Gemini Omni 1.2 Flash vs Qwen3.8-Omni-Flash : le mot « Omni » joue deux rôles

L'estimation publiée par Alibaba elle-même évalue le coût de lecture d'une heure de vidéo 720p avec Qwen3.8-Omni-Flash à environ vingt cents. Le prix catalogue de Google pour une heure de 720p générée à partir de Gemini Omni 1.2 Flash est de 252 $. Les deux modèles s'appellent Omni. Tous deux acceptent le texte, l'image, l'audio et la vidéo. L'un lit des séquences et répond en texte ; l'autre génère des séquences et répond avec un fichier. L'écart de prix entre eux n'est pas un signal concurrentiel, car ils ne sont pas en concurrence — c'est le coût de fabrication d'une seconde de réalité par rapport au coût de sa description.

Cela compte parce que la comparaison est faite en permanence, et presque toujours avec le mauvais modèle du côté de Google. Chaque article « Qwen Omni versus Gemini » en circulation — y compris le tableau de benchmarks publié par Alibaba lui-même — mesure Qwen3.8-Omni-Flash face à Gemini 3.8 Flash, un modèle à sortie texte à 0,75 $ par million de jetons d'entrée. C'est le bon rival. Gemini Omni 1.2 Flash, en disponibilité générale depuis le 5 novembre 2026, est un produit différent avec une tarification différente, et il n'existe nulle part de comparaison directe publiée entre les deux.

Ce qu’est réellement Qwen3.8-Omni-Flash

L'équipe Qwen d'Alibaba l'a publié le 18 septembre 2026 comme successeur de Qwen3.5-Omni-Plus, construit sur l'architecture Qwen3.8-Flash-Next. La première chose à clarifier est la modalité de sortie, car le nom invite à une mauvaise supposition : il produit du texte et uniquement du texte. Il ne génère pas de vidéo et, contrairement à son prédécesseur, il ne génère pas non plus de parole. Tout ce qu'il a d'omni se situe du côté de l'entrée.

De ce côté-là, il est exceptionnellement capable. La fenêtre de contexte est d’un million de tokens, avec environ 991 000 disponibles pour l’entrée et 131 000 pour la sortie. Un seul appel peut traiter une heure de vidéo continue. Il gère le stéréo à deux canaux et l’audio spatial à quatre canaux, ce qui permet à Qwen de réaliser son tour de force phare : localiser une source sonore dans une pièce et la pointer, le type de capacité qu’une équipe de robotique ou d’analyse de réunions attendait. La reconnaissance vocale couvre 74 langues plus 39 dialectes chinois ; la synthèse vocale couvre 29 langues dans les modèles apparentés. Il existe une variante temps réel, Qwen3.8-Omni-Flash-Realtime, qui fonctionne via WebSocket ou WebRTC avec sortie vocale et 56 voix sur un contexte de 192K.

Le prix est l'aspect agressif : 0,15 $ par million de jetons d'entrée, 0,47 $ par million de jetons de sortie et 0,016 $ par million pour les entrées mises en cache. Les poids sont fermés. Il est uniquement accessible via API, par le biais d'Alibaba Cloud Model Studio et des points de terminaison propres à Qwen, compatible avec OpenAI, dans six régions.

Ce qu’est réellement Gemini Omni 1.2 Flash

Le modèle de Google fonctionne dans l’autre sens. Du texte, des images, de l’audio et de la vidéo entrent ; il en sort trois à quinze secondes de vidéo avec audio synchronisé, par incréments d’une seconde, en 16:9 ou 9:16. Vous pouvez générer un brouillon en 360p ou 720p et le mettre à l’échelle jusqu’en 1080p ou 4K. Une requête peut contenir jusqu’à six images de référence, un clip de mouvement de trois secondes maximum et des repères audio, et l’édition multi-tours permet de remplacer un produit, de changer la météo ou de recadrer le plan sans tout régénérer. L’extension ajoute trois à dix secondes par tour, jusqu’à un plafond de 30 secondes. Tout est filigrané avec SynthID.

La version 1.2 est autant une baisse de prix qu’une mise à jour de capacités : la sortie vidéo est passée de 17,50 $ à 12,00 $ par million de jetons, soit environ 0,07 $ par seconde de 720p, une baisse de 30 %. L’entrée texte reste à 1,50 $ par million et la sortie texte à 9,00 $ par million. Les limites de débit du palier payant ont doublé le jour même. Google n’a publié aucun score de benchmark avec cette version — seulement des affirmations qualitatives sur le respect des références, la synchronisation labiale et la continuité de la caméra.

Trois pièges de coûts qui n’apparaissent que lorsque vous exécutez les deux

Le budget de raisonnement est facturé comme de la sortie. Qwen3.8-Omni-Flash définit par défaut son mode de réflexion sur « xhigh », avec un budget de raisonnement pouvant atteindre 262 000 tokens, facturé au tarif de sortie. Une seule requête qui réfléchit intensément sur une longue vidéo peut coûter environ 0,123 $ rien qu'en raisonnement — soit plus de six cents fois ce que suggère l'estimation de lecture vidéo, et la raison pour laquelle certaines équipes jugent le modèle coûteux alors que leur volume réel de séquences est négligeable. Plafonnez le budget de réflexion avant de lancer le moindre benchmark.

Le chiffre horaire de la vidéo est une estimation du fournisseur. Alibaba ne publie pas de débit de jetons par seconde pour l’ingestion vidéo, de sorte que le chiffre de « vingt cents par heure » ne peut pas être dérivé indépendamment de la grille tarifaire. Les tarifs de 0,15 $/0,47 $ sont vérifiables ; la conversion en coût horaire relève de l’arithmétique de Qwen, et une analyse publiée a déjà signalé que l’affirmation selon laquelle il serait 98 % moins cher que Gemini était invérifiable, précisément pour cette raison.

Le coût de rendu se multiplie par le nombre de prises, pas par celui des livrables. Un clip de quinze secondes coûte 1,05 $. Six versions courtes coûtent 6,30 $ — mais personne n’obtient six sur six du premier coup. À trois essais par prise retenue, ces mêmes six versions courtes coûtent 18,90 $, et c’est ce chiffre qui entre dans le budget. Google plafonne aussi une séquence assemblée à 30 secondes, donc tout ce qui est plus long nécessite une passe de deuxième génération, et non une extension.

Un pipeline éprouvé : trente minutes en entrée, six clips en sortie

C’est ici que les deux modèles trouvent leur place, et où la répartition des coûts est contre-intuitive.

Lisez le master. Qwen3.8-Omni-Flash prend la vidéo source de 30 minutes et renvoie une transcription avec les tours de parole, le texte à l'écran, une liste de plans avec timecodes, et une courte liste des moments où quelqu'un dit quelque chose de citable. Selon l'estimation d'Alibaba, cela représente environ dix cents d'entrée. Ajoutez une passe de réflexion pour choisir les six meilleurs moments et vous restez sous les 25 cents — tant que le budget est plafonné.

Générez les versions courtes. Six clips de quinze secondes avec Gemini Omni 1.2 Flash, trois prises chacun : 18,90 $. Les images de référence du produit garantissent la cohérence du packaging sur les six ; les repères audio préservent l'intelligibilité des dialogues ; l'édition multi-tours corrige les deux qui dérivent.

Relisez les sorties. Les six clips terminés repassent dans Qwen3.8-Omni-Flash pour confirmer que le texte à l’écran est lisible, que les dialogues correspondent au script et que la synchronisation labiale de chacun n’a pas décalé d’une image. Six clips, c’est quatre-vingt-dix secondes de vidéo. Le coût de lecture est négligeable ; c’est la vérification qui rend la facture de rendu défendable.

Le schéma est général : sur ce couple, l'analyse coûte peu et la génération coûte cher, de deux à trois ordres de grandeur. Les équipes qui budgétisent l'inverse — en supposant que le modèle « intelligent » doit forcément être le plus coûteux — sous-dimensionnent systématiquement la ligne de rendu et surdimensionnent la ligne de lecture.

Le record du benchmark, et à qui appartiennent ces chiffres

Tout ce qui a été publié sur Qwen3.8-Omni-Flash provient d’une seule source : l’évaluation d’Alibaba elle-même, publiée sous forme d’article arXiv le 22 septembre 2026. Face à Gemini 3.8 Flash, il l’emporte sur WildClawBench-MM 71,0 contre 58,9, sur SpotSoundBench 67,2 contre 39,7, et sur la diarisation de réunions avec une marge énorme — un taux d’erreur de diarisation de 3,35 contre 72,6. Il perd sur OmniVideoBench 63,4 contre 65,2 et sur AgenticVBench 36,8 contre 45,0. Rien de tout cela n’a été reproduit indépendamment, et rien de tout cela ne concerne Gemini Omni 1.2 Flash, qui ne lit pas du tout la vidéo dans une fenêtre de contexte.

Le côté Google du bilan est plus vide. L’annonce de Gemini Omni 1.2 Flash ne contient aucun chiffre — pas d’Elo, pas de taux de victoire, pas de suite de benchmarks. Les comparaisons sont qualitatives : une meilleure correspondance des références que la 1.1, un dialogue plus fluide, une synchronisation labiale plus nette, moins de sauts de coupe. Les annonces de NVIDIA et d’Alibaba arrivent au moins avec des tableaux ; celle de Google arrive avec des adjectifs.

La position honnête sur « laquelle est meilleure » est donc que la question n’a pas de réponse mesurée et n’en aura pas tant que quelqu’un n’aura pas fait tourner les deux sur la même tâche. Ce que l’on peut affirmer avec confiance est plus étroit et plus utile : les chiffres de Qwen ont été obtenus face à un modèle à sortie texte à un cinquième du prix d’entrée, et ils ne se transposeront pas à un générateur vidéo, car les deux systèmes sont évalués avec des instruments complètement différents.

Là où les deux fournisseurs se recoupent véritablement

Pas sur le modèle. Sur le contrat d’entreprise. Les deux sont fermés, tous deux accessibles uniquement via API, tous deux soumis à des restrictions régionales qui ont leur importance — Alibaba dessert Pékin, Singapour, Hong Kong, Tokyo, Francfort et la Virginie ; les fonctionnalités d’édition de Google pour les vidéos téléversées ne sont pas disponibles dans certaines parties de l’Europe. Une entreprise de médias qui choisit un fournisseur choisit un accord de traitement des données et une juridiction tout autant qu’une capacité.

Il convient également de noter ce que ni l’un ni l’autre ne fera. Qwen3.8-Omni-Flash ne peut pas produire une image, et Google's Omni 1.2 Flash ne peut pas répondre à une question sur un clip de dix minutes. Quiconque se regroupe sur un seul fournisseur pour réduire les frais d’approvisionnement constatera que ce regroupement lui coûte une capacité, quelle que soit la direction choisie. La note de migration de Google formule le même constat depuis l’autre côté : à partir du 3 décembre 2026, les requêtes adressées à gemini-omni-1.1-flash recevront une réponse de la 1.2 aux tarifs de la 1.2, sans modification de code — un rappel que les points de terminaison fermés évoluent selon le calendrier du fournisseur, pas le vôtre.

Ce que couvre OrcaRouter, et ce qu’il ne couvre pas

Aucun de ces deux modèles n’est sur OrcaRouter, et cet article ne prétendra pas le contraire. Ce qui est sur la plateforme, c’est la capacité adjacente de construire le pipeline ci-dessus sans deuxième ni troisième contrat.

Le volet lecture est couvert par Qwen3.8 Flash : entrée texte, image et vidéo, sortie texte, un contexte d'un million de tokens, l'analyse de vidéos longues, facturé à 0,15 $ par million de tokens d'entrée et 0,47 $ par million de tokens de sortie — le même prix et le même profil que la variante Omni, sans les fonctionnalités d'audio spatial. Le volet rendu est couvert par Kling 3.0 Omni à 0,084 $ par requête pour le texte-vers-vidéo et l'image-vers-vidéo avec des clips de 3 à 15 secondes. Les deux sont accessibles derrière une seule clé, ce qui signifie qu'une diffusion en éventail qui envoie la même source à un lecteur et à un rédacteur est une règle de routage plutôt qu'un projet d'intégration ; le basculement automatique en cas de défaillance signifie qu'un hoquet d'un fournisseur n'interrompt pas une campagne en plein rendu ; et la marge de 0 % est une simple répercussion du prix catalogue du fournisseur, donc le jour où un fournisseur modifie un tarif, le chiffre de notre côté suit.

Comment décider dans les dix prochaines minutes

Si votre problème est que vous avez des séquences vidéo et aucun moyen de les rechercher, de les sous-titrer ou de trouver le moment où le présentateur mentionne le prix — achetez le côté Qwen. Plafonnez d’abord le budget de réflexion, et mesurez votre véritable débit d’ingestion plutôt que de vous fier à l’estimation par heure.

Si votre problème est que vous avez une photo de produit et une échéance et pas d'équipe de tournage, achetez le côté Google, et prévoyez trois prises par image retenue plutôt qu'une.

Si vous avez les deux problèmes, ce qui est le cas de la plupart des équipes en réalité, arrêtez de chercher un gagnant. Les deux modèles cités dans le premier paragraphe de cet article n’apparaîtront jamais dans le même tableau de benchmark, car l’un produit un fichier et l’autre produit un paragraphe sur le fichier. Le seul chiffre qui les relie est celui que personne ne publie : combien d’heures de vidéo votre organisation lit pour chaque heure qu’elle produit.