Gemini Omni 1.2 Flash vs Nano Banana 2.1: trentuno fotogrammi fissi per un clip

Per preventivare un annuncio prodotto da trenta secondi ti serviranno due modelli Google, non uno. Nano Banana 2.1 è la macchina per le immagini statiche — endpoint gemini-nano-banana-2.1, in disponibilità generale dal 6 ottobre 2026, 0,0336 $ per un'immagine 1K, 0,0504 $ a 2K e 0,113 $ a 4K. Gemini Omni 1.2 Flash è la macchina per il movimento: in disponibilità generale dal 5 novembre 2026, circa 0,07 $ al secondo per video 720p, il che porta una clip di quindici secondi vicino a 1,05 $. Dividi un costo per l'altro e un singolo render di quindici secondi costa all'incirca quanto trentuno immagini statiche 1K. Quel rapporto è l'intera decisione, ed è un rapporto che la maggior parte dei team interpreta al contrario perché dà un prezzo al modello invece che al risultato finale.

Entrambi sono Google, entrambi sono a consumo misurato, entrambi integrano SynthID ed entrambi presentano una stranezza di denominazione che mette in difficoltà le integrazioni: il nome visualizzato e l'ID endpoint non hanno la forma che ci si aspetta. Nano Banana è il nome prodotto di Google per la generazione nativa di immagini di Gemini, e il più recente risponde a gemini-nano-banana-2.1, mentre il suo predecessore è gemini-3.1-flash-image. Il più recente di Omni risponde a gemini-omni-1.2-flash. Nessuno dei due nomi ti dice quale modalità stai acquistando.

Cosa restituisce ciascuno

Nano Banana 2.1 accetta in input testo, immagini, video e PDF e restituisce in output immagini e testo, a 1K, 2K o 4K, con livelli di pensiero minimale, medio o alto. Supporta fino a 14 immagini di riferimento per la fusione multi-immagine — sufficienti per quattro personaggi e per la fedeltà degli oggetti su dieci oggetti — e offre il grounding di Google Search e Image Search. I suoi limiti di token sono 131.072 in input e 32.768 in output.

Gemini Omni 1.2 Flash accetta in ingresso testo, immagini e video e restituisce video con audio nativo sincronizzato, da tre a quindici secondi a 24 fotogrammi al secondo, in 360p, 720p, 1080p o 4K, dove le due risoluzioni più alte sono upscalate. Supporta fino a sei immagini di riferimento per richiesta, oltre a video di riferimento fino a tre secondi. Accetta gli stessi 131.072 token di input e restituisce fino a 65.536.

• Output — immagini e testo sovrapposti al video con audio nativo.

• Durata — un fotogramma contro tre-quindici secondi, estendibile fino a un totale di 30 secondi.

• Immagini di riferimento — fino a 14 contro un massimo di sei.

• Risoluzioni — livelli nativi 1K, 2K, 4K rispetto a 360p, 720p, 1080p, 4K con i due superiori upscalati.

• Controllo del pensiero — minimo, medio, alto rispetto a nessuno; Omni non espone affatto temperatura, top_p o istruzioni di sistema.

• Tipi di input — testo, immagine, video e PDF rispetto a testo, immagine e video.

• Prezzo — 0,0336 $ per 1K immagini rispetto a circa 0,07 $ al secondo di 720p.

L'aritmetica di uno spot da trenta secondi

Prendi un flusso di lavoro realistico invece di un benchmark. Hai otto inquadrature per riempire trenta secondi, ciascuna da due a quattro secondi, e vuoi scegliere il fotogramma che vende prima di pagare per il movimento.

Sul fronte delle immagini fisse, genera quattro candidati per scatto a 2K: trentadue immagini a $0.0504, ovvero $1.61. Esaminali, scegline otto, ingrandisci i vincitori a 4K a $0.113 ciascuno: altri $0.90. Hai investito circa $2.51 nel progetto e hai otto fotogrammi approvati.

Ora anima. Otto inquadrature da circa tre secondi ciascuna fanno 24 secondi in 720p, più i tentativi — e la modifica conversazionale di Omni fa sì che i tentativi siano il flusso di lavoro normale, non l'eccezione. Consideriamo due take per inquadratura: 48 secondi di output a $0,07, circa $3,36. Poi esegui l'upscale dei finali: 24 secondi a $0,104 al secondo per il 1080p, circa $2,50, o il doppio per il 4K.

Facciamo 8-9 dollari tutto compreso, con circa un terzo speso per le immagini fisse. Questa è la struttura di un conto reale, ed è per questo che il rapporto "31 immagini fisse per clip" è fuorviante se lo si prende come consiglio. Le immagini fisse non sono un'alternativa alla clip. Sono la parte economica che decide se vale la pena realizzare la clip.

Dove il rapporto incide davvero è una questione diversa: questo deliverable è un'immagine o una sequenza in movimento? Un catalogo di 500 immagini di prodotto è un lavoro da 25 $ con Nano Banana o da 525 $ con Omni, e in questo confronto non c'è partita da arbitrare. L'errore è generare video perché il prompt descriveva qualcosa che si muove.

Immagini di riferimento, in cui il modello più economico è quello più capace

Questo è il risultato controintuitivo del confronto ed è verificabile in entrambi i documenti. Nano Banana 2.1 accetta fino a 14 immagini di riferimento. Gemini Omni 1.2 Flash ne accetta fino a sei.

La formulazione di Google stessa per i sei di Omni è specifica: fino a tre immagini per personaggio, per un massimo di due personaggi, più riferimenti di prodotto e di stile. La scheda del modello la definisce «una migliore coerenza dei personaggi e dei soggetti fino a 6 immagini di riferimento», e il post di lancio descrive il mantenimento coerente di volti, capi d'abbigliamento, tipografia del packaging e colori del marchio attraverso le angolazioni. Il percorso dei video di riferimento è separato ed è suddiviso in livelli in base alla durata — gli output da undici a quindici secondi richiedono un video di riferimento di massimo tre secondi, quelli da tre a dieci secondi ne richiedono fino a tre — e i video di riferimento funzionano solo per la nuova generazione, non per la modifica o l'estensione.

I quattordici di Nano Banana 2.1 puntano a un problema diverso: fondere più soggetti in un'unica scena, con la scheda che dichiara fedeltà per quattro personaggi e dieci oggetti. Si tratta di una capacità di compositing, non di continuità, e si presta al lavoro di catalogo — inserire la stessa borsa in dieci stanze diverse senza ridisegnare la borsa.

La conseguenza pratica: se il tuo lavoro è «stesso personaggio, molte inquadrature», i sei riferimenti di Omni con l'inquadratura di tre per personaggio sono lo strumento specificato meglio. Se il tuo lavoro è «molti oggetti, una sola inquadratura», lo è il quattordici di Nano Banana. Contare i riferimenti e dichiarare un vincitore sbaglia proprio su questo.

Il rendering del testo, che è proprio dove questi modelli si differenziano davvero

Entrambi i modelli sono insolitamente bravi a produrre testo leggibile, e per entrambi è la capacità che cambia maggiormente ciò che puoi rilasciare.

I progressi elencati di Nano Banana 2.1 rispetto a Nano Banana 2 sono la qualità visiva, l'aderenza al prompt, la coerenza dei personaggi multi-turn e il rendering del testo, oltre a una correzione per i rapporti panoramici ampi: 1:4, 4:1, 1:8 e 8:1 non vengono più suddivisi in tile a 2K e 4K. Se il tuo output è un'infografica, un poster o un mockup di interfaccia, quella combinazione è l'intero prodotto.

L'affermazione equivalente di Omni 1.2 riguarda il testo all'interno del movimento: leggibilità delle etichette, animazione dei grafici, richiami su schermo. Il materiale di lancio di Google si basa su questo, e l'unico test indipendente pratico disponibile — venti generazioni realizzate da Rohit Rao di Segmind, 16,17 $ di crediti — ha rilevato che i video esplicativi con etichette e l'animazione dei grafici a partire da un fotogramma finale fornito erano i casi in cui il modello rendeva meglio, mentre le persone fotorealistiche generate da zero erano il punto in cui falliva. La sua frase di sintesi era che è "il modello video più preciso nel seguire le istruzioni che abbia testato", con l'avvertenza che circa un'istruzione su quattro viene saltata.

Nota cosa significa per l'abbinamento: l'uso più solido documentato di Omni 1.2 consiste nell'animare una grafica che hai già progettato. Il che è un compito da Nano Banana 2.1.

Risoluzione, upscaling e quanto vale il "4K"

Entrambi pubblicizzano il 4K, ma non intendono la stessa cosa.

Nano Banana 2.1 genera a 1K, 2K o 4K come livelli di output selezionabili, e Google li tariffa separatamente: $0,0336, $0,0504 e $0,113 per immagine. La contabilizzazione dei token riflette i pixel reali — 1.120 token per un'immagine 1K, 1.680 per 2K, 3.780 per 4K.

La guida di Gemini Omni 1.2 Flash specifica chiaramente che 1080p e 4K vengono upscalati. Il prezzo segue il consumo di token anziché un rendering nativo, a 8.688 token al secondo per 1080p e 17.376 per 4K contro 5.792 a 720p. Quindi una clip 4K di quindici secondi costa circa $3,14, e il livello superiore è un ingrandimento di un rendering più piccolo anziché dettaglio catturato al momento della ripresa. Per la distribuzione sui social va bene. Per il broadcast, testalo prima di prometterlo.

Il flusso di lavoro a cui appartengono entrambi

La disciplina Omni consigliata da Google stessa è: abbozza a basso costo, itera, poi esegui l'upscale del vincitore: 360p o 720p per l'esplorazione, 1080p o 4K per il finale. L'equivalente di Nano Banana è generare a 1K, eseguire l'upscale della scelta. Eseguili in serie e la sequenza si scrive da sola — prima le immagini fisse per fissare composizione e tipografia, poi il movimento sui frame che hanno superato la revisione, infine un upscale finale su entrambi.

C’è un confine invalicabile. Omni non accetta un’immagine come consegna video, e Nano Banana non accetta un video come consegna immagine. L’output di nessuno dei due modelli può essere reinviato all’altro come modifica della stessa modalità — Omni può estendere e modificare in modo conversazionale le proprie clip, Nano Banana può modificare le proprie immagini fisse, e nessuno dei due attraversa il confine.

Acquistando uno dei due tramite OrcaRouter

Nessuno di questi due endpoint è oggi nel nostro catalogo. google/gemini-nano-banana-2.1 e google/gemini-omni-1.2-flash restituiscono entrambi 404 sulle pagine dei modelli di OrcaRouter, quindi l'API del fornitore è la strada per entrambi. Ciò che invece serviamo della stessa famiglia è l'endpoint precedente di generazione di immagini, google/gemini-3.1-flash-image-preview — Nano Banana 2 — insieme a Nano Banana Pro e ai modelli testuali Gemini 3.8 Flash, il che significa che una pipeline di immagini non vincolata al checkpoint più recente può eseguire i suoi passaggi di pianificazione, espansione dei prompt e QA con una sola chiave.

Questa è la forma onesta della questione: le chiamate media passano direttamente, quelle di testo attorno non devono necessariamente farlo. OrcaRouter fattura con uno 0% di ricarico e trasferisce il prezzo di listino del provider così com'è, quindi se Google modifica le tariffe di Nano Banana o Omni, la modifica compare dalla nostra parte lo stesso giorno in cui compare dalla loro, e il failover automatico mantiene attivo un passaggio di espansione del prompt quando un provider peggiora.

Cosa scegliere davvero

Se il deliverable è un frame che qualcuno guarderà — un pack shot, un'infografica, una hero image, un mock di UI — Nano Banana 2.1 costa trenta volte meno per output, accetta più del doppio dei riferimenti, supporta i PDF e offre un controllo del ragionamento che Omni non espone. Non esiste alcuna versione di quella decisione in cui Omni vinca nel merito.

Se il risultato richiesto è il movimento, Nano Banana 2.1 non può realizzarlo a nessun prezzo, e il confronto finisce lì.

La trappola è il caso intermedio: un progetto che vuole un "video ad" ma i cui problemi difficili sono tutti di composizione, tipografia e coerenza. Restano comunque problemi. Risolvili sul modello che costa tre centesimi al frame e lascia che Omni animi otto frame approvati anziché trentadue ipotetici. Il rapporto trentuno a uno non è un argomento a favore del modello per immagini fisse. È un argomento per usarlo per primo.