Gemini Omni Flash 1.2 vs Qwen 3.8 Omni Flash: uno crea il filmato, l'altro lo legge

La domanda "quale sia migliore, G​emini Omni Flash 1.2 o Qwen3.8-Omni-Flash" ha una risposta breve che la maggior parte delle pagine di confronto non ti darà: non sono confrontabili, perché uno dei due non ha mai prodotto nemmeno un fotogramma di video in vita sua. G​emini Omni Flash 1.2 è un generatore video con audio nativo che riceve in input testo, immagini e video di riferimento e restituisce in output un MP4. Qwen3.8-Omni-Flash è un lettore multimodale che riceve in input testo, immagini, audio e video e restituisce in output testo — nessuna generazione di video, immagini o audio. Sono due macchine diverse che un team video finisce per acquistare nello stesso trimestre. La decisione che hai davanti non è A o B. È quanto di ciascuno, e l'aritmetica che risponde è la durata, non la qualità.

La colonna di output lo decide prima che lo facciano i benchmark.

Ogni confronto tra questi due modelli inizia con una classifica che non esiste. Artificial Analysis gestisce tre classifiche video — editing, text-to-video e image-to-video — e Gemini Omni Flash 1.2 è valutato su tutte e tre, attualmente secondo, sesto e quattordicesimo. Qwen3.8-Omni-Flash non compare in nessuna di esse. Non è classificato in basso: è assente, perché non c'è alcun output video da classificare. Un Elo testa a testa tra questi due non è un numero che stiamo trattenendo. È un numero che nessuno può calcolare.

Quello che puoi confrontare è l'interfaccia. Gemini Omni Flash 1.2 restituisce video. Qwen3.8-Omni-Flash restituisce token. Tutto ciò che sta a valle di quella singola differenza ne consegue meccanicamente.

• Input — Gemini Omni Flash 1.2 accetta testo, fino a sei immagini di riferimento e clip video di riferimento; Qwen3.8-Omni-Flash accetta testo, immagini, audio e video, compresi filmati di durata superiore a un'ora in un'unica chiamata.

• Output — G​emini Omni Flash 1.2 restituisce video con audio sincronizzato nativo; Qwen3.8-Omni-Flash restituisce solo testo.

• Contesto — G​emini Omni Flash 1.2 accetta 131.072 token di input e ne restituisce 65.536; Qwen3.8-Omni-Flash accetta poco meno di un milione di token di input (991.808) e ne restituisce fino a 131.072.

• Limite di durata — G​emini Omni Flash 1.2 genera da tre a quindici secondi per chiamata, estendibili turno dopo turno fino a 30 secondi; Qwen3.8-Omni-Flash può osservare per ore, e il suo limite è un budget di token anziché una durata di esecuzione.

• Prezzo — G​emini Omni Flash 1.2 addebita l'output video a 12,00 $ per milione di token, con input di testo e contenuti multimediali a 1,50 $; Qwen3.8-Omni-Flash addebita 0,15 $ per milione di token in input e 0,47 $ per milione in output.

Quanto costa quindici secondi di video generato, rispetto a un’ora di video guardato

Metti le due liste prezzi sullo stesso asse e l'asimmetria smette di essere astratta. Google fattura il video generato a una tariffa fissa di token al secondo di filmato: 5.792 token al secondo a 720p, 8.688 a 1080p con upsampling. A 12,00 $ per milione, una clip di quindici secondi a 720p costa circa 1,05 $ in token di output, e un minuto intero a 1080p costa 6,26 $ — la cifra che Artificial Analysis stampa nella sua colonna dei costi, che coincide al centesimo con il tariffario di Google.

Ora l'altro lato. Qwen3.8-Omni-Flash non fattura al secondo di filmato; fattura a token, e i fotogrammi video vengono tokenizzati a una frequenza stabilita dalla configurazione di campionamento. Un'ora di filmato a un modesto ritmo di un fotogramma al secondo arriva sotto forma di decine di migliaia di token visivi, non centinaia di migliaia, e a 0,15 $ per milione di input l'acquisizione di quell'ora si traduce in centesimi anziché in dollari. La cifra esatta dipende dalla frequenza dei fotogrammi e dalla risoluzione che scegli, ed è proprio questo il punto: guardare costa abbastanza poco da poterlo ottimizzare per l'accuratezza, mentre generare costa abbastanza da doverlo ottimizzare per la lunghezza.

Quell'asimmetria è l'intera decisione d'acquisto. Un team che mette a budget questi due come sostituti — «abbiamo X dollari per l'AI video» — acquisterà sistematicamente troppo poco del lato economico e imporrà troppi vincoli a quello costoso. Un team che li mette a budget come una pipeline compra un'ora di revisione automatica per meno di un secondo di footage generato, e poi spende il budget di generazione solo sulle clip che sopravvivono.

Il flusso di lavoro di cui nessuno scrive: cosa succede prima del prompt

È qui che l'abbinamento smette di essere teorico. Il fallimento costoso in una pipeline video non è un render scadente. È un buon render della cosa sbagliata, scoperto dopo che quattro turni di estensione e sei immagini di riferimento sono stati fatturati.

Un modello reader cambia quella sequenza. Fornisci a Qwen3.8-Omni-Flash il girato originale, il reel già esistente del cliente, la walkthrough del prodotto, l'intervista da cinquanta minuti — qualunque cosa il nuovo clip debba eguagliare — e chiedi le informazioni che servono a un prompt: la shot list con i tempi, il colore dominante e l'illuminazione per scena, il testo a schermo, chi parla e quando interviene ciascuno, gli stacchi che non devono essere oltrepassati. Quell'output è testo, e il testo è ciò che fornisci a un generatore. G​emini Omni Flash 1.2 non accetta un video come set di istruzioni; accetta un prompt e fino a sei immagini di riferimento, e non può guardare un'ora di qualsiasi cosa per capire cosa intendevi.

La direzione inversa è più debole ma reale. Una volta che esiste una clip, lo stesso modello di lettura può verificarla — il colore della giacca rimane coerente attraverso il taglio, l’audio è sincronizzato alla quarta estensione, l’etichetta a schermo sopravvive fino all’ultimo fotogramma. Queste sono le esatte proprietà che il changelog di Google del 5 novembre rivendica per la 1.2 e le esatte proprietà che nessuna arena di preferenze misura, perché un voto a coppie «quale clip sembra migliore» non può vedere un errore di continuità che appare solo al secondo dodici.

Il limite onesto: nulla di tutto ciò è un flusso di lavoro avallato dai fornitori. La documentazione di Alibaba descrive Qwen3.8-Omni-Flash come un modello multimodale generale, non come uno strumento di produzione video, e la guida di Google non descrive alcun percorso di acquisizione per l'output del suo concorrente. Lo schema è quello che i professionisti assemblano, e funziona perché entrambi gli endpoint parlano testo semplice nella giunzione.

Dove ognuno è lo strumento sbagliato

Qwen3.8-Omni-Flash è lo strumento sbagliato nel momento in cui il deliverable è un file con dentro un'immagine. Non esiste una modalità immagine, né una modalità video, né una modalità audio. Se il tuo brief dice "fammi un montaggio di quindici secondi", il modello può dirti cosa dovrebbe contenerlo e non può realizzarlo.

Gemini Omni Flash 1.2 è lo strumento sbagliato per qualsiasi cosa più lunga di mezzo minuto, e per un insieme specifico di mercati. Una generazione da tre a quindici secondi con estensione limitata a 30 secondi significa che un video esplicativo di due minuti è un lavoro di cucitura, e ogni cucitura è un punto in cui la continuità può rompersi — ciò che un budget di sei immagini di riferimento dovrebbe tenere insieme e non garantisce. La modifica e l'estensione di video caricati non sono disponibili nello SEE, in Svizzera e nel Regno Unito, quindi il messaggio della modifica conversazionale non esiste per gli utenti di quei paesi. Non c'è un livello gratuito su nessuna delle due versioni, e non ci sono istruzioni di sistema, temperature, top_p o prompt negativi — il modello accetta un prompt e media di riferimento e nient'altro. Ogni output porta una filigrana SynthID.

E un'asimmetria che conta commercialmente: l'endpoint di 1.1 viene instradato automaticamente a 1.2 il 3 dicembre 2026, quindi la versione più vecchia di {{1}}Gemini{{/1}} non è un fallback a lungo termine. Qwen3.8-Omni-Flash non ha una migrazione forzata di questo tipo associata. Se stai costruendo una pipeline che necessita di un lettore stabile, il lettore è la metà stabile di questa coppia.

Dove si colloca effettivamente il livello di routing

Nessuno di questi due endpoint è nel catalogo di OrcaRouter, e preferiamo dirlo piuttosto che lasciare che una pagina di confronto insinui il contrario. G​emini Omni Flash 1.2 passa tramite l'API di G​oogle; Qwen3.8-Omni-Flash passa tramite A​libaba Cloud Model Studio. Quello che invece offriamo è il layer su entrambi i loro lati.

La metà ingest-and-audit della pipeline sopra è lavoro di testo e visione, ed è la metà che gira sui modelli che instradiamo — inclusi Qwen3.8-Flash, il fratello solo testo della stessa famiglia, e i modelli instruct Qwen3-VL per la descrizione a livello di frame, tutti raggiungibili con un'unica chiave al prezzo di listino del fornitore con 0% di ricarico e failover automatico se un upstream peggiora. Una regola di routing può inviare una frazione delle richieste di audit a un secondo modello senza un deploy, ed è così che scopri se il lettore economico è sufficientemente valido prima di dedicargli un percorso di produzione. La chiamata di generazione resta dove deve restare: direttamente a G​oogle, sul contatore di G​oogle, con la variazione di tariffa di G​oogle che arriva sulla tua fattura secondo il calendario di G​oogle.

Questa separazione vale la pena di essere nominata apertamente, perché è la forma onesta di uno stack video del 2026. Nessun singolo fornitore vende bene entrambe le metà, e i team che ne soffrono sono quelli che hanno cercato di far coprire a un unico contratto sia un reader sia un renderer.

Come decidere, nell'ordine in cui arrivano i costi

Parti dal lettore, perché costa poco e produce l'artefatto che tutto il resto consuma. Se non riesci a ricavare dal materiale di partenza una shot list, un report colore e una trascrizione utilizzabili, nessuna qualità di generazione, per quanto alta, salverà il progetto — starai dando prompt alla cieca. Qwen3.8-Omni-Flash è un primo lettore ragionevole a 0,15 $ per milione di token in input, e il suo contesto da quasi un milione di token significa che un'ora di girato ci sta senza una strategia di chunking.

Poi misura le lunghezze effettive dei tuoi clip. Se il tuo deliverable mediano è inferiore ai quindici secondi — tagli per i social, inserti prodotto, sequenze B-roll — Gemini Omni Flash 1.2 lo copre in una singola chiamata a circa $0,07 al secondo a 720p, e il budget di sei immagini di riferimento basta a mantenere un soggetto per tutta quella durata. Se la tua mediana supera i trenta secondi, stai comprando una pipeline di stitching qualunque cosa dica il prezzo per token, e il limite di estensione di 30 secondi è il vincolo che governa la tua pianificazione più che la tua bolletta.

Allora dai un prezzo al fallimento, non al successo. Una richiesta di modifica rifiutata su 1.2 non costa nulla e non restituisce alcun file; una clip che deriva al dodicesimo secondo costa l'intero render più il tempo del revisore. Il secondo fallimento è quello che un modello di revisione intercetta, ed è per questo che la metà economica di questa coppia tende ad ammortizzarsi per prima.

Quello che non dovresti fare è trattare i due come una gara. Non esiste una classifica condivisa, né un output comune, né uno scenario in cui uno sostituisca l'altro. Il confronto utile è un rapporto — quanti minuti di girato puoi permetterti di aver guardato per ogni secondo che puoi permetterti di generare — e per la maggior parte dei team alla fine del 2026 quel rapporto si misura nell'ordine delle centinaia.