Gemini Omni 1.2 Flash vs Nano Banana 2.1: Trzydzieści jeden stopklatek na jeden klip

Zaplanuj budżet trzydziestosekundowej reklamy produktu, a będziesz potrzebować dwóch modeli Google, nie jednego. Nano Banana 2.1 to maszyna do zdjęć — endpoint gemini-nano-banana-2.1, ogólnie dostępny od 6 października 2026 r., 0,0336 USD za obraz 1K, 0,0504 USD przy 2K i 0,113 USD przy 4K. Gemini Omni 1.2 Flash to maszyna do ruchu: ogólnie dostępna od 5 listopada 2026 r., około 0,07 USD za sekundę wideo 720p, co daje piętnastosekundowy klip za blisko 1,05 USD. Podziel jedną wartość przez drugą, a pojedynczy piętnastosekundowy render kosztuje mniej więcej tyle, co trzydzieści jeden obrazów 1K. Ten stosunek to cała decyzja i jest to stosunek, który większość zespołów odwraca, ponieważ wyceniają model, a nie efekt końcowy.

Oba są produktami Google, oba są rozliczane według zużycia, oba zawierają SynthID i oba mają osobliwość nazewnictwa, która sprawia problemy integracjom: nazwa wyświetlana i identyfikator endpointu nie mają kształtu, którego się oczekuje. Nano Banana to nazwa produktu Google dla natywnego generowania obrazów Gemini, a najnowszy odpowiada na gemini-nano-banana-2.1, podczas gdy jego poprzednik to gemini-3.1-flash-image. Najnowszy Omni odpowiada na gemini-omni-1.2-flash. Żadna z nazw nie mówi, jaką modalność kupujesz.

Co każdy z nich zwraca

Nano Banana 2.1 przyjmuje tekst, obrazy, wideo i PDF, a zwraca obrazy i tekst w rozdzielczości 1K, 2K lub 4K, z poziomami myślenia: minimalnym, średnim lub wysokim. Obsługuje do 14 obrazów referencyjnych do fuzji wielu obrazów — wystarczająco dla czterech postaci i zachowania wierności dziesięciu obiektów — oraz zapewnia ugruntowanie w Google Search i Image Search. Jego limity tokenów wynoszą 131 072 na wejściu i 32 768 na wyjściu.

Gemini Omni 1.2 Flash przyjmuje tekst, obraz i wideo, a zwraca wideo z natywnym zsynchronizowanym dźwiękiem, trwające od trzech do piętnastu sekund przy 24 klatkach na sekundę, w rozdzielczości 360p, 720p, 1080p lub 4K, przy czym dwie najwyższe są skalowane w górę. Obsługuje do sześciu obrazów referencyjnych na żądanie oraz filmy referencyjne o długości do trzech sekund. Przyjmuje te same 131 072 tokeny wejściowe i zwraca do 65 536.

• Wynik — obrazy i tekst nakładane na wideo z oryginalnym dźwiękiem.

• Czas trwania — jedna klatka wobec trzech do piętnastu sekund, z możliwością wydłużenia do łącznie 30 sekund.

• Obrazy referencyjne — do 14 w porównaniu z maksymalnie sześcioma.

• Rozdzielczości — natywne poziomy 1K, 2K, 4K w porównaniu z 360p, 720p, 1080p i 4K, przy czym dwa najwyższe są skalowane w górę.

• Sterowanie myśleniem — minimalne, średnie, wysokie wobec braku; Omni w ogóle nie udostępnia temperatury, top_p ani instrukcji systemowych.

• Typy danych wejściowych — tekst, obraz, wideo i PDF w porównaniu z tekstem, obrazem i wideo.

• Cena — 0,0336 USD za 1 tys. obrazów w porównaniu z około 0,07 USD za sekundę materiału 720p.

Arytmetyka trzydziestosekundowej reklamy

Przyjmij realistyczny workflow zamiast benchmarku. Masz osiem ujęć do wypełnienia trzydziestoma sekundami, każde po dwie do czterech sekund, i chcesz wybrać klatkę, która sprzedaje, zanim zapłacisz za ruch.

Po stronie kadrów generujesz cztery kandydatury na ujęcie w 2K: trzydzieści dwa obrazy po $0.0504, czyli $1.61. Przejrzyj je, wybierz osiem, a zwycięzców powiększ do 4K po $0.113 za sztukę: kolejne $0.90. Masz w projekcie około $2.51 i osiem zatwierdzonych klatek.

Teraz animuj. Osiem ujęć po około trzy sekundy każde to 24 sekundy w 720p, plus ponowne próby — a konwersacyjna edycja Omni sprawia, że ponowne próby są normalnym przebiegiem pracy, a nie wyjątkiem. Przyjmijmy dwa podejścia na ujęcie: 48 sekund materiału po $0.07, czyli około $3.36. Następnie przeskaluj w górę wersje finalne: 24 sekundy po $0.104 za sekundę dla 1080p, około $2.50, albo dwa razy tyle dla 4K.

Przyjmijmy $8 do $9 łącznie, z czego około jedna trzecia idzie na stopklatki. Tak wygląda realny rachunek i dlatego proporcja „31 stopklatek na klip” jest myląca, jeśli potraktujesz ją jako wskazówkę. Stopklatki nie są alternatywą dla klipu. To tania część, która decyduje, czy klip warto w ogóle tworzyć.

To, gdzie ten stosunek naprawdę ma znaczenie, to już inne pytanie: czy ten produkt końcowy to obraz, czy sekwencja ruchu? Katalog 500 zdjęć produktowych to zadanie za 25 USD w Nano Banana albo za 525 USD w Omni, a w tym porównaniu nie ma sporu do rozstrzygania. Błędem jest generowanie wideo, ponieważ prompt opisywał coś, co się porusza.

Obrazy referencyjne, gdzie tańszy model ma większe możliwości

To kontraintuicyjne odkrycie z porównania i można je zweryfikować w obu dokumentach. Nano Banana 2.1 przyjmuje do 14 obrazów referencyjnych. Gemini Omni 1.2 Flash przyjmuje do sześciu.

Sposób, w jaki Google opisuje szóstkę Omni, jest konkretny: do trzech obrazów na postać, dla maksymalnie dwóch postaci, plus referencje produktu i stylu. Karta modelu nazywa to „poprawioną spójnością postaci i obiektu w oparciu o maksymalnie 6 obrazów referencyjnych”, a post premierowy opisuje zachowanie spójności twarzy, ubrań, typografii opakowań i kolorów marki pod różnymi kątami. Ścieżka referencyjnego wideo jest osobna i podzielona na poziomy według czasu trwania — wyniki od jedenastu do piętnastu sekund przyjmują jedno referencyjne wideo o długości do trzech sekund, a wyniki od trzech do dziesięciu sekund przyjmują do trzech — i referencyjne wideo działa tylko przy nowym generowaniu, nie przy edycji ani rozszerzaniu.

Czternaście funkcji Nano Banana 2.1 jest ukierunkowanych na inny problem: łączenie kilku obiektów w jedną scenę, przy czym karta deklaruje wierność dla czterech postaci i dziesięciu obiektów. To możliwość komponowania, a nie zachowania ciągłości, i nadaje się do pracy katalogowej — umieść tę samą torbę w dziesięciu różnych pomieszczeniach bez ponownego rysowania torby.

Praktyczna konsekwencja: jeśli twoim zadaniem jest „ta sama postać, wiele ujęć”, sześć referencji Omni z kadrowaniem po trzy na postać to lepiej wyspecyfikowane narzędzie. Jeśli twoim zadaniem jest „wiele obiektów, jedna klatka”, czternaście Nano Banana jest. Liczenie referencji i ogłaszanie zwycięzcy całkowicie to myli.

Renderowanie tekstu — i to właśnie tutaj te modele faktycznie się różnią

Oba modele są wyjątkowo dobre w czytelnej typografii i w obu przypadkach to właśnie ta zdolność najbardziej zmienia to, co można wdrożyć.

Wymienione przez Nano Banana 2.1 postępy względem Nano Banana 2 to jakość wizualna, zgodność z promptem, spójność postaci w wielu turach i renderowanie tekstu, a także poprawka dla szerokich proporcji panoramicznych — 1:4, 4:1, 1:8 i 8:1 nie są już kafelkowane przy 2K i 4K. Jeśli Twoim efektem końcowym jest infografika, plakat lub makieta UI, ta kombinacja to cały produkt.

Równoważne twierdzenie Omni 1.2 dotyczy tekstu w ruchu: czytelności etykiet, animacji wykresów i podpisów na ekranie. Materiały premierowe Google opierają się na tym założeniu, a jedyny dostępny niezależny test praktyczny — dwadzieścia generacji autorstwa Rohita Rao z Segmind, koszt 16,17 USD w kredytach — wykazał, że model najlepiej radził sobie z oznaczonymi objaśnieniami i animacją wykresów na podstawie dostarczonej klatki końcowej, natomiast zawodził przy fotorealistycznych ludziach tworzonych od zera. Jego podsumowanie brzmiało, że to „najdokładniejszy w realizacji instrukcji model wideo, jaki testowałem”, z zastrzeżeniem, że pomijana jest około jedna instrukcja na cztery.

Zauważ, co to oznacza dla tego zestawienia: najlepiej udokumentowane zastosowanie Omni 1.2 to animowanie grafiki, którą już zaprojektowano. A to zadanie dla Nano Banana 2.1.

Rozdzielczość, skalowanie w górę i ile warte jest „4K”

Oba reklamują 4K, ale każdy rozumie przez to coś innego.

Nano Banana 2.1 generuje obrazy w rozdzielczości 1K, 2K lub 4K jako wybieralne poziomy wyjściowe, a Google wycenia je osobno: 0,0336 USD, 0,0504 USD i 0,113 USD za obraz. Rozliczanie tokenów odzwierciedla rzeczywiste piksele — 1120 tokenów dla obrazu 1K, 1680 dla 2K i 3780 dla 4K.

Przewodnik Gemini Omni 1.2 Flash wyraźnie stwierdza, że 1080p i 4K są skalowane w górę. Cennik opiera się na zużyciu tokenów, a nie na natywnym renderowaniu — przy 8 688 tokenach na sekundę dla 1080p i 17 376 dla 4K wobec 5 792 przy 720p. Piętnastosekundowy klip 4K kosztuje więc około 3,14 USD, a najwyższy poziom to powiększenie mniejszego renderu, a nie szczegóły uchwycone w momencie rejestracji. Do publikacji w mediach społecznościowych to wystarczy. W przypadku emisji telewizyjnej przetestuj to, zanim to obiecasz.

Oba przepływy pracy należą do

Własna zalecana dyscyplina Omni od Google to tanie tworzenie wersji roboczych, iterowanie, a następnie skalowanie zwycięzcy w górę: 360p lub 720p do eksploracji, 1080p lub 4K na finał. Odpowiednikiem w Nano Banana jest generowanie w 1K i skalowanie wybranego ujęcia w górę. Uruchom je po kolei, a sekwencja ułoży się sama — najpierw statyczne obrazy, aby ustalić kompozycję i typografię, potem ruch na klatkach, które przeszły weryfikację, a na końcu końcowe skalowanie w górę obu.

Istnieje jedna twarda granica. Omni nie przyjmuje obrazu jako dostarczanego materiału wideo, a Nano Banana nie przyjmuje wideo jako dostarczanego materiału graficznego. Wynik żadnego z modeli nie może zostać przekazany drugiemu jako edycja w tej samej modalności — Omni może przedłużać i edytować konwersacyjnie własne klipy, Nano Banana może edytować własne nieruchome obrazy, i żaden z nich nie przechodzi na drugą stronę.

Kupując którąkolwiek z nich przez OrcaRouter

Żaden z tych dwóch endpointów nie jest dziś w naszym katalogu. google/gemini-nano-banana-2.1 i google/gemini-omni-1.2-flash zwracają 404 na stronach modeli OrcaRouter, więc dla obu rozwiązaniem jest API dostawcy. Z tej samej rodziny udostępniamy natomiast poprzedni endpoint generowania obrazów, google/gemini-3.1-flash-image-preview — Nano Banana 2 — obok Nano Banana Pro i modeli tekstowych Gemini 3.8 Flash, co oznacza, że pipeline obrazów, który nie jest przypięty do najnowszego checkpointu, może realizować etapy planowania, rozszerzania promptów i QA na jednym kluczu.

Taki jest uczciwy obraz sytuacji: wywołania multimediów idą bezpośrednio, a wywołania tekstowe wokół nich nie muszą. OrcaRouter rozlicza z 0% marży, przekazując cennik dostawcy, więc jeśli Google zmieni stawki Nano Banana lub Omni, zmiana pojawi się po naszej stronie tego samego dnia, w którym pojawi się u nich, a automatyczne przełączanie awaryjne utrzymuje działanie etapu rozszerzania promptu, gdy jeden dostawca zawodzi.

Co tak naprawdę wybrać

Jeśli rezultatem jest klatka, na którą ktoś będzie patrzeć — pack shot, infografika, obraz główny, makieta UI — Nano Banana 2.1 jest trzydzieści razy tańszy za wynik, przyjmuje ponad dwa razy więcej referencji, obsługuje pliki PDF i ma kontrolę rozumowania, której Omni nie udostępnia. Nie ma wersji tej decyzji, w której Omni wygrywa merytorycznie.

Jeśli efektem końcowym ma być ruch, Nano Banana 2.1 nie może go wytworzyć za żadną cenę, i na tym porównanie się kończy.

Pułapką jest przypadek środkowy: projekt, który chce „reklamy wideo”, ale którego trudne problemy to wyłącznie kompozycja, typografia i spójność. To wciąż problemy. Rozwiąż je na modelu, który kosztuje trzy centy za klatkę, i pozwól Omni ożywić osiem zatwierdzonych klatek zamiast trzydziestu dwóch spekulacyjnych. Stosunek trzydziestu jeden do jednego nie jest argumentem za modelem do nieruchomych obrazów. To argument za tym, żeby użyć go najpierw.