Gemini Omni Flash 1.2 vs Qwen 3.8 Omni Flash：一方は映像素材を生成し、もう一方はそれを読み解く

「どちらが優れているか、G​emini Omni Flash 1.2 か Qwen3.8-Omni-Flash」という問いには、ほとんどの比較ページが教えてくれない短い答えがあります。両者は比較できません。なぜなら、一方はこれまで一度も動画のフレームを生成したことがないからです。G​emini Omni Flash 1.2 はネイティブ音声付きの動画生成ツールで、テキスト、画像、参照動画を入力として受け取り、MP4 を出力します。Qwen3.8-Omni-Flash はマルチモーダルな読み取りツールで、テキスト、画像、音声、動画を入力として受け取り、テキストを出力します。動画、画像、音声の生成は一切できません。これらは、動画チームが同じ四半期に購入することになる二つの異なるマシンです。あなたの目の前にある判断は、A か B かではありません。それぞれをどれだけ使うかであり、それに答える計算は品質ではなく尺（動画の長さ）です。

出力列がベンチマークより先に決着を付ける

これら2モデルのあらゆる比較は、存在しないリーダーボードから始まる。Artificial Analysisは3つの動画ボード——編集、テキストから動画、画像から動画——を運営しており、G​emini Omni Flash 1.2はそのすべてで採点され、現在それぞれ2位、6位、14位だ。Qwen3.8-Omni-Flashはそのどれにも載っていない。低くランクされているのではない。存在しないのだ。ランク付けできる動画出力がないからである。この2モデル間の直接対決のEloは、我々が伏せている数字ではない。誰にも計算できない数字なのだ。

比較できるのはインターフェースだ。G​emini Omni Flash 1.2 は動画を返す。Qwen3.8-Omni-Flash はトークンを返す。その一つの違いから下流のすべてが機械的に導かれる。

• 入力 — G​emini Omni Flash 1.2 は、テキスト、最大6枚の参照画像、参照動画クリップを受け取ります。Qwen3.8-Omni-Flash は、テキスト、画像、音声、動画を受け取り、1回の呼び出しで1時間を超える映像も含めることができます。

• 出力 — G​emini Omni Flash 1.2 はネイティブ同期音声付きの動画を返し、Qwen3.8-Omni-Flash はテキストのみを返します。

• コンテキスト — Gemini Omni Flash 1.2 は 131,072 入力トークンを受け付け、65,536 を返します。Qwen3.8-Omni-Flash は 100 万弱の入力トークン（991,808）を受け付け、最大 131,072 を返します。

• 時間長の上限 — G​emini Omni Flash 1.2 は1回の呼び出しにつき3～15秒を生成し、ターンを重ねて最大30秒まで延長可能。Qwen3.8-Omni-Flash は時間単位で視聴でき、その上限は実行時間ではなくトークン予算です。

• 価格 — G​emini Omni Flash 1.2 は動画出力を100万トークンあたり12.00ドル、テキストおよびメディア入力を1.50ドルで課金します。Qwen3.8-Omni-Flash は入力100万トークンあたり0.15ドル、出力100万トークンあたり0.47ドルを課金します。

生成された動画15秒分のコストを、視聴される動画1時間分と比べると

2つの価格表を同じ軸に載せると、非対称性はもはや抽象的なものではなくなる。G​oogleは生成動画を映像1秒あたりの固定トークン率で課金する。720pで毎秒5,792トークン、アップサンプリングありの1080pで毎秒8,688トークンだ。100万トークンあたり12.00ドルとすると、15秒の720pクリップは出力トークンでおよそ1.05ドル、1080pの丸1分は6.26ドルになる——これはArtificial Analysisがコスト列に記載している数値であり、G​oogle自身の料金表と1セント単位まで一致する。

さて、もう一方の話です。Qwen3.8-Omni-Flashは映像の秒単位ではなくトークン単位で課金され、動画フレームはサンプリング設定で決まるレートでトークン化されます。1秒あたり1フレームという控えめな設定でも、1時間の映像は数十万ではなく数万の視覚トークンとして届きます。入力100万トークンあたり$0.15なので、その1時間分の取り込みはドルではなくセント単位に収まります。正確な金額は選ぶフレームレートと解像度に依存しますが、まさにそこが要点です。視聴は十分に安いので精度のために調整し、生成は十分に高いので長さのために調整するのです。

その非対称性こそが購買判断のすべてだ。この2つを代替品として予算化するチーム——「動画AIにXドルある」——は、安い側を系統的に買い控え、高い側を過度に制約することになる。パイプラインとして予算化するチームは、生成映像1秒分未満のコストで1時間の機械レビューを買い、生き残ったクリップにだけ生成予算を費やす。

誰も書かないワークフロー：プロンプトの前には何が起きているのか

ここから、この組み合わせは理論上の話ではなくなる。動画パイプラインで高くつく失敗は、出来の悪いレンダーではない。間違った対象をうまくレンダリングしてしまい、延長を4回、参照画像を6枚分課金された後に気づくことだ。

読み取りモデルはその順序を変える。ソース映像、クライアントの既存のリール、製品のウォークスルー、50分のインタビュー——新しいクリップが合わせる必要のあるものなら何でも——をQwen3.8-Omni-Flashに投入し、プロンプトに必要なものを尋ねる。タイミング付きのショットリスト、シーンごとの主要な色とライティング、画面内テキスト、話者と各話者が話すタイミング、越えてはならないカットだ。その出力はテキストであり、生成器に与えるのはテキストだ。G​emini Omni Flash 1.2は動画を指示セットとして受け付けない。プロンプトと最大6枚の参照画像を受け付け、意図を把握するために何かを1時間視聴することはできない。

逆方向はより弱いが、現実のものだ。クリップが一度存在すれば、同じリーダーモデルがそれを監査できる——カットをまたいでジャケットの色が保たれているか、4番目の拡張で音声が同期しているか、画面上のラベルが最後のフレームまで残っているか。これらはまさに、Google が11月5日の変更履歴で1.2について主張している特性であり、また、どの選好アリーナも測定していないまさにその特性だ。なぜなら、ペアワイズの「どちらのクリップがより良く見えるか」投票では、12秒目にしか現れない連続性エラーを見ることができないからだ。

正直なところ、これには限界がある。これはどれもベンダーがお墨付きを与えたワークフローではない。AlibabaのドキュメントはQwen3.8-Omni-Flashを汎用マルチモーダルモデルとして説明しており、動画制作ツールとして位置づけているわけではない。またGoogleのガイドには、競合他社の出力を取り込む経路についての記述は一切ない。このパターンは実務者が自ら組み立てるものであり、両端が接合部でプレーンテキストをやり取りするからこそ機能するのだ。

それぞれが間違ったツールとなる場合

成果物が画像入りのファイルになった瞬間、Qwen3.8-Omni-Flash は間違ったツールです。画像モードも動画モードも音声モードもありません。ブリーフに「15秒のカットを作って」とあるなら、そのモデルは中に何を入れるべきかは教えられますが、作ることはできません。

Gemini Omni Flash 1.2 は、30秒を超える用途や、特定の市場には適さないツールです。3～15秒の生成で、延長は最大30秒までに制限されるため、2分の解説動画はつなぎ合わせ作業になり、つなぎ目ごとに連続性が崩れる可能性があります。参照画像の上限6枚は、それを一貫させるためのものですが、保証するものではありません。アップロードした動画の編集と延長はEEA、スイス、英国では利用できないため、これらの地域のユーザーには会話型編集という売り文句が当てはまりません。どちらのバージョンにも無料枠はなく、システム指示、temperature、top_p、ネガティブプロンプトもありません。モデルはプロンプトと参照メディアだけを受け取り、それ以外は何も受け取りません。すべての出力にはSynthIDウォーターマークが付きます。

商業面で重要な非対称性が1つあります。1.1のエンドポイントは2026年12月3日に自動的に1.2へルーティングされるため、古いG{{1}}emini{{/1}}バージョンは長期的なフォールバックにはなりません。Qwen3.8-Omni-Flashには、そのような強制的な移行は付随していません。安定したリーダーが必要なパイプラインを構築しているなら、リーダーはこの組み合わせの中で安定した側です。

ルーティング層が実際にどこに位置するのか

OrcaRouterのカタログには、これら2つのエンドポイントのどちらも含まれていません。比較ページでそうではないかのように示唆するより、そのことを明言したいと考えています。Gemini Omni Flash 1.2はGoogleのAPIを経由し、Qwen3.8-Omni-FlashはAlibaba Cloud Model Studioを経由します。当社が実際に提供しているのは、それらの両側に位置するレイヤーです。

上記パイプラインのインジェストと監査の半分はテキストとビジョンの作業であり、それは当社がルーティングするモデル上で実行される側です。対象には、同じファミリーのテキスト専用の兄弟モデルであるQwen3.8-Flashや、フレームレベルの説明を行うQwen3-VL instructモデルが含まれ、これらはすべて1つのAPIキーでプロバイダーの定価、マークアップ0%で、また上流が劣化した場合の自動フェイルオーバーとともに利用できます。ルーティングルールを使えば、デプロイなしで監査リクエストの一部を2つ目のモデルに送れるため、低コストのリーダーが十分に優れているかどうかを、本番経路をそれに割り当てる前に確認できます。生成呼び出しは、それが留まるべき場所に留まります。G​oogleへ直接、G​oogleの課金メーターで、G​oogleの料金改定がG​oogleのスケジュールで請求書に反映されます。

その分離は、2026年の動画スタックの正直な姿なので、率直に名付ける価値がある。両方の半分をうまく売る単一ベンダーは存在せず、苦しむのは、1つの契約でリーダーとレンダラーの両方をカバーしようとしたチームだ。

コストが到着する順に決定する方法

まずリーダーから始めよう。安価で、ほかのすべてが消費する成果物を生成するからだ。素材映像から使えるショットリスト、カラーリポート、トランスクリプトを引き出せないなら、生成品質がどれほど高くてもプロジェクトは救えない。盲目的にプロンプトを書くことになる。Qwen3.8-Omni-Flash は100万入力トークンあたり0.15ドルで、最初のリーダーとして妥当だ。ほぼ100万トークンのコンテキストにより、1時間の映像がチャンキング戦略なしで収まる。

次に、実際のクリップの長さを測定してください。納品物の中央値が15秒未満なら——ソーシャル向けカット、商品インサート、Bロールのビートなど——Gemini Omni Flash 1.2は1回の呼び出しで対応でき、720pで毎秒約$0.07、6枚の参照画像という枠があればその範囲全体で被写体を保持するのに十分です。中央値が30秒を超えるなら、トークン単価が何と言おうと、あなたはつなぎ合わせパイプラインを買っていることになり、30秒の延長上限こそが請求額ではなくスケジュールを左右する制約になります。

では、成功ではなく失敗に値段をつけてみよう。1.2 上での編集リクエストの拒否は何のコストもかからず、ファイルも返ってこない。一方、12 秒目でずれるクリップは、レンダリング全体に加えてレビュアーの時間まで奪う。2 つ目の失敗こそリーダーモデルが捉えるものだ。だからこそ、このペアの安い側が先に元を取る傾向がある。

してはいけないのは、この二つを一騎打ちとして扱うことだ。共通のリーダーボードも、共通の出力も、一方が他方を置き換えるシナリオも存在しない。有用な比較は比率だ——生成に割ける1秒あたり、視聴に割ける映像が何分あるか——そして2026年後半のほとんどのチームにとって、その比率は数百の単位で測られる。