Gemini Omni 1.2 Flash vs Qwen3.8-Omni-Flash：「Omni」という言葉は二つの役割を担っている

アリババ自身が公表した推計では、720p動画を1時間読むコストはQwen3.8-Omni-Flashで約20セントです。Googleの定価では、生成された720p動画1時間の料金はGemini Omni 1.2 Flashで252ドルです。両モデルはどちらもOmniと呼ばれています。どちらもテキスト、画像、音声、動画を受け付けます。一方は映像を読み取ってテキストで答え、もう一方は映像を生成してファイルで答えます。両者の価格差は競争のシグナルではありません。なぜなら、両者は競合していないからです。それは、現実の1秒を製造するコストと、その1秒を記述するコストの違いなのです。

これが重要なのは、この比較が絶えず行われており、しかもほとんど常にGoogle側で誤ったモデルが使われているからだ。出回っている「Qwen Omni対Gemini」の記事はすべて、Alibaba自身が公開したベンチマーク表を含め、Qwen3.8-Omni-FlashをGemini 3.8 Flashと比較している。これは100万入力トークンあたり0.75ドルのテキスト出力モデルだ。これが正しい競合相手である。Gemini Omni 1.2 Flashは2026年11月5日から一般提供されており、別の料金体系の別製品であり、両者の公開された直接対決はどこにも存在しない。

Qwen3.8-Omni-Flashとは実際に何なのか

AlibabaのQwenチームは2026年9月18日、Qwen3.5-Omni-Plusの後継として、Qwen3.8-Flash-Nextアーキテクチャに基づくこれをリリースした。まず明確にすべきは出力モダリティだ。というのも、この名前は誤った想定を招くからである。これはテキストを生成するだけで、テキストしか生成しない。動画は生成せず、前身と違って音声も生成しない。オムニである要素はすべて入力側にある。

その面では並外れた能力を持つ。コンテキストウィンドウは100万トークンで、入力に約991,000、出力に131,000が利用可能だ。1回の呼び出しで1時間の連続動画を扱える。デュアルチャンネルステレオと4チャンネルの空間オーディオに対応しており、これがQwenの目玉の芸当——部屋の中で音源を特定し、それを指し示す——を可能にしている。ロボティクスや会議分析のチームが待ち望んでいた種類の能力だ。音声認識は74言語と中国語の39方言をカバーし、テキスト読み上げは姉妹モデルで29言語をカバーする。リアルタイム版のQwen3.8-Omni-Flash-Realtimeがあり、WebSocketまたはWebRTC経由で動作し、音声出力と56の声を192Kコンテキストで提供する。

価格設定が攻めの部分だ：入力トークン100万あたり0.15ドル、出力100万あたり0.47ドル、キャッシュ済み入力100万あたり0.016ドル。モデルの重みは非公開。APIのみで、Alibaba Cloud Model StudioとQwen独自のエンドポイントを通じて提供され、OpenAI互換、6つのリージョンで利用できる。

Gemini Omni 1.2 Flash は実際には何なのか

Googleのモデルは逆方向に進みます。テキスト、画像、音声、動画を入力すると、音声が同期された3～15秒の動画が、1秒刻みで、16:9または9:16の形式で出力されます。360pまたは720pで下書きし、1080pまたは4Kにアップスケールできます。1回のリクエストには最大6枚の参照画像、最大3秒のモーションクリップ、音声キューを含めることができ、マルチターン編集を使えば、全体を再生成せずに商品を差し替えたり、天気を変えたり、構図を変えたりできます。延長では1ターンごとに3～10秒が追加され、最大30秒まで可能です。すべてにSynthIDによるウォーターマークが付与されます。

1.2リリースは、機能面のリリースであると同時に値下げでもある。動画出力は100万トークンあたり17.50ドルから12.00ドルに下がり、720pの1秒あたり約0.07ドル、30%の削減となる。テキスト入力は100万トークンあたり1.50ドル、テキスト出力は100万トークンあたり9.00ドルのまま。有料プランのレート制限は同日に2倍になった。Googleはこのリリースでベンチマークスコアを一切公表せず、参照への忠実度、リップシンク、カメラの連続性について定性的な主張のみを示した。

両方を実行して初めて明らかになる3つのコストの罠

推論バジェットは出力として課金されます。 Qwen3.8-Omni-Flash は思考モードのデフォルトを「xhigh」に設定しており、最大262,000トークンの推論バジェットが出力レートで課金されます。長い動画についてじっくり考える1回のリクエストでは、推論だけで約$0.123かかる場合があります。これは動画読み取りの見積もりが示す額の600倍以上であり、実際の映像量がごくわずかなのにモデルが高価だと報告するチームがある理由でもあります。何かをベンチマークする前に、思考バジェットに上限を設定してください。

1時間あたりの動画の数値はベンダーの推定値です。アリババは動画取り込みのトークン毎秒レートを公開していないため、「1時間あたり20セント」という数値を価格表から独立に導き出すことはできません。0.15ドル/0.47ドルの料金は検証可能ですが、1時間あたりへの換算はQwenによる計算であり、公開された分析の一つは、まさにこの理由から「Geminiより98%安い」という主張を検証不能と指摘しています。

レンダリングコストは成果物の数ではなく、テイク数に比例して増えます。15秒のクリップは$1.05です。6本のカットダウンなら$6.30 — しかし、6本すべてを一発で仕上げられる人はいません。採用1本につき3回試すと、同じ6本のカットダウンに$18.90かかり、予算に入れるべきはこの数字です。またGoogleは連結したシーケンスを30秒までに制限しているため、それより長いものは拡張ではなく第2世代のパスになります。

実践パイプライン：入力30分で6本のクリップを出力

ここが両方のモデルが存在意義を得る場面であり、コスト分布が直感に反する場面でもある。

マスターを読み込む。 Qwen3.8-Omni-Flash は30分のソース動画を受け取り、話者交代、画面上のテキスト、タイムコード付きのショットリスト、そして誰かが引用に値する発言をした瞬間の短いリストを含むトランスクリプトを返します。Alibabaの見積もりでは、入力にかかるのはおよそ10セントです。6つの最良の瞬間を選ぶための思考パスを追加しても、予算に上限がある限り、依然として25セント未満に収まります。

カットダウン版をレンダリングして。Gemini Omni 1.2 Flashで15秒クリップを6本、各3テイク：$18.90。製品の参照画像で6本すべてのパッケージの一貫性を保ち、音声キューでセリフを聞き取りやすくし、マルチターン編集でズレが生じた2本を修正します。

出力を読み返す。 完成した6本のクリップをQwen3.8-Omni-Flashに戻し、画面上のテキストが判読できるか、セリフが台本と一致しているか、誰のリップシンクも1フレームもずれていないかを確認する。6本のクリップは90秒の動画だ。読み取りのコストはごくわずかで、確認作業こそがレンダリング費用を正当化する。

パターンは一般的だ。このペアでは、分析は安価で生成は高価であり、その差は2～3桁に及ぶ。逆の想定で予算を組むチーム——「知的な」モデルこそ高コストに違いないと決めつけるチーム——は、毎回レンダリング側の回線を過小に、読み取り側の回線を過大に配分してしまう。

ベンチマーク記録、そしてこれらの数字が誰のものなのか

Qwen3.8-Omni-Flash について公開されている情報はすべて、2026年9月22日に arXiv 論文として公開された Alibaba 自身の評価という一つの出所しかありません。Gemini 3.8 Flash との比較では、WildClawBench-MM で 71.0 対 58.9、SpotSoundBench で 67.2 対 39.7、会議の話者ダイアライゼーションでは圧倒的な差をつけており、ダイアライゼーション誤り率は 3.35 対 72.6 です。一方、OmniVideoBench では 63.4 対 65.2、AgenticVBench では 36.8 対 45.0 で負けています。これらはいずれも独立に再現されておらず、また Gemini Omni 1.2 Flash は動画をコンテキストウィンドウに読み込むこと自体ができないため、この比較には一切含まれていません。

Google側の収支はより空疎だ。Gemini Omni 1.2 Flashの発表には数字が一切ない——Eloも、勝率も、ベンチマークスイートもない。比較は定性的だ。1.1より参照一致が良く、対話がより流暢で、リップシンクがより明瞭で、ジャンプカットが少ない。NVIDIAとAlibabaのリリースには少なくとも表が付いてくるが、Googleのリリースには形容詞が付いてくる。

「どちらが優れているか」について正直に言えるのは、その問いには測定された答えがなく、誰かが同じタスクで両方を実行するまで答えは出ないということだ。自信をもって言えることは、より狭く、より有用である：{{1}}Qwenの数値は、入力価格の5分の1でテキスト出力モデルに対して獲得されたものであり、2つのシステムはまったく異なる評価尺度で採点されるため、動画生成器にはそのまま当てはまらない。{{/1}}

両ベンダーが本当に重複している箇所

モデルの話ではなく、企業契約の話です。どちらもクローズドで、API経由のみで、重要な意味でリージョン制限があります。アリババは北京、シンガポール、香港、東京、フランクフルト、バージニアにサービスを提供しており、Googleのアップロード動画向け編集機能は欧州の一部で利用できません。メディア企業がベンダーを選ぶことは、能力を選ぶのと同じくらい、データ処理契約と管轄区域を選ぶことでもあります。

また、どちらもできないことにも注目する価値がある。Qwen3.8-Omni-Flash はフレームを生成できず、Google の Omni 1.2 Flash は10分のクリップについての質問に答えられない。調達のオーバーヘッドを削減するために1社に集約しようとする人は、どちらの方向に集約しても、その集約によって何らかの機能を失うことになる。Google の移行に関する注意書きも、別の側面から同じ点を指摘している。2026年12月3日以降、gemini-omni-1.1-flash へのリクエストはコード変更なしで 1.2 が 1.2 の料金で応答する——クローズドなエンドポイントは、あなたの都合ではなくベンダーのスケジュールで動くという reminder である。

OrcaRouterがカバーする範囲と、カバーしない範囲

これら2つのモデルはどちらもOrcaRouter上にはなく、本稿もそうでないふりはしない。プラットフォーム上にあるのは、上記のパイプラインを第2、第3の契約を結ぶことなく構築するための隣接する能力だ。

読み取り側はQwen3.8 Flashが担います：テキスト・画像・動画を入力にテキストを出力し、100万トークンのコンテキスト、長時間動画の解析に対応。料金は入力100万トークンあたり$0.15、出力100万トークンあたり$0.47で、Omni版と同じ価格・同じプロファイルから空間オーディオ機能を除いたものです。レンダリング側はKling 3.0 Omniが担い、テキストからの動画生成と画像からの動画生成を3〜15秒のクリップで1リクエスト$0.084で提供します。両方とも1つのキーの背後にあり、同じソースを読み取り側と書き込み側に送るファンアウトは統合プロジェクトではなくルーティングルールで済みます。自動フェイルオーバーにより、プロバイダーの一時的な不調でキャンペーンがレンダリング途中で止まることはありません。また、0%のマークアップはプロバイダーの定価をそのままパススルーするものなので、ベンダーが料金を変更した日には当社側の数字もそれに追随します。

次の10分で決断する方法

映像素材はあるのに、検索も字幕付けも、プレゼンターが価格に触れる瞬間を見つけることもできないなら、Qwen側を買うべきです。まず思考予算に上限を設け、1時間あたりの見積もりを信じるのではなく、実際の取り込みレートを測定してください。

商品撮影があって締め切りも迫っているのに、カメラクルーがいないというのなら、Google側を買って、使える1カットにつき1回ではなく3回分の撮影を見込んでおくといい。

両方の問題を抱えているなら——ほとんどのチームが実際にそうだが——勝者を探すのはやめよう。この記事の最初の段落で挙げた2つのモデルが同じベンチマーク表に並ぶことは決してない。一方はファイルを生成し、もう一方はそのファイルについての段落を生成するからだ。両者をつなぐ唯一の数字は、誰も公表していない数字だ。組織が1時間の動画を制作するごとに、何時間分の動画を読むのか、という数字である。