 0,0504 $ en 2K et 0,113 $ en 4K. Gemini Omni 1.2 Flash est la machine à mouvement : disponible en général depuis le 5 novembre 2026, environ 0,07 $ par seconde de vidéo 720p, ce qui place un clip de quinze secondes près de 1,05 $. Divisez l’un par l’autre et un seul rendu de quinze secondes coûte à peu près ce que coûtent trente et une images fixes 1K. Ce rapport est toute la décision, et c’est un rapport que la plupart des équipes inversent parce qu’elles évaluent le prix du modèle au lieu du livrable.

Les deux sont des produits Google, les deux sont facturés à l’usage, les deux embarquent SynthID, et les deux ont une bizarrerie de nommage qui perturbe les intégrations : le nom d’affichage et l’ID de point de terminaison ne se présentent pas comme on s’y attend. Nano Banana est le nom de produit de Google pour la génération d’images native de Gemini, et la plus récente répond au nom de gemini-nano-banana-2.1, tandis que son prédécesseur est gemini-3.1-flash-image. La plus récente d’Omni répond à gemini-omni-1.2-flash. Aucun de ces noms ne vous dit quelle modalité vous achetez.

Ce que chacun renvoie

Nano Banana 2.1 accepte en entrée du texte, des images, des vidéos et des PDF, et renvoie en sortie des images et du texte, en 1K, 2K ou 4K, avec des niveaux de réflexion minimal, moyen ou élevé. Il prend en charge jusqu’à 14 images de référence pour la fusion multi-images — de quoi assurer la fidélité de quatre personnages et de dix objets — et s’appuie sur l’ancrage Google Search et Image Search. Ses limites de tokens sont de 131 072 en entrée et de 32 768 en sortie.

Gemini Omni 1.2 Flash prend en entrée du texte, des images et des vidéos, et renvoie une vidéo avec un audio synchronisé natif, d'une durée de trois à quinze secondes à 24 images par seconde, en 360p, 720p, 1080p ou 4K, les deux résolutions les plus élevées étant suréchantillonnées. Il accepte jusqu'à six images de référence par requête, ainsi que des vidéos de référence d'une durée maximale de trois secondes. Il accepte les mêmes 131 072 jetons en entrée et en renvoie jusqu'à 65 536.

• Sortie — images et texte superposés à une vidéo avec audio natif.

• Durée — une image contre trois à quinze secondes, prolongeable jusqu’à un total de 30 secondes.

• Images de référence — jusqu’à 14 contre jusqu’à six.

• Résolutions — niveaux natifs 1K, 2K et 4K face à 360p, 720p, 1080p et 4K, les deux plus élevés étant suréchantillonnés.

• Contrôle du raisonnement — minimal, moyen, élevé, ou aucun ; Omni n’expose ni température, ni top_p, ni instructions système, et ce, du tout.

• Types d'entrée — texte, image, vidéo et PDF contre texte, image et vidéo.

• Prix — 0,0336 $ pour 1 000 images, contre environ 0,07 $ par seconde en 720p.

L’arithmétique d’un spot de trente secondes

Prenez un flux de travail réaliste plutôt qu’un benchmark. Vous avez huit plans pour remplir trente secondes, chacun de deux à quatre secondes, et vous voulez choisir l’image qui fait vendre avant de payer l’animation.

Côté images fixes, générez quatre candidats par plan en 2K : trente-deux images à 0,0504 $, soit 1,61 $. Passez-les en revue, choisissez-en huit, puis mettez à l’échelle les gagnantes en 4K à 0,113 $ chacune : 0,90 $ de plus. Vous en êtes à environ 2,51 $ sur le projet et vous disposez de huit images approuvées.

Maintenant, animez. Huit plans d'environ trois secondes chacun, cela fait 24 secondes de 720p, plus les nouvelles tentatives — et l'édition conversationnelle d'Omni signifie que les nouvelles tentatives sont le flux de travail normal, pas l'exception. Comptez deux prises par plan : 48 secondes de sortie à 0,07 $, soit environ 3,36 $. Ensuite, faites un upscale des versions finales : 24 secondes à 0,104 $ par seconde pour du 1080p, soit environ 2,50 $, ou le double pour la 4K.

Comptez 8 à 9 $ tout compris, dont environ un tiers consacré aux images fixes. Voilà à quoi ressemble une vraie facture, et c’est pourquoi le ratio « 31 images fixes par clip » est trompeur si on le prend pour un conseil. Les images fixes ne sont pas une alternative au clip. Elles constituent la partie bon marché qui décide si le clip vaut la peine d’être réalisé.

Là où le ratio fait vraiment mal, c'est sur une autre question : ce livrable est-il une image ou une séquence animée ? Un catalogue de 500 images produit, c'est un boulot à 25 $ avec Nano Banana ou à 525 $ avec Omni, et dans cette comparaison, il n'y a même pas de match à arbitrer. L'erreur, c'est de générer de la vidéo parce que le prompt décrivait quelque chose qui bouge.

Images de référence, où le modèle le moins cher est le plus performant

C'est là le constat contre-intuitif de cette comparaison, et il est vérifiable dans les deux documents. Nano Banana 2.1 accepte jusqu'à 14 images de référence. Gemini Omni 1.2 Flash en accepte jusqu'à six.

La formulation propre à Google pour les six d’Omni est précise : jusqu’à trois images par personnage, pour jusqu’à deux personnages, plus des références de produit et de style. La fiche modèle parle d’une « meilleure cohérence des personnages et des sujets sur jusqu’à 6 images de référence », et l’article de lancement décrit le maintien de la cohérence des visages, des vêtements, de la typographie des emballages et des couleurs de marque sous différents angles. La voie des vidéos de référence est distincte et graduée selon la durée — les sorties de onze à quinze secondes prennent une vidéo de référence allant jusqu’à trois secondes, les sorties de trois à dix secondes en prennent jusqu’à trois — et les vidéos de référence ne fonctionnent que pour une nouvelle génération, pas pour l’édition ou la prolongation.

Les quatorze fonctionnalités de Nano Banana 2.1 visent un problème différent : fusionner plusieurs sujets dans une seule scène, la fiche revendiquant la fidélité pour quatre personnages et dix objets. Il s’agit d’une capacité de composition, et non d’une capacité de continuité, et elle convient au travail de catalogue — placer le même sac dans dix pièces différentes sans redessiner le sac.

La conséquence pratique : si votre travail consiste à représenter « un même personnage, dans de nombreux plans », l'approche d'Omni — six références avec un cadrage de trois par personnage — est l'outil le mieux spécifié. Si votre travail consiste à représenter « de nombreux objets dans une seule image », c'est celle de Nano Banana, avec ses quatorze références. Compter les références et déclarer un gagnant donne exactement le résultat inverse.

Le rendu de texte, qui est justement là où ces modèles diffèrent vraiment

Les deux modèles sont exceptionnellement doués pour produire un texte lisible, et c’est pour chacun la capacité qui change le plus ce que l’on peut livrer.

Les avancées annoncées de Nano Banana 2.1 par rapport à Nano Banana 2 concernent la qualité visuelle, le respect des instructions, la cohérence des personnages au fil des échanges et le rendu du texte, ainsi qu’une correction pour les formats panoramiques larges — 1:4, 4:1, 1:8 et 8:1 ne se répètent plus en mosaïque en 2K et 4K. Si votre livrable est une infographie, une affiche ou une maquette d’interface, cette combinaison constitue tout l’intérêt du produit.

L’affirmation équivalente d’Omni 1.2 porte sur le texte en mouvement : lisibilité des libellés, animation de graphiques, annotations à l’écran. Le matériel de lancement de Google s’appuie dessus, et le seul test pratique indépendant disponible — vingt générations réalisées par Rohit Rao, de Segmind, pour 16,17 $ de crédits — a constaté que les contenus explicatifs annotés et l’animation de graphiques à partir d’une image finale fournie étaient les domaines où le modèle réussissait le mieux, tandis que les personnes photoréalistes créées de zéro étaient son point d’échec. Sa phrase de conclusion était qu’il s’agit du « modèle vidéo le plus précis en matière d’instructions que j’aie testé », avec la réserve qu’environ une instruction sur quatre est ignorée.

Remarquez ce que cela implique pour l’association : l’usage le mieux documenté d’Omni 1.2 consiste à animer un graphique que vous avez déjà conçu. Ce qui relève de Nano Banana 2.1.

Résolution, upscaling et ce que vaut la « 4K »

Tous deux annoncent la 4K, mais ils n’entendent pas la même chose par là.

Nano Banana 2.1 génère en 1K, 2K ou 4K selon des paliers de sortie sélectionnables, et Google les facture séparément : 0,0336 $, 0,0504 $ et 0,113 $ par image. La comptabilisation des tokens reflète les pixels réels — 1 120 tokens pour une image 1K, 1 680 pour 2K, 3 780 pour 4K.

Le guide de Gemini Omni 1.2 Flash précise explicitement que la 1080p et la 4K sont mises à l’échelle. La tarification suit la consommation de tokens plutôt qu’un rendu natif, à 8 688 tokens par seconde en 1080p et 17 376 en 4K, contre 5 792 en 720p. Ainsi, un clip 4K de quinze secondes coûte environ 3,14 $, et le niveau le plus élevé est un agrandissement d’un rendu plus petit plutôt qu’un détail capturé au moment de la capture. Pour une diffusion sur les réseaux sociaux, cela convient. Pour la diffusion télévisée, testez-le avant de le promettre.

Le workflow auquel les deux appartiennent

La discipline Omni recommandée par Google elle-même consiste à faire des brouillons à bas coût, à itérer, puis à upscaler le gagnant : 360p ou 720p pour l’exploration, 1080p ou 4K pour le final. L’équivalent chez Nano Banana consiste à générer en 1K, puis à upscaler la sélection. Exécutez-les en série et la séquence s’écrit d’elle-même — d’abord des images fixes pour corriger la composition et la typographie, puis du mouvement sur les images ayant passé la revue, puis un upscale final appliqué aux deux.

Il existe une limite stricte. Omni n’accepte pas une image comme livrable vidéo, et Nano Banana n’accepte pas une vidéo comme livrable image. La sortie d’aucun des deux modèles ne peut être réinjectée dans l’autre pour une édition de même modalité : Omni peut prolonger et modifier conversationnellement ses propres clips, Nano Banana peut modifier ses propres images fixes, et aucun des deux ne franchit la limite.

Acheter l’un ou l’autre via OrcaRouter

Aucun de ces deux points de terminaison ne figure aujourd’hui dans notre catalogue. google/gemini-nano-banana-2.1 et google/gemini-omni-1.2-flash renvoient tous deux une erreur 404 sur les pages de modèles d’OrcaRouter, l’API du fournisseur est donc la voie à suivre pour les deux. En revanche, ce que nous proposons au sein de la même famille, c’est le point de terminaison de génération d’images précédent, google/gemini-3.1-flash-image-preview — Nano Banana 2 — aux côtés de Nano Banana Pro et des modèles textuels Gemini 3.8 Flash, ce qui signifie qu’un pipeline d’images non épinglé au checkpoint le plus récent peut exécuter ses étapes de planification, d’extension de prompt et d’assurance qualité avec une seule clé.

Voilà la réalité telle qu’elle est : les appels média passent directement, les appels texte qui les entourent n’ont pas à le faire. OrcaRouter facture avec 0 % de marge, au prix catalogue du fournisseur répercuté, donc si Google modifie les tarifs Nano Banana ou Omni, le changement apparaît de notre côté le jour même où il apparaît du leur, et le basculement automatique en cas de défaillance maintient une étape d’expansion de prompt active lorsqu’un fournisseur se dégrade.

Ce qu’il faut réellement choisir

Si le livrable est un visuel que quelqu’un regardera — un pack shot, une infographie, une image héros, une maquette d’interface — Nano Banana 2.1 est trente fois moins cher par résultat, accepte plus du double de références, prend en charge les PDF et propose un contrôle de la réflexion qu’Omni n’expose pas. Il n’existe aucune version de cette décision où Omni l’emporte sur le fond.

Si le livrable est du mouvement, Nano Banana 2.1 ne peut le produire à aucun prix, et la comparaison s’arrête là.

Le piège, c’est le cas intermédiaire : un projet qui veut une « publicité vidéo » mais dont tous les problèmes difficiles relèvent de la composition, de la typographie et de la cohérence. Ce sont toujours des problèmes. Résolvez-les sur le modèle qui coûte trois centimes par image, et laissez Omni animer huit images approuvées plutôt que trente-deux spéculatives. Le ratio de trente et un pour un n’est pas un argument en faveur du modèle d’images fixes. C’est un argument pour l’utiliser en premier.