Gemini Omni Flash 1.2 vs Qwen 3.8 Omni Flash : l'un génère les séquences, l'autre les lit

La question « laquelle est la meilleure, G​emini Omni Flash 1.2 ou Qwen3.8-Omni-Flash » appelle une réponse courte que la plupart des pages de comparatifs ne vous donneront pas : elles ne sont pas comparables, car l'une d'elles n'a jamais produit une seule image de vidéo de sa vie. G​emini Omni Flash 1.2 est un générateur de vidéo avec audio natif qui prend en entrée du texte, des images et une vidéo de référence et renvoie un MP4. Qwen3.8-Omni-Flash est un lecteur multimodal qui prend en entrée du texte, des images, de l'audio et de la vidéo et renvoie du texte — aucune génération de vidéo, d'image ni d'audio. Ce sont deux machines différentes qu'une équipe vidéo finit par acheter au cours du même trimestre. La décision qui s'impose à vous n'est pas A ou B. C'est quelle quantité de chacune, et l'arithmétique qui permet d'y répondre est la durée, pas la qualité.

La colonne de sortie tranche avant les benchmarks.

Toute comparaison de ces deux modèles commence par un classement qui n’existe pas. Artificial Analysis tient trois classements vidéo — montage, texte-vers-vidéo et image-vers-vidéo — et G​emini Omni Flash 1.2 est évalué sur les trois, actuellement deuxième, sixième et quatorzième. Qwen3.8-Omni-Flash ne figure dans aucun d’eux. Non pas classé bas : absent, car il n’y a aucune sortie vidéo à classer. Un Elo en confrontation directe entre ces deux modèles n’est pas un chiffre que nous gardons secret. C’est un chiffre que personne ne peut calculer.

Ce que vous pouvez comparer, c’est l’interface. Gemini Omni Flash 1.2 renvoie de la vidéo. Qwen3.8-Omni-Flash renvoie des tokens. Tout ce qui se trouve en aval de cette seule différence en découle mécaniquement.

• Entrée — G​emini Omni Flash 1.2 accepte du texte, jusqu’à six images de référence et des clips vidéo de référence ; Qwen3.8-Omni-Flash accepte du texte, des images, de l’audio et de la vidéo, y compris des séquences de plus d’une heure en un seul appel.

• Sortie — Gemini Omni Flash 1.2 renvoie une vidéo avec un audio synchronisé natif ; Qwen3.8-Omni-Flash ne renvoie que du texte.

• Contexte — Gemini Omni Flash 1.2 accepte 131 072 tokens en entrée et en retourne 65 536 ; Qwen3.8-Omni-Flash accepte un peu moins d’un million de tokens en entrée (991 808) et en retourne jusqu’à 131 072.

• Plafond de durée — G​emini Omni Flash 1.2 génère de trois à quinze secondes par appel, extensible tour après tour jusqu’à 30 secondes ; Qwen3.8-Omni-Flash observe à l’échelle de l’heure, et son plafond est un budget de tokens plutôt qu’une durée d’exécution.

• Tarif — Gemini Omni Flash 1.2 facture la sortie vidéo à 12,00 $ par million de tokens, avec l'entrée texte et média à 1,50 $ ; Qwen3.8-Omni-Flash facture 0,15 $ par million de tokens en entrée et 0,47 $ par million de tokens en sortie.

Ce que coûtent quinze secondes de vidéo générée, face à une heure de vidéo regardée

Placez les deux grilles tarifaires sur le même axe et l’asymétrie cesse d’être abstraite. Google facture la vidéo générée à un taux fixe de jetons par seconde de séquence : 5 792 jetons par seconde en 720p, 8 688 en 1080p avec suréchantillonnage. À 12,00 $ le million, un clip 720p de quinze secondes coûte environ 1,05 $ en jetons de sortie, et une minute complète en 1080p coûte 6,26 $ — le chiffre qu’Artificial Analysis imprime dans sa colonne de coûts, qui concorde au cent près avec la grille tarifaire de Google.

Passons maintenant à l'autre côté. Qwen3.8-Omni-Flash ne facture pas à la seconde de vidéo ; il facture au token, et les images vidéo sont tokenisées à un rythme défini par la configuration d'échantillonnage. Une heure de vidéo à un rythme modeste d'une image par seconde représente des dizaines de milliers de tokens visuels, et non des centaines de milliers, et à 0,15 $ par million de tokens d'entrée, l'ingestion de cette heure revient à quelques centimes plutôt qu'à des dollars. Le chiffre exact dépend de la fréquence d'images et de la résolution que vous choisissez, et c'est bien là l'essentiel : regarder est assez bon marché pour que vous régliez cela en fonction de la précision, tandis que générer est assez coûteux pour que vous le régliez en fonction de la longueur.

Cette asymétrie résume à elle seule la décision d’achat. Une équipe qui budgétise ces deux éléments comme des substituts — « nous avons X dollars pour l’IA vidéo » — sous-achètera systématiquement le côté bon marché et sur-contraindra le côté coûteux. Une équipe qui les budgétise comme un pipeline achète une heure de relecture automatisée pour moins d’une seconde de séquences générées, puis ne consacre le budget de génération qu’aux clips qui passent le cap.

Le workflow dont personne ne parle : ce qui se passe avant le prompt

C'est ici que l'appariement cesse d'être théorique. L'échec coûteux dans un pipeline vidéo n'est pas un mauvais rendu. C'est un bon rendu de la mauvaise chose, découvert après que quatre tours d'extension et six images de référence ont été facturés.

Un modèle de lecture modifie cette séquence. Injectez les rushes source, le reel existant du client, la démonstration produit, l’entretien de cinquante minutes — tout ce que le nouveau clip doit respecter — dans Qwen3.8-Omni-Flash et demandez-lui les éléments dont un prompt a besoin : la liste des plans avec leurs minutages, la couleur dominante et l’éclairage de chaque scène, les textes à l’écran, les intervenants et le moment où chacun parle, les coupes à ne pas franchir. Cette sortie est du texte, et c’est du texte que l’on donne à un générateur. G​emini Omni Flash 1.2 n’accepte pas une vidéo comme jeu d’instructions ; il accepte un prompt et jusqu’à six images de référence, et il ne peut pas regarder une heure de quoi que ce soit pour comprendre ce que vous vouliez dire.

Le sens inverse est plus faible, mais bien réel. Une fois qu’un clip existe, le même modèle lecteur peut l’auditer — la couleur de la veste reste-t-elle cohérente d’un plan à l’autre, l’audio est-il synchronisé à la quatrième extension, l’étiquette à l’écran survit-elle jusqu’à la dernière image. Ce sont exactement les propriétés que le journal des modifications du 5 novembre de Google revendique pour la 1.2, et exactement les propriétés qu’aucune arène de préférence ne mesure, car un vote par paire du type « quel clip est le meilleur » ne peut pas voir une erreur de continuité qui n’apparaît qu’à la douzième seconde.

La limite honnête : rien de tout cela ne constitue un workflow validé par les fournisseurs. La documentation d’Alibaba décrit Qwen3.8-Omni-Flash comme un modèle multimodal général, et non comme un outil de production vidéo, et le guide de Google ne décrit aucun chemin d’ingestion pour la sortie de son concurrent. C’est un schéma que les praticiens assemblent eux-mêmes, et il fonctionne parce que les deux extrémités parlent en texte brut à la jonction.

Là où chacun est le mauvais outil

Qwen3.8-Omni-Flash est le mauvais outil dès lors que le livrable est un fichier contenant une image. Il n'existe aucun mode image, aucun mode vidéo, aucun mode audio. Si votre brief dit « fais-moi un montage de quinze secondes », le modèle peut vous dire ce qu'il devrait contenir, mais il ne peut pas le réaliser.

Gemini Omni Flash 1.2 n’est pas l’outil adapté pour tout contenu de plus d’une demi-minute, ni pour un ensemble spécifique de marchés. Une génération de trois à quinze secondes, avec une extension limitée à 30 secondes, signifie qu’une vidéo explicative de deux minutes relève de l’assemblage, et chaque raccord est un point où la continuité peut se rompre — ce qu’un budget de six images de référence est censé maintenir ensemble sans pour autant le garantir. Le montage et l’extension d’une vidéo importée ne sont pas disponibles dans l’EEE, en Suisse et au Royaume-Uni ; l’argument de l’édition conversationnelle n’existe donc pas pour les utilisateurs de ces régions. Aucune des deux versions ne propose d’offre gratuite, et il n’y a ni instructions système, ni temperature, ni top_p, ni prompts négatifs — le modèle ne prend qu’un prompt et des médias de référence, rien d’autre. Chaque sortie porte un filigrane SynthID.

Et une asymétrie qui compte commercialement : le point de terminaison de 1.1 est automatiquement acheminé vers 1.2 le 3 décembre 2026, donc la version plus ancienne de G​emini ne constitue pas une solution de repli à long terme. Qwen3.8-Omni-Flash n’a pas de migration forcée de ce type qui lui soit associée. Si vous construisez un pipeline qui a besoin d’un lecteur stable, le lecteur est la moitié stable de cette paire.

Où se situe réellement la couche de routage

Aucun de ces deux points de terminaison ne figure dans le catalogue d’OrcaRouter, et nous préférons le dire plutôt que de laisser une page de comparaison sous-entendre le contraire. Gemini Omni Flash 1.2 passe par l’API de Google ; Qwen3.8-Omni-Flash passe par Alibaba Cloud Model Studio. Ce que nous proposons, c’est la couche de part et d’autre de ces modèles.

La moitié ingestion et audit du pipeline ci-dessus relève du traitement de texte et de vision, et c'est la moitié qui s'exécute sur les modèles que nous routons — y compris Qwen3.8-Flash, le frère uniquement texte de la même famille, et les modèles instruct Qwen3-VL pour la description image par image, tous accessibles avec une seule clé, au prix catalogue du fournisseur, avec 0 % de majoration et un basculement automatique en cas de dégradation d'un service en amont. Une règle de routage peut envoyer une fraction des requêtes d'audit vers un second modèle sans déploiement, ce qui vous permet de déterminer si le lecteur bon marché est suffisamment performant avant de lui confier un chemin de production. L'appel de génération reste là où il doit rester : directement à Google, sur le compteur de Google, avec le changement de tarif de Google répercuté sur votre facture selon le calendrier de Google.

Cette séparation mérite d’être nommée sans détour, car c’est la forme honnête d’une pile vidéo de 2026. Aucun fournisseur unique ne vend bien les deux moitiés, et les équipes qui en pâtissent sont celles qui ont cherché à faire couvrir un lecteur et un moteur de rendu par un seul contrat.

Comment décider, dans l'ordre où les coûts arrivent

Commencez par le lecteur, car il est bon marché et il produit l’artefact que tout le reste consomme. Si vous ne parvenez pas à obtenir de vos rushes une liste de plans, un rapport de couleurs et une transcription exploitables, aucune qualité de génération ne sauvera le projet — vous écrirez des prompts à l’aveugle. Qwen3.8-Omni-Flash est un premier lecteur raisonnable à 0,15 $ par million de tokens d’entrée, et son contexte de près d’un million de tokens permet à une heure de rushes de tenir sans stratégie de découpage.

Mesurez ensuite la durée réelle de vos clips. Si votre livrable médian fait moins de quinze secondes — montages pour les réseaux sociaux, inserts produit, plans B-roll — G​emini Omni Flash 1.2 le couvre en un seul appel à environ 0,07 $ par seconde en 720p, et le budget de six images de référence suffit pour maintenir un sujet sur cette durée. Si votre médiane dépasse trente secondes, vous avez de toute façon besoin d’un pipeline d’assemblage, quel que soit le prix par token annoncé, et le plafond d’extension de 30 secondes est la contrainte qui régit votre calendrier plutôt que votre facture.

Alors chiffrez l’échec, pas la réussite. Une demande de montage refusée sur 1.2 ne coûte rien et ne renvoie aucun fichier ; un clip qui dérive à la douzième seconde coûte tout le rendu plus le temps du relecteur. C’est le second échec qu’un modèle de lecture rattrape, et c’est pourquoi la moitié bon marché de cette paire tend à s’amortir en premier.

Ce qu’il ne faut pas faire, c’est les traiter comme un concours. Il n’y a ni classement commun, ni résultat commun, ni aucun scénario dans lequel l’un remplace l’autre. La comparaison utile est un ratio — combien de minutes de séquences vous pouvez vous permettre de faire visionner pour chaque seconde que vous pouvez vous permettre de générer — et, pour la plupart des équipes à la fin de 2026, ce ratio se mesure en centaines.