Gemini Omni 1.2 Flash vs Qwen3.8-Omni-Flash: "Omni"라는 단어가 두 가지 역할을 하고 있다

알리바바가 자체적으로 공개한 추정치에 따르면 Qwen3.8-Omni-Flash로 720p 영상 한 시간을 읽는 데 드는 비용은 약 20센트다. 구글이 Gemini Omni 1.2 Flash로 생성한 720p 영상 한 시간의 정가는 252달러다. 두 모델의 이름은 모두 Omni다. 둘 다 텍스트, 이미지, 오디오, 영상을 입력받는다. 하나는 영상을 읽고 텍스트로 답하며, 다른 하나는 영상을 만들어 파일로 답한다. 두 모델 사이의 가격 격차는 경쟁 신호가 아니다. 왜냐하면 이들은 경쟁 관계가 아니기 때문이다. 그것은 현실 1초를 제조하는 비용과 그 1초를 묘사하는 비용의 차이다.

이것이 중요한 이유는 그 비교가 끊임없이 이루어지고 있고, 거의 항상 Google 쪽에서 잘못된 모델을 상대로 이루어지기 때문이다. 유통 중인 모든 "Qwen Omni 대 Gemini" 기사는 — Alibaba가 직접 공개한 벤치마크 표까지 포함해 — Qwen3.8-Omni-Flash를Gemini 3.8 Flash와 비교한다. 이 모델은 입력 토큰 100만 개당 $0.75의 텍스트 출력 모델이다. 그것이 올바른 경쟁 상대다. Gemini Omni 1.2 Flash는 2026년 11월 5일부터 일반 제공되어 왔으며, 다른 과금 기준을 가진 다른 제품이고, 두 제품 간의 공개된 직접 비교는 어디에도 없다.

Qwen3.8-Omni-Flash은 실제로 무엇인가요?

알리바바의 Qwen 팀이 2026년 9월 18일 Qwen3.5-Omni-Plus의 후속 모델로 이를 출시했으며, Qwen3.8-Flash-Next 아키텍처를 기반으로 만들어졌다. 먼저 바로잡아야 할 것은 출력 모달리티인데, 이름 때문에 잘못된 가정을 하기 쉽기 때문이다. 이 모델은 텍스트를 생산하며 오직 텍스트만 생산한다. 영상을 생성하지 않으며, 전작과 달리 음성도 생성하지 않는다. 이 모델의 옴니(omni)적인 요소는 모두 입력 측에 있다.

그 측면에서는 유난히 뛰어나다. 컨텍스트 윈도는 100만 토큰이며, 대략 991,000개는 입력에, 131,000개는 출력에 사용할 수 있다. 한 번의 호출로 1시간 분량의 연속 영상을 처리할 수 있다. 2채널 스테레오와 4채널 공간 오디오를 처리하는데, 이것이 Qwen의 대표적인 간판 기능인 방 안에서 음원 위치를 찾아내고 가리키는 기능을 가능하게 한다. 이는 로보틱스나 회의 분석 팀이 기다려 온 종류의 역량이다. 음성 인식은 74개 언어와 39개 중국 방언을 지원하며, 자매 모델에서 텍스트 음성 변환은 29개 언어를 지원한다. WebSocket 또는 WebRTC를 통해 실행되는 실시간 변형 모델 Qwen3.8-Omni-Flash-Realtime도 있으며, 음성 출력과 56개 음성, 192K 컨텍스트를 갖춘다.

가격이 공격적인 부분입니다: 입력 토큰 백만 개당 $0.15, 출력 백만 개당 $0.47, 캐시된 입력 백만 개당 $0.016입니다. 가중치는 비공개입니다. API 전용으로, Alibaba Cloud Model Studio와 Qwen 자체 엔드포인트를 통해 제공되며, OpenAI 호환 방식이고, 6개 리전에서 이용할 수 있습니다.

Gemini Omni 1.2 Flash가 실제로 무엇인지

구글의 모델은 반대 방향으로 간다. 텍스트, 이미지, 오디오, 비디오가 입력되고, 동기화된 오디오가 포함된 3~15초 길이의 비디오가 1초 단위로, 16:9 또는 9:16 비율로 출력된다. 360p나 720p로 초안을 만든 뒤 1080p나 4K로 업스케일할 수 있다. 한 번의 요청에는 최대 6개의 참조 이미지, 최대 3초의 모션 클립, 오디오 큐를 담을 수 있으며, 멀티턴 편집을 통해 전체를 다시 생성하지 않고도 제품을 바꾸거나 날씨를 변경하거나 샷의 구도를 조정할 수 있다. 확장 기능은 턴당 3~10초를 추가해 최대 30초까지 늘려준다. 모든 결과물에는 SynthID 워터마크가 적용된다.

1.2 릴리스는 기능 출시 못지않게 가격 인하이기도 합니다. 동영상 출력 가격은 100만 토큰당 $17.50에서 $12.00로 내려 720p 기준 초당 약 $0.07, 30% 하락했습니다. 텍스트 입력은 100만 토큰당 $1.50, 텍스트 출력은 100만 토큰당 $9.00으로 유지됩니다. 같은 날 유료 요금제의 속도 제한은 두 배로 늘어났습니다. Google은 이번 릴리스와 함께 벤치마크 점수를 공개하지 않았으며, 레퍼런스 준수, 립싱크, 카메라 연속성에 대한 정성적 주장만 내놓았습니다.

둘 다 실행할 때만 드러나는 세 가지 비용 함정

추론 예산은 출력으로 청구됩니다. Qwen3.8-Omni-Flash는 사고 모드의 기본값을 "xhigh"로 설정하며, 최대 262,000토큰의 추론 예산이 출력 요율로 청구됩니다. 긴 영상에 대해 깊이 사고하는 단일 요청은 추론에만 약 $0.123이 들 수 있습니다 — 이는 영상 읽기 추정치가 시사하는 금액의 600배가 넘으며, 실제 영상 분량은 미미한데도 일부 팀이 이 모델을 비싸다고 보고하는 이유입니다. 무엇이든 벤치마크하기 전에 사고 예산을 제한하세요.

시간당 영상 수치는 벤더 측 추정치입니다. 알리바바는 영상 수집에 대한 초당 토큰 처리 속도를 공개하지 않으므로, "시간당 20센트"라는 수치는 가격표에서 독립적으로 도출할 수 없습니다. 0.15달러/0.47달러 요율은 검증 가능하지만, 시간당 환산은 Qwen의 계산이며, 이미 한 공개 분석에서 바로 이런 이유로 "Gemini보다 98% 저렴하다"는 주장을 검증 불가능하다고 지적한 바 있습니다.

렌더링 비용은 결과물 개수가 아니라 테이크 수에 비례해 늘어난다. 15초 클립 하나는 $1.05다. 여섯 개의 컷다운이면 $6.30 — 하지만 첫 시도에서 여섯 개 중 여섯 개를 건지는 사람은 없다. 쓸 만한 결과물 하나당 세 번씩 시도한다면, 같은 여섯 개의 컷다운에 $18.90이 들며, 예산에 들어가는 숫자는 바로 이것이다. 또한 Google은 이어 붙인 시퀀스를 30초로 제한하므로, 그보다 긴 것은 연장이 아니라 두 번째 생성 패스다.

실제 예시 파이프라인: 30분 입력, 클립 6개 출력

바로 이 지점에서 두 모델 모두 자리매김하며, 비용 분포가 직관과 어긋나는 곳이기도 하다.

마스터를 읽으세요. Qwen3.8-Omni-Flash는 30분 분량의 원본 비디오를 받아 화자 전환, 화면 텍스트, 타임코드가 포함된 샷 목록, 그리고 누군가 인용할 만한 말을 하는 순간들의 짧은 목록이 담긴 대본을 반환합니다. Alibaba의 추산으로 이는 입력 비용이 약 10센트입니다. 최고의 순간 여섯 개를 고르기 위해 사고 과정을 한 번 더 추가해도 여전히 25센트 미만입니다 — 예산이 제한되어 있는 한.

컷다운을 렌더링하세요. Gemini Omni 1.2 Flash로 만드는 15초 클립 6개, 각 3테이크: $18.90. 제품 참조 이미지를 사용하면 여섯 클립 모두에서 패키지가 일관되게 유지되고, 오디오 큐는 대화를 명확하게 유지하며, 멀티턴 편집으로 어긋난 두 클립을 수정합니다.

출력물을 다시 읽어 들이세요. 완성된 클립 여섯 개를 Qwen3.8-Omni-Flash에 다시 넣어 화면 텍스트가 읽을 수 있는지, 대사가 대본과 일치하는지, 립싱크가 한 프레임도 어긋나지 않았는지 확인합니다. 클립 여섯 개면 90초 분량의 영상입니다. 읽기 비용은 무시할 수준이고, 바로 이 검수 덕분에 렌더링 비용 청구가 정당성을 갖습니다.

이 패턴은 일반적입니다. 이 조합에서는 분석이 저렴하고 생성이 비싸며, 그 차이는 두세 자릿수에 달합니다. 그 반대로 예산을 책정하는 팀, 즉 "지능형" 모델이 반드시 비용이 많이 드는 쪽일 것이라고 가정하는 팀은 매번 렌더 라인에는 자원을 과소하게 배정하고 리드 라인에는 과도하게 배정합니다.

벤치마크 기록, 그리고 이 수치들이 누구의 것인지

Qwen3.8-Omni-Flash에 관해 공개된 모든 정보는 한 곳에서 나옵니다. 바로 2026년 9월 22일 arXiv 논문으로 공개된 알리바바 자체 평가입니다. Gemini 3.8 Flash를 상대로 WildClawBench-MM에서는 71.0 대 58.9로, SpotSoundBench에서는 67.2 대 39.7로, 회의 화자 분리에서는 화자 분리 오류율 3.35 대 72.6이라는 엄청난 격차로 이깁니다. OmniVideoBench에서는 63.4 대 65.2로, AgenticVBench에서는 36.8 대 45.0으로 집니다. 이 중 어느 것도 독립적으로 재현되지 않았으며, 어느 것도 Gemini Omni 1.2 Flash와 관련이 없습니다. Gemini Omni 1.2 Flash는 비디오를 컨텍스트 윈도에 전혀 읽어 들이지 않습니다.

구글 쪽 장부는 더 허전하다. Gemini Omni 1.2 Flash 발표에는 숫자가 없다 — Elo도, 승률도, 벤치마크 스위트도 없다. 비교는 정성적이다: 1.1보다 더 나은 레퍼런스 매칭, 더 매끄러운 대화, 더 선명한 립싱크, 더 적은 점프 컷. NVIDIA와 Alibaba의 릴리스는 적어도 표를 갖춰 나오지만, 구글의 것은 형용사를 갖춰 나온다.

"어느 쪽이 더 나은가"에 대한 정직한 입장은, 이 질문에는 측정된 답이 없으며 누군가 동일한 작업에서 두 모델을 모두 실행하기 전까지는 없을 것이라는 것입니다. 자신 있게 말할 수 있는 것은 더 좁고 더 유용합니다. Qwen의 수치는 입력 가격의 5분의 1인 텍스트 출력 모델을 상대로 얻은 것이며, 두 시스템은 완전히 다른 척도로 채점되기 때문에 비디오 생성기로 전이되지는 않을 것입니다.

두 벤더가 실제로 겹치는 부분

모델이 아니라 기업 계약의 문제다. 둘 다 폐쇄형이고, 둘 다 API 전용이며, 둘 다 중요한 방식으로 지역 제한이 걸려 있다. Alibaba는 베이징, 싱가포르, 홍콩, 도쿄, 프랑크푸르트, 버지니아를 서비스한다. Google의 업로드된 동영상 편집 기능은 유럽 일부 지역에서 사용할 수 없다. 미디어 기업이 벤더를 선택하는 것은 기능만큼이나 데이터 처리 계약과 관할권을 선택하는 일이다.

또한 두 제품 모두 하지 못하는 일이 무엇인지도 주목할 만하다. Qwen3.8-Omni-Flash는 프레임을 생성할 수 없고, Google의 Omni 1.2 Flash는 10분짜리 클립에 관한 질문에 답할 수 없다. 조달 오버헤드를 줄이기 위해 단일 벤더로 통합하려는 사람은 어느 방향으로 통합하든 그 통합으로 인해 기능 하나를 잃게 된다는 사실을 알게 될 것이다. Google의 마이그레이션 안내는 반대편에서 같은 점을 말한다. 2026년 12월 3일부터 gemini-omni-1.1-flash에 대한 요청은 코드 변경 없이 1.2 가격으로 1.2가 응답한다 — 이는 폐쇄형 엔드포인트는 여러분의 일정이 아니라 벤더의 일정에 따라 움직인다는 점을 상기시킨다.

OrcaRouter가 다루는 것과 다루지 않는 것

이 두 모델 중 어느 것도 OrcaRouter에 없으며, 이 글은 그렇지 않은 척하지 않을 것입니다. 플랫폼에 있는 것은 두 번째, 세 번째 계약 없이 위의 파이프라인을 구축할 수 있는 인접한 역량입니다.

읽기 쪽은 Qwen3.8 Flash가 담당합니다: 텍스트, 이미지, 비디오 입력, 텍스트 출력, 100만 토큰 컨텍스트, 장시간 비디오 분석, 입력 100만 토큰당 $0.15 및 출력 100만 토큰당 $0.47로 청구 — Omni 변형과 동일한 가격 및 동일한 프로필에서 공간 오디오 기능만 제외한 것입니다. 렌더링 쪽은 Kling 3.0 Omni가 텍스트-투-비디오 및 이미지-투-비디오 요청당 $0.084, 3–15초 클립으로 담당합니다. 둘 다 하나의 키 뒤에 있으므로, 동일한 소스를 리더와 라이터에 보내는 팬아웃은 통합 프로젝트가 아니라 라우팅 규칙입니다; 자동 장애 조치 덕분에 제공업체에 일시적인 문제가 생겨도 렌더링 도중 캠페인이 중단되지 않습니다; 0% 마크업은 제공업체 정가를 그대로 전달하는 구조이므로, 공급업체가 요금을 변경하는 날 우리 쪽 숫자도 함께 바뀝니다.

다음 10분 안에 결정하는 방법

문제가 영상 소스는 있는데 검색하거나 자막을 달거나 발표자가 가격을 언급하는 순간을 찾을 방법이 없다는 것이라면, Qwen 쪽을 선택하세요. 먼저 사고 예산을 제한하고, 시간당 추정치를 믿지 말고 실제 인제스트 속도를 측정하세요.

제품 사진 한 장과 마감 기한은 있는데 카메라 촬영팀이 없다는 게 문제라면, Google 쪽을 구매하고, 쓸 만한 컷 하나당 한 번이 아니라 세 번의 테이크를 예산에 잡아라.

두 문제를 모두 겪고 있다면, 대부분의 팀이 실제로 그렇듯이, 승자를 찾는 일을 그만두세요. 이 글의 첫 문단에 언급된 두 모델은 결코 같은 벤치마크 표에 함께 등장하지 않을 것입니다. 왜냐하면 하나는 파일을 만들어 내고, 다른 하나는 그 파일에 관한 문단을 만들어 내기 때문입니다. 두 모델을 연결하는 유일한 숫자는 아무도 공개하지 않는 숫자입니다. 바로 조직이 영상 한 시간을 제작할 때마다 몇 시간 분량의 영상을 읽는가입니다.