Gemini Omni 1.2 Flash 対 Nano Banana 2.1：1本のクリップに31枚のスチル

30秒の製品広告の予算を組むなら、必要なのはGoogleのモデル1つではなく2つです。Nano Banana 2.1は静止画マシンであり、エンドポイントはgemini-nano-banana-2.1、2026年10月6日から一般提供されています。1K画像で$0.0336、2Kで$0.0504、4Kで$0.113です。Gemini Omni 1.2 Flashは動画マシンで、2026年11月5日から一般提供されており、720p動画1秒あたり約$0.07、つまり15秒のクリップで約$1.05になります。一方を他方で割ると、15秒のレンダリング1回にかかるコストは、1K静止画31枚分とほぼ同じです。この比率が判断のすべてであり、ほとんどのチームが逆にとらえてしまう比率です。なぜなら、彼らは成果物ではなくモデルの価格を基準にしているからです。

どちらも Google 製で、どちらも従量課金制、どちらにも SynthID が付与されており、さらにどちらにも統合を悩ませる命名上の癖があります。表示名とエンドポイント ID が想定している形になっていないのです。Nano Banana は Gemini のネイティブ画像生成に対する Google の製品名で、最新のものは gemini-nano-banana-2.1 という名前ですが、その前身は gemini-3.1-flash-image です。Omni の最新のものは gemini-omni-1.2-flash という名前です。どちらの名前からも、どのモダリティを購入しているのかは分かりません。

それぞれが返却するもの

Nano Banana 2.1は、テキスト、画像、動画、PDFを入力として受け取り、画像とテキストを出力します。解像度は1K、2K、4Kで、思考レベルはminimal、medium、highです。最大14枚の参照画像を保持してマルチ画像融合を行え、4人のキャラクターと10個のオブジェクトにわたるオブジェクトの忠実性を保つのに十分です。また、Google検索と画像検索のグラウンディングに対応しています。トークン上限は入力131,072、出力32,768です。

Gemini Omni 1.2 Flashはテキスト、画像、動画を入力として受け取り、ネイティブな同期オーディオ付きの動画を返します。長さは3～15秒、24フレーム毎秒、解像度は360p、720p、1080p、4Kで、上位2つはアップスケールされます。1リクエストあたり最大6枚の参照画像に加え、最大3秒の参照動画を保持します。入力トークンは同じ131,072を受け付け、最大65,536を返します。

• 出力 — ネイティブ音声付きの動画に画像とテキストを重ねる

• 所要時間 — 1フレームに対し3～15秒、合計30秒まで延長可能。

• 参照画像 — 最大14枚 対 最大6枚

• 解像度 — 1K、2K、4Kのネイティブ階層と、360p、720p、1080p、4K（上位2つはアップスケール）との比較。

• 思考制御 — 最小、中、高 対 なし。Omni は temperature、top_p、システム指示を一切公開しません。

• 入力タイプ — テキスト、画像、動画、PDF 対 テキスト、画像、動画。

• 価格 — 1K画像あたり$0.0336、720pの1秒あたり約$0.07との比較で。

30秒広告の算数

ベンチマークではなく、実際のワークフローを考えてみましょう。30秒を埋めるために8つのショットがあり、それぞれ2〜4秒です。そしてモーション生成にお金を払う前に、最も訴求力のあるフレームを選びたいはずです。

スチル側では、1ショットにつき2Kで4候補を生成します。32枚で1枚$0.0504、合計$1.61です。それらを確認して8枚を選び、選ばれたものを4Kにアップスケールします。1枚あたり$0.113で、さらに$0.90です。プロジェクトには約$2.51を投じており、承認済みのフレームが8枚あります。

ではアニメーション化しましょう。8ショットを各約3秒にすると、720pで24秒、さらにリトライが加わります。そしてOmniの対話型編集では、リトライは例外ではなく通常のワークフローです。1ショットにつき2テイクとすると、1秒$0.07で48秒の出力、約$3.36です。次に最終版をアップスケールします。1080pなら1秒あたり$0.104で24秒、約$2.50、4Kならその2倍です。

総額で8〜9ドル、そのおよそ3分の1がスチルに費やされる。これが実際の請求額の姿であり、「クリップ1本あたりスチル31枚」という比率を助言として受け取ると誤解を招く理由でもある。スチルはクリップの代替ではない。クリップを作る価値があるかを決める、安価な部分なのだ。

比率が本当に効いてくるのは別の問いだ。この成果物は静止画なのか、それとも動きのシーケンスなのか。500点の商品画像カタログなら25ドルのNano Banana案件か、525ドルのOmni案件であり、その比較では審判の出る余地はない。プロンプトが動くものを描写していたからといって動画を生成するのは誤りだ。

参照画像では、安価なモデルのほうが高性能なモデルです。

これはこの比較の直感に反する発見であり、両方のドキュメントで確認できます。Nano Banana 2.1は最大14枚の参照画像を受け付けます。Gemini Omni 1.2 Flashは最大6枚です。

Google自身によるOmniの6つの参照画像に関する説明は具体的だ。1キャラクターにつき最大3枚、最大2キャラクターまで、さらに製品とスタイルの参照画像を加えられる。モデルカードはこれを「最大6枚の参照画像にわたるキャラクターと被写体の一貫性の向上」と呼び、ローンチ投稿では、顔、衣服、パッケージのタイポグラフィ、ブランドカラーをアングル間で一貫して保つことについて説明している。参照動画の経路は別個で、長さに応じて段階分けされている。11～15秒の出力には最大3秒の参照動画を1本、3～10秒の出力には最大3本を使用する。参照動画は新規生成にのみ機能し、編集や延長には使えない。

Nano Banana 2.1の14個は、別の問題を狙っています。複数の被写体を一つのシーンに融合させることです。カードは4体のキャラクターと10個のオブジェクトについての忠実性をうたっています。これはコンポジット能力であり、連続性の能力ではありません。カタログ制作に適しています——同じバッグを10の異なる部屋に置いても、バッグを描き直す必要はありません。

実用上の結論はこうだ。「同じキャラクターを多くのショットで」が用途なら、キャラクター1体につき3枚という構成で6枚の参照画像を使えるOmniのほうが、より仕様の明確なツールだ。「多くのオブジェクトを1フレームで」が用途なら、14枚の参照画像を使えるNano Bananaのほうだ。参照画像の枚数を数えて優劣を決めると、これはまったく間違える。

テキストレンダリング。ここが、これらのモデルが実際に異なる点です。

どちらのモデルも読みやすい文字の生成に異常なほど優れており、両モデルにとって、出荷できるものを最も大きく変えるのはその能力です。

Nano Banana 2.1 が Nano Banana 2 に対して挙げている進歩は、視覚品質、プロンプト追従性、マルチターンでのキャラクター一貫性、テキストレンダリングに加え、ワイドなパノラマ比率の修正です——1:4、4:1、1:8、8:1 は 2K と 4K でタイル化されなくなります。成果物がインフォグラフィック、ポスター、UI モックなら、その組み合わせこそが製品のすべてです。

Omni 1.2の同等の主張は、動きの中のテキスト、つまりラベルの可読性、チャートアニメーション、画面上のコールアウトに関するものです。Googleの発表資料はこの点を前面に出しており、入手可能な唯一の独立したハンズオンテスト——SegmindのRohit Raoによる20回の生成、クレジット16.17ドル——では、提供された最終フレームから作成するラベル付き解説動画とチャートアニメーションがモデル最も得意とする領域である一方、ゼロから生成するフォトリアルな人物が失敗する領域であることが分かりました。彼の要約は「私がテストした中で最も指示に忠実な動画モデル」でしたが、指示の約4分の1が飛ばされるという注意点が付いていました。

この組み合わせにとってそれが何を意味するかに注目してください。Omni 1.2 の最も強力な記録済みの用途は、すでにデザインしたグラフィックをアニメーション化することです。それは Nano Banana 2.1 の仕事です。

解像度、アップスケーリング、そして「4K」の価値とは

どちらも4Kをうたっているが、その4Kが意味するものは同じではない。

Nano Banana 2.1 は 1K、2K、4K を選択可能な出力ティアとして生成し、Google はそれぞれを別料金で設定しています。1 枚あたり $0.0336、$0.0504、$0.113 です。トークン計算は実際のピクセルを反映しており、1K 画像で 1,120 トークン、2K で 1,680、4K で 3,780 です。

Gemini Omni 1.2 Flashのガイドには、1080pと4Kはアップスケールされると明記されています。価格はネイティブレンダリングではなくトークン消費量に基づいており、1080pでは毎秒8,688トークン、4Kでは17,376トークン、720pでは5,792トークンです。そのため、15秒の4Kクリップは約$3.14かかり、最上位ティアは撮影時に捉えたディテールではなく、より小さいレンダリングの拡大です。ソーシャル配信なら問題ありません。放送用途なら、約束する前にテストしてください。

ワークフローはどちらも～に属します

Google 自身が推奨する Omni の原則は、安く下書きし、反復し、勝者をアップスケールすることです。探索には 360p または 720p、最終には 1080p または 4K を使います。Nano Banana における同等の手順は、1K で生成し、選んだものをアップスケールすることです。これらを直列で実行すれば、順序は自ずと決まります — まずスチルで構図と文字要素を固め、次にレビューを通過したフレームにモーションを加え、最後に両方を最終アップスケールします。

厳格な境界が一つあります。Omniは画像を動画の成果物として受け付けず、Nano Bananaは動画を画像の成果物として受け付けません。どちらのモデルの出力も、同モダリティの編集として他方に戻すことはできません — Omniは自身のクリップを延長し、会話的に編集できますが、Nano Bananaは自身の静止画を編集でき、どちらも相互に越えません。

OrcaRouter経由でどちらかを購入する

この2つのエンドポイントはいずれも現在当社のカタログにはありません。google/gemini-nano-banana-2.1 と google/gemini-omni-1.2-flash はどちらも OrcaRouter のモデルページでは 404 を返すため、両方ともベンダー API 経由で利用する形になります。同じファミリーで当社が提供しているのは、以前の画像生成エンドポイントである google/gemini-3.1-flash-image-preview — Nano Banana 2 — と、Nano Banana Pro および Gemini 3.8 Flash テキストモデルです。つまり、最新のチェックポイントに固定されていない画像パイプラインでも、計画、プロンプト拡張、QA の各ステップを1つのキーで実行できます。

これが正直なところです。メディア呼び出しは直接行われ、その周囲のテキスト呼び出しはそうである必要はありません。OrcaRouterはプロバイダーの定価をそのまま通し、0%のマークアップで請求するため、GoogleがNano BananaやOmniの料金を改定すれば、その変更は先方に出た同じ日に当社側にも反映され、自動フェイルオーバーにより、あるプロバイダーが劣化したときでもプロンプト展開ステップを維持できます。

実際に何を選ぶべきか

成果物が誰かに見られるフレーム——パックショット、インフォグラフィック、ヒーロー画像、UIモック——なら、Nano Banana 2.1 は出力あたり30倍安く、参照を2倍以上受け付け、PDFも扱え、Omni が公開していない思考制御を備えている。その判断で Omni が実力で勝つ展開は存在しない。

成果物がモーションである場合、Nano Banana 2.1はどんな価格でもそれを制作できず、比較はそこで終わります。

罠は中間のケースにある。「動画広告」を求めているのに、難しい問題がすべて構図、タイポグラフィ、一貫性にあるプロジェクトだ。それらは依然として問題である。1フレーム3セントのモデルでそれらを解決し、Omniには32枚の投機的なフレームではなく、承認済みの8枚のフレームをアニメーションさせよう。31対1という比率は、静止画モデルを支持する論拠ではない。まずそれを使うべきだという論拠である。