Gemini Omni 1.2 Flash vs Qwen3.8-Omni-Flash: la parola "Omni" fa due lavori

La stima pubblicata da Alibaba stessa fissa il costo per leggere un'ora di video a 720p con Qwen3.8-Omni-Flash a circa venti centesimi. Il prezzo di listino di Google per un'ora di 720p generato da Gemini Omni 1.2 Flash è di 252 dollari. Entrambi i modelli si chiamano Omni. Entrambi accettano testo, immagini, audio e video. Uno legge i filmati e risponde in testo; l'altro scrive i filmati e risponde con un file. Il divario di prezzo tra loro non è un segnale competitivo, perché non sono in concorrenza — è il costo di fabbricare un secondo di realtà rispetto al costo di descriverlo.

Questo è importante perché il confronto viene fatto continuamente, e quasi sempre con il modello sbagliato sul versante Google. Ogni articolo "Qwen Omni contro Gemini" in circolazione — inclusa la tabella di benchmark pubblicata dalla stessa Alibaba — confronta Qwen3.8-Omni-Flash con Gemini 3.8 Flash, un modello text-out a 0,75 $ per milione di token di input. Questo è il rivale corretto. Gemini Omni 1.2 Flash, disponibile in generale dal 5 novembre 2026, è un prodotto diverso su un contatore diverso, e non esiste da nessuna parte un confronto testa a testa pubblicato tra i due.

Che cos'è realmente Qwen3.8-Omni-Flash

Il team Qwen di Alibaba lo ha rilasciato il 18 settembre 2026 come successore di Qwen3.5-Omni-Plus, basato sull'architettura Qwen3.8-Flash-Next. La prima cosa da chiarire è la modalità di output, perché il nome induce a un'ipotesi errata: produce testo e solo testo. Non genera video e, a differenza del suo predecessore, non genera nemmeno parlato. Tutto ciò che ha di omni è lato input.

Da quel lato è insolitamente capace. La finestra di contesto è di un milione di token, con circa 991.000 disponibili per l'input e 131.000 per l'output. Una singola chiamata può gestire un'ora di video continuo. Gestisce stereo a due canali e audio spaziale a quattro canali, ed è così che Qwen ottiene il suo celebre trucco da vetrina: localizzare una fonte sonora in una stanza e indicarla, il tipo di capacità che un team di robotica o di analisi delle riunioni aspettava. Il riconoscimento vocale copre 74 lingue più 39 dialetti cinesi; la sintesi vocale copre 29 lingue nei modelli della stessa famiglia. Esiste una variante in tempo reale, Qwen3.8-Omni-Flash-Realtime, che funziona su WebSocket o WebRTC con output vocale e 56 voci su un contesto da 192K.

La parte aggressiva è il prezzo: $0.15 per milione di token di input, $0.47 per milione di output e $0.016 per milione per l'input in cache. I pesi sono chiusi. È disponibile solo tramite API, attraverso Alibaba Cloud Model Studio e gli endpoint proprietari di Qwen, compatibile con OpenAI, in sei regioni.

Che cos'è realmente Gemini Omni 1.2 Flash

Il modello di Google funziona al contrario. In input vanno testo, immagini, audio e video; in output si ottengono da tre a quindici secondi di video con audio sincronizzato, con incrementi di un secondo, in 16:9 o 9:16. È possibile creare una bozza a 360p o 720p ed effettuare l'upscaling a 1080p o 4K. Una richiesta può contenere fino a sei immagini di riferimento, una clip di movimento fino a tre secondi e indicazioni audio, e la modifica multi-turno consente di sostituire un prodotto, cambiare il meteo o ricomporre l'inquadratura senza rigenerare tutto. L'estensione aggiunge da tre a dieci secondi per turno fino a un limite di 30 secondi. Tutto è contrassegnato con watermark SynthID.

La versione 1.2 è un taglio di prezzo tanto quanto un rilascio di funzionalità: l'output video è sceso da $17,50 a $12,00 per milione di token, circa $0,07 al secondo per il 720p, un calo del 30%. L'input di testo resta a $1,50 per milione e l'output di testo a $9,00 per milione. I limiti di frequenza del piano a pagamento sono raddoppiati lo stesso giorno. Google non ha pubblicato punteggi di benchmark con il rilascio — solo dichiarazioni qualitative sull'aderenza ai riferimenti, la sincronizzazione labiale e la continuità della camera.

Tre trappole di costo che emergono solo quando li esegui entrambi

Il budget di ragionamento viene fatturato come output. Qwen3.8-Omni-Flash imposta per impostazione predefinita la modalità di pensiero su "xhigh", con un budget di ragionamento fino a 262.000 token addebitato alla tariffa di output. Una singola richiesta che ragiona a fondo su un video lungo può costare circa 0,123 $ solo per il ragionamento — oltre seicento volte quanto suggerisce la stima di lettura del video, ed è il motivo per cui alcuni team segnalano il modello come costoso quando il loro volume effettivo di filmati è trascurabile. Limita il budget di pensiero prima di eseguire qualsiasi benchmark.

La cifra per ora del video è una stima del fornitore. Alibaba non pubblica una tariffa di token al secondo per l'ingestione video, quindi il numero "venti centesimi per ora" non può essere ricavato in modo indipendente dal listino prezzi. Le tariffe di $0,15/$0,47 sono verificabili; la conversione per ora è un calcolo aritmetico di Qwen, e un'analisi pubblicata ha già segnalato l'affermazione del 98% più economico rispetto a Gemini come non verificabile proprio per questo motivo.

Il costo di rendering si moltiplica per i take, non per i deliverable. Una clip da quindici secondi costa 1,05 $. Sei cutdown costano 6,30 $ — ma nessuno azzecca sei su sei al primo tentativo. Con tre tentativi per ogni versione buona, gli stessi sei cutdown costano 18,90 $, ed è questo il numero che finisce nel budget. Inoltre Google limita a 30 secondi una sequenza montata, quindi qualsiasi cosa di più lungo richiede un secondo passaggio di generazione, non un'estensione.

Una pipeline dimostrativa: trenta minuti in ingresso, sei clip in uscita

È qui che entrambi i modelli si guadagnano un posto, e dove la distribuzione dei costi è controintuitiva.

Leggi il master. Qwen3.8-Omni-Flash prende il video sorgente di 30 minuti e restituisce una trascrizione con turni di parola, testo a schermo, una shot list con timecode e un breve elenco dei momenti in cui qualcuno dice qualcosa di citabile. Secondo la stima di Alibaba, si tratta di circa dieci centesimi di input. Aggiungi una passata di ragionamento per scegliere i sei momenti migliori e sei ancora sotto un quarto di dollaro — purché il budget abbia un tetto.

Renderizza le versioni ridotte. Sei clip da quindici secondi da Gemini Omni 1.2 Flash, tre take ciascuna: $18.90. Le immagini di riferimento del prodotto mantengono il packaging coerente in tutte e sei; i cue audio mantengono il dialogo comprensibile; la modifica multi-turno corregge le due che si discostano.

Rileggi gli output. I sei clip finiti tornano in Qwen3.8-Omni-Flash per confermare che il testo sullo schermo sia leggibile, che il dialogo corrisponda alla sceneggiatura e che il lip-sync di nessuno abbia perso un fotogramma. Sei clip sono novanta secondi di video. Il costo della lettura è trascurabile; è il controllo che rende giustificabile la fattura del rendering.

Lo schema è generale: su questa coppia, l'analisi costa poco e la generazione è costosa, di due o tre ordini di grandezza. I team che prevedono il contrario — assumendo che il modello "intelligente" debba essere quello costoso — sottodimensionano la linea di rendering e sovradimensionano la linea di lettura ogni volta.

Il record del benchmark, e di chi sono questi numeri

Tutto ciò che è stato pubblicato su Qwen3.8-Omni-Flash proviene da un'unica fonte: la valutazione di Alibaba stessa, pubblicata come articolo arXiv il 22 settembre 2026. Contro Gemini 3.8 Flash vince su WildClawBench-MM 71,0 a 58,9, su SpotSoundBench 67,2 a 39,7 e nella diarizzazione delle riunioni con un margine enorme — un tasso di errore di diarizzazione di 3,35 contro 72,6. Perde su OmniVideoBench 63,4 a 65,2 e su AgenticVBench 36,8 a 45,0. Nulla di tutto ciò è stato riprodotto in modo indipendente, e nulla di tutto ciò riguarda Gemini Omni 1.2 Flash, che non legge affatto il video in una finestra di contesto.

Il lato di Google del bilancio è più scarno. L'annuncio di Gemini Omni 1.2 Flash non contiene numeri: nessun Elo, nessun tasso di vittoria, nessuna suite di benchmark. I confronti sono qualitativi: una corrispondenza dei riferimenti migliore rispetto alla 1.1, un dialogo più fluido, una sincronizzazione labiale più nitida, meno stacchi. Le release di NVIDIA e Alibaba arrivano almeno con delle tabelle; quella di Google arriva con degli aggettivi.

Quindi, la posizione onesta su "quale sia migliore" è che la domanda non ha una risposta misurata e non l'avrà finché qualcuno non eseguirà entrambi sullo stesso compito. Ciò che si può dire con sicurezza è più ristretto e più utile: i numeri di Qwen sono stati ottenuti contro un modello text-out a un quinto del prezzo di input, e non saranno trasferibili a un generatore video, perché i due sistemi vengono valutati con strumenti completamente diversi.

Dove i due fornitori si sovrappongono davvero

Non sul modello. Sul contratto enterprise. Entrambi sono chiusi, entrambi sono solo API, entrambi sono vincolati a livello regionale in modi che contano: Alibaba serve Pechino, Singapore, Hong Kong, Tokyo, Francoforte e la Virginia; le funzionalità di editing di Google per i video caricati non sono disponibili in alcune parti d'Europa. Un'azienda del settore media che sceglie un fornitore sceglie tanto un accordo sul trattamento dei dati e una giurisdizione quanto una capacità.

Vale anche la pena notare ciò che nessuno dei due farà. Qwen3.8-Omni-Flash non può produrre un fotogramma, e Omni 1.2 Flash di Google non può rispondere a una domanda su una clip di dieci minuti. Chi consolida su un unico fornitore per ridurre i costi di approvvigionamento scoprirà che il consolidamento gli costa una funzionalità, in qualunque direzione consolidi. La nota di migrazione di Google ribadisce lo stesso concetto dall'altro lato: dal 3 dicembre 2026, le richieste a gemini-omni-1.1-flash riceveranno risposta da 1.2 ai prezzi di 1.2, senza alcuna modifica al codice — un promemoria che gli endpoint chiusi si muovono secondo i tempi del fornitore, non i tuoi.

Cosa copre OrcaRouter e cosa no

Nessuno di questi due modelli è su OrcaRouter, e questo articolo non fingerà il contrario. Ciò che è presente sulla piattaforma è la capacità adiacente di costruire la pipeline sopra senza un secondo e un terzo contratto.

Il lato lettura è coperto da Qwen3.8 Flash: testo, immagini e video in input, testo in output, una finestra di contesto di un milione di token, analisi di video lunghi, fatturato a 0,15 $ per milione di token in input e 0,47 $ per milione in output — stesso prezzo e stesso profilo della variante Omni, meno le funzionalità audio spaziali. Il lato rendering è coperto da Kling 3.0 Omni a 0,084 $ per richiesta per text-to-video e image-to-video con clip da 3 a 15 secondi. Entrambi stanno dietro un'unica chiave, il che significa che un fan-out che invia la stessa sorgente a un lettore e a un writer è una regola di routing anziché un progetto di integrazione; il failover automatico significa che un intoppo di un provider non interrompe una campagna a metà rendering; e il ricarico dello 0% è un semplice pass-through del prezzo di listino del provider, quindi il giorno in cui un fornitore modifica una tariffa, il numero dalla nostra parte si muove di conseguenza.

Come decidere nei prossimi dieci minuti

Se il tuo problema è che hai filmati e nessun modo per cercarli, sottotitolarli o trovare il momento in cui il presentatore menziona il prezzo — scegli il lato Qwen. Limita prima il budget di ragionamento e misura il tuo reale tasso di ingestione invece di fidarti della stima oraria.

Se il tuo problema è che hai uno scatto di prodotto e una scadenza, ma nessuna troupe, compra il lato Google e metti in budget tre riprese per ogni scatto buono anziché una.

Se avete entrambi i problemi, che è la situazione in cui si trova la maggior parte dei team, smettete di cercare un vincitore. I due modelli citati nel primo paragrafo di questo articolo non compariranno mai nella stessa tabella di benchmark, perché uno dei due produce un file e l'altro produce un paragrafo che parla del file. L'unico numero che li collega è quello che nessuno pubblica: quante ore di video la vostra organizzazione legge per ogni ora che produce.