Gemini Omni 1.2 Flash vs Nano Banana 2.1: Trinta e uma imagens fixas para um clipe

Faça o orçamento de um anúncio de produto de trinta segundos e você precisará de dois modelos do Google, não de um. O Nano Banana 2.1 é a máquina de imagens estáticas — endpoint gemini-nano-banana-2.1, com disponibilidade geral desde 6 de outubro de 2026, US$ 0,0336 por uma imagem 1K, US$ 0,0504 em 2K e US$ 0,113 em 4K. O Gemini Omni 1.2 Flash é a máquina de vídeo: com disponibilidade geral desde 5 de novembro de 2026, cerca de US$ 0,07 por segundo de vídeo em 720p, o que coloca um clipe de quinze segundos perto de US$ 1,05. Divida um pelo outro e uma única renderização de quinze segundos custa aproximadamente o mesmo que trinta e uma imagens estáticas 1K. Essa proporção é toda a decisão, e é uma proporção que a maioria das equipes inverte porque precifica o modelo em vez do entregável.

Ambos são do Google, ambos têm cobrança por uso, ambos trazem SynthID e ambos têm uma peculiaridade de nomenclatura que complica as integrações: o nome de exibição e o ID do endpoint não têm o formato que você espera. Nano Banana é o nome de produto do Google para a geração nativa de imagens do Gemini, e o mais novo atende por gemini-nano-banana-2.1, enquanto seu antecessor é gemini-3.1-flash-image. O mais novo do Omni atende por gemini-omni-1.2-flash. Nenhum dos nomes informa qual modalidade você está comprando.

O que cada um devolve

O Nano Banana 2.1 aceita texto, imagem, vídeo e PDF como entrada e retorna imagens e texto como saída, em 1K, 2K ou 4K, com níveis de raciocínio mínimo, médio ou alto. Ele suporta até 14 imagens de referência para fusão de múltiplas imagens — o suficiente para quatro personagens e fidelidade de objetos em dez objetos — e faz ancoragem no Google Search e no Image Search. Seus limites de tokens são 131.072 de entrada e 32.768 de saída.

O Gemini Omni 1.2 Flash recebe texto, imagem e vídeo e retorna vídeo com áudio sincronizado nativo, de três a quinze segundos a 24 quadros por segundo, em 360p, 720p, 1080p ou 4K, sendo as duas resoluções mais altas ampliadas. Ele comporta até seis imagens de referência por solicitação, além de vídeos de referência de até três segundos. Aceita os mesmos 131.072 tokens de entrada e retorna até 65.536.

• Saída — imagens e texto sobre vídeo com áudio nativo.

• Duração — um quadro contra três a quinze segundos, extensível para um total de 30 segundos.

• Imagens de referência — até 14 contra até seis.

• Resoluções — níveis nativos de 1K, 2K e 4K em comparação com 360p, 720p, 1080p e 4K, com os dois superiores ampliados.

• Controle de pensamento — mínimo, médio, alto contra nenhum; Omni não expõe temperatura, top_p ou instruções de sistema de forma alguma.

• Tipos de entrada — texto, imagem, vídeo e PDF contra texto, imagem e vídeo.

• Preço — $0.0336 por 1 mil imagens, contra aproximadamente $0.07 por segundo de 720p.

A aritmética de um anúncio de trinta segundos

Adote um fluxo de trabalho realista em vez de um benchmark. Você tem oito tomadas para preencher trinta segundos, cada uma de dois a quatro segundos, e quer escolher o frame que vende antes de pagar pela movimentação.

No lado das imagens fixas, gere quatro candidatos por plano em 2K: trinta e duas imagens a $0,0504, ou $1,61. Revise-as, escolha oito, faça upscale dos vencedores para 4K a $0,113 cada: mais $0,90. Você está no projeto com cerca de $2,51 e tem oito frames aprovados.

{{1}}Agora, anime. Oito planos de aproximadamente três segundos cada somam 24 segundos em 720p, mais as repetições — e a edição conversacional do Omni faz das repetições o fluxo de trabalho normal, não a exceção. Considere duas tomadas por plano: 48 segundos de saída a US$ 0,07, cerca de US$ 3,36. Depois, faça o upscale dos finais: 24 segundos a US$ 0,104 por segundo para 1080p, cerca de US$ 2,50, ou o dobro para 4K.{{/1}}

Digamos US$ 8 a US$ 9 com tudo incluído, sendo cerca de um terço gasto em fotos. Essa é a cara de uma conta real, e é por isso que a proporção de "31 fotos por clipe" é enganosa se você a encarar como conselho. As fotos não são uma alternativa ao clipe. Elas são a parte barata que decide se vale a pena fazer o clipe.

Onde a proporção realmente pesa é uma questão diferente: este entregável é uma imagem ou uma sequência em movimento? Um catálogo de 500 imagens de produtos é um trabalho de US$ 25 com Nano Banana ou de US$ 525 com Omni, e nessa comparação não há disputa a arbitrar. O erro é gerar vídeo porque o prompt descreveu algo que se move.

Imagens de referência, em que o modelo mais barato é o mais capaz

Esta é a descoberta contraintuitiva da comparação, e ela é verificável em ambos os documentos. O Nano Banana 2.1 aceita até 14 imagens de referência. O Gemini Omni 1.2 Flash aceita até seis.

A formulação da própria Google para os seis do Omni é específica: até três imagens por personagem, para até dois personagens, além de referências de produto e estilo. O cartão do modelo chama isso de "consistência aprimorada de personagem e sujeito em até 6 imagens de referência", e o post de lançamento descreve manter rostos, vestuário, tipografia de embalagens e cores de marca consistentes entre ângulos. O caminho de vídeo de referência é separado e dividido em níveis por duração — saídas de onze a quinze segundos usam um vídeo de referência de até três segundos, saídas de três a dez segundos usam até três — e vídeos de referência funcionam apenas para nova geração, não para edição ou extensão.

Os catorze recursos do Nano Banana 2.1 visam a um problema diferente: fundir vários sujeitos numa única cena, com o cartão a alegar fidelidade para quatro personagens e dez objetos. Trata-se de uma capacidade de composição, não de continuidade, e adequa-se ao trabalho de catálogo — colocar a mesma bolsa em dez salas diferentes sem redesenhar a bolsa.

A consequência prática: se o seu trabalho é "mesmo personagem, muitas tomadas", as seis referências do Omni, com enquadramento de três por personagem, são a ferramenta mais bem especificada. Se o seu trabalho é "muitos objetos, um quadro", as catorze do Nano Banana são. Contar referências e declarar um vencedor erra isso exatamente.

Renderização de texto, que é onde esses modelos realmente se diferenciam

Ambos os modelos são excecionalmente bons em tipografia legível, e em ambos é a capacidade que mais muda aquilo que se pode lançar.

Os avanços listados do Nano Banana 2.1 em relação ao Nano Banana 2 são qualidade visual, aderência ao prompt, consistência de personagens em múltiplos turnos e renderização de texto, além de uma correção para proporções panorâmicas amplas — 1:4, 4:1, 1:8 e 8:1 não são mais divididas em tiles em 2K e 4K. Se o seu entregável é um infográfico, um pôster ou um mock de UI, essa combinação é o produto inteiro.

A alegação equivalente do Omni 1.2 diz respeito a texto em movimento: legibilidade de rótulos, animação de gráficos, chamadas na tela. O material de lançamento do Google se apoia nisso, e o único teste prático independente disponível — vinte gerações feitas por Rohit Rao, da Segmind, US$ 16,17 em créditos — constatou que explicadores com rótulos e animação de gráficos a partir de um quadro final fornecido foram onde o modelo teve melhor desempenho, enquanto pessoas fotorrealistas criadas do zero foram onde ele falhou. A frase de resumo dele foi que ele é "o modelo de vídeo mais exato em instruções que já testei", com a ressalva de que cerca de uma instrução em cada quatro é ignorada.

Observe o que isso significa para a combinação: o uso documentado mais forte do Omni 1.2 é animar um gráfico que você já criou. O que é uma tarefa do Nano Banana 2.1.

Resolução, upscaling e quanto vale o "4K"

Ambos anunciam 4K e nenhum dos dois quer dizer a mesma coisa com isso.

A Nano Banana 2.1 gera em 1K, 2K ou 4K como níveis de saída selecionáveis, e o Google os precifica separadamente: $0,0336, $0,0504 e $0,113 por imagem. A contabilização de tokens reflete pixels reais — 1.120 tokens para uma imagem 1K, 1.680 para 2K, 3.780 para 4K.

O guia do Gemini Omni 1.2 Flash é explícito: 1080p e 4K são upscalados. O preço segue o consumo de tokens, e não uma renderização nativa, a 8.688 tokens por segundo para 1080p e 17.376 para 4K, contra 5.792 em 720p. Assim, um clipe 4K de quinze segundos custa cerca de US$ 3,14, e o nível superior é uma ampliação de uma renderização menor, e não detalhe capturado no momento da captura. Para entrega em redes sociais, tudo bem. Para transmissão, teste antes de prometer.

O fluxo de trabalho ao qual ambos pertencem

A própria disciplina Omni recomendada pelo Google é rascunhar barato, iterar e depois fazer upscale do vencedor: 360p ou 720p para exploração, 1080p ou 4K para o final. O equivalente no Nano Banana é gerar em 1K e fazer upscale da escolha. Execute-os em série e a sequência se escreve sozinha — primeiro imagens estáticas para fixar composição e tipografia, depois movimento nos quadros que passaram pela revisão, e então um upscale final em ambos.

Existe um limite rígido. O Omni não aceita uma imagem como entrega de vídeo, e o Nano Banana não aceita um vídeo como entrega de imagem. A saída de nenhum dos modelos pode ser realimentada no outro como uma edição de mesma modalidade — o Omni consegue estender e editar conversacionalmente seus próprios clipes, o Nano Banana consegue editar suas próprias imagens estáticas, e nenhum dos dois faz a transição para o outro.

Comprando qualquer um dos dois por meio do OrcaRouter

Nenhum desses dois endpoints está no nosso catálogo hoje. google/gemini-nano-banana-2.1 e google/gemini-omni-1.2-flash retornam 404 nas páginas de modelos do OrcaRouter, então a API do fornecedor é o caminho para ambos. O que servimos da mesma família é o endpoint anterior de geração de imagens, google/gemini-3.1-flash-image-preview — Nano Banana 2 —, além do Nano Banana Pro e dos modelos de texto Gemini 3.8 Flash, o que significa que um pipeline de imagens que não esteja fixado no checkpoint mais recente pode executar suas etapas de planejamento, expansão de prompt e QA com uma única chave.

É essa a realidade honesta: as chamadas de mídia vão direto, as chamadas de texto ao redor delas não precisam. O OrcaRouter cobra 0% de markup com o preço de lista do provedor repassado, então, se o Google mudar as tarifas do Nano Banana ou do Omni, a mudança aparece do nosso lado no mesmo dia em que aparece do lado deles, e o failover automático mantém uma etapa de expansão de prompt ativa quando um provedor degrada.

O que realmente escolher

Se o entregável for um frame que alguém vai olhar — um pack shot, um infográfico, uma imagem hero, um mock de UI — o Nano Banana 2.1 é trinta vezes mais barato por saída, aceita mais que o dobro de referências, aceita PDFs e tem controle de raciocínio que o Omni não expõe. Não existe versão dessa decisão em que o Omni ganhe por mérito.

Se o resultado final for movimento, o Nano Banana 2.1 não consegue produzi-lo a nenhum preço, e a comparação termina aí.

A armadilha é o caso intermediário: um projeto que quer um "anúncio em vídeo", mas cujos problemas difíceis são todos de composição, tipografia e consistência. Esses continuam sendo problemas. Resolva-os no modelo que custa três centavos por quadro e deixe o Omni animar oito quadros aprovados em vez de trinta e dois especulativos. A proporção de trinta e um para um não é um argumento a favor do modelo de imagens estáticas. É um argumento para usá-lo primeiro.