Gemini Omni 1.2 Flash vs Qwen3.8-Omni-Flash: A palavra "Omni" está desempenhando duas funções

A estimativa publicada pela própria Alibaba coloca o custo de processar uma hora de vídeo em 720p com o Qwen3.8-Omni-Flash em cerca de vinte centavos. O preço de tabela do Google para uma hora de 720p gerado a partir do Gemini Omni 1.2 Flash é US$ 252. Ambos os modelos se chamam Omni. Ambos aceitam texto, imagem, áudio e vídeo. Um analisa filmagens e responde em texto; o outro gera filmagens e responde com um arquivo. A diferença de preço entre eles não é um sinal competitivo, porque não concorrem — é o custo de fabricar um segundo de realidade versus o custo de descrever esse segundo.

Isso importa porque a comparação é feita o tempo todo, e quase sempre com o modelo errado do lado do Google. Todo artigo "Qwen Omni versus Gemini" em circulação — inclusive a tabela comparativa que a própria Alibaba publicou — mede o Qwen3.8-Omni-Flash contra o Gemini 3.8 Flash, um modelo de saída de texto a US$ 0,75 por milhão de tokens de entrada. Esse é o rival correto. O Gemini Omni 1.2 Flash, disponível em geral desde 5 de novembro de 2026, é um produto diferente, com outra métrica de cobrança, e não há nenhum comparativo direto publicado entre os dois em lugar algum.

O que o Qwen3.8-Omni-Flash realmente é

A equipe Qwen da Alibaba o lançou em 18 de setembro de 2026 como o sucessor do Qwen3.5-Omni-Plus, construído sobre a arquitetura Qwen3.8-Flash-Next. A primeira coisa a esclarecer é a modalidade de saída, porque o nome induz a uma suposição errada: ele produz texto e somente texto. Não gera vídeo e, diferentemente de seu antecessor, também não gera fala. Tudo o que nele é omni está no lado da entrada.

Desse lado, ele é extraordinariamente capaz. A janela de contexto é de um milhão de tokens, com cerca de 991.000 disponíveis para entrada e 131.000 para saída. Uma única chamada pode processar uma hora de vídeo contínuo. Ele lida com estéreo de dois canais e áudio espacial de quatro canais, e é daí que vem o truque de mágica mais badalado do Qwen — localizar uma fonte sonora em uma sala e apontar para ela, o tipo de capacidade que uma equipe de robótica ou de análise de reuniões vem esperando. O reconhecimento de fala cobre 74 idiomas, além de 39 dialetos chineses; a síntese de voz cobre 29 idiomas nos modelos irmãos. Há uma variante em tempo real, Qwen3.8-Omni-Flash-Realtime, que roda via WebSocket ou WebRTC com saída de voz e 56 vozes em um contexto de 192K.

O preço é o ponto agressivo: US$ 0,15 por milhão de tokens de entrada, US$ 0,47 por milhão de saída e US$ 0,016 por milhão para entrada em cache. Os pesos são fechados. É somente via API, por meio do Alibaba Cloud Model Studio e dos endpoints próprios do Qwen, compatível com OpenAI, em seis regiões.

O que o Gemini Omni 1.2 Flash realmente é

O modelo do Google vai pelo caminho oposto. Entram texto, imagens, áudio e vídeo; saem de três a quinze segundos de vídeo com áudio sincronizado, em incrementos de um segundo, em 16:9 ou 9:16. Você pode criar um rascunho em 360p ou 720p e ampliar para 1080p ou 4K. Uma solicitação pode conter até seis imagens de referência, um clipe de movimento de até três segundos e indicações de áudio, e a edição multiturno permite trocar um produto, mudar o clima ou reenquadrar a cena sem regenerar tudo. A extensão adiciona de três a dez segundos por turno, até um limite de 30 segundos. Tudo recebe marca d'água com SynthID.

O lançamento 1.2 é tanto um corte de preço quanto um lançamento de recursos: a saída de vídeo caiu de US$ 17,50 para US$ 12,00 por milhão de tokens, cerca de US$ 0,07 por segundo de 720p, uma queda de 30%. A entrada de texto permanece em US$ 1,50 por milhão e a saída de texto em US$ 9,00 por milhão. Os limites de taxa do nível pago dobraram no mesmo dia. O Google não publicou pontuações de benchmark com o lançamento — apenas alegações qualitativas sobre aderência à referência, sincronização labial e continuidade de câmera.

Três armadilhas de custo que só aparecem quando você usa os dois

O orçamento de raciocínio é cobrado como saída. O Qwen3.8-Omni-Flash define seu modo de pensamento como "xhigh" por padrão, com um orçamento de raciocínio de até 262.000 tokens cobrado à tarifa de saída. Uma única solicitação que pensa muito sobre um vídeo longo pode custar cerca de US$ 0,123 só em raciocínio — o que é mais de seiscentas vezes o que a estimativa de leitura de vídeo sugere, e o motivo pelo qual algumas equipes relatam o modelo como caro quando seu volume real de filmagens é trivial. Limite o orçamento de pensamento antes de avaliar qualquer coisa.

O valor por hora de vídeo é uma estimativa do fornecedor. A Alibaba não publica uma taxa de tokens por segundo para ingestão de vídeo, portanto o número de "vinte centavos por hora" não pode ser derivado de forma independente da tabela de preços. As tarifas de $0.15/$0.47 são verificáveis; a conversão por hora é aritmética do Qwen, e uma análise publicada já sinalizou a alegação de 98% mais barato que o Gemini como não verificável exatamente por esse motivo.

O custo de renderização multiplica por takes, não por entregáveis. Um clipe de quinze segundos custa $1.05. Seis cutdowns custam $6.30 — mas ninguém acerta seis de seis na primeira tentativa. Com três tentativas por take aprovado, os mesmos seis cutdowns custam $18.90, e é esse número que entra no orçamento. O Google também limita uma sequência emendada a 30 segundos, então qualquer coisa mais longa é uma segunda passagem de geração, não uma extensão.

Um pipeline prático: trinta minutos na entrada, seis clipes na saída

É aqui que ambos os modelos conquistam seu espaço, e onde a distribuição de custos é contraintuitiva.

Leia o master. O Qwen3.8-Omni-Flash pega o vídeo de origem de 30 minutos e retorna uma transcrição com turnos de fala, texto na tela, uma lista de planos com timecodes e uma pequena lista dos momentos em que alguém diz algo citável. Segundo a estimativa da Alibaba, isso equivale a cerca de dez centavos de entrada. Acrescente uma passada de raciocínio para escolher os seis melhores momentos e você ainda fica abaixo de 25 centavos — desde que o orçamento esteja limitado.

Renderize os cortes. Seis clipes de quinze segundos do Gemini Omni 1.2 Flash, três takes cada: $18,90. Imagens de referência do produto mantêm a embalagem consistente nos seis; sinais de áudio mantêm o diálogo inteligível; a edição de vários turnos corrige os dois que se desviam.

Releia as saídas. Os seis clipes finalizados voltam ao Qwen3.8-Omni-Flash para confirmar que o texto na tela está legível, que o diálogo corresponde ao roteiro e que ninguém teve o sincronismo labial desalinhado em um frame. Seis clipes são noventa segundos de vídeo. O custo de leitura é insignificante; a verificação é o que torna a conta da renderização justificável.

O padrão é geral: neste par, a análise é barata e a geração é cara, em duas a três ordens de magnitude. Equipes que orçam para o inverso — presumindo que o modelo "inteligente" deva ser o caro — subdimensionam a linha de renderização e superdimensionam a linha de leitura todas as vezes.

O registro de referência, e de quem são esses números

Tudo o que foi publicado sobre o Qwen3.8-Omni-Flash vem de um único lugar: da própria avaliação da Alibaba, divulgada como artigo no arXiv em 22 de setembro de 2026. Em comparação com o Gemini 3.8 Flash, vence o WildClawBench-MM por 71,0 a 58,9, o SpotSoundBench por 67,2 a 39,7, e a diarização de reuniões por uma margem enorme — uma taxa de erro de diarização de 3,35 contra 72,6. Perde no OmniVideoBench por 63,4 a 65,2 e no AgenticVBench por 36,8 a 45,0. Nada disso foi reproduzido de forma independente, e nada disso envolve o Gemini Omni 1.2 Flash, que não lê vídeo em uma janela de contexto de forma alguma.

O lado do Google no balanço está mais vazio. O anúncio do Gemini Omni 1.2 Flash não traz números — nenhum Elo, nenhuma taxa de vitória, nenhum conjunto de benchmarks. As comparações são qualitativas: melhor correspondência de referência do que a 1.1, diálogo mais fluido, sincronia labial mais nítida, menos cortes secos. Os lançamentos da NVIDIA e da Alibaba pelo menos chegam com tabelas; o do Google chega com adjetivos.

Portanto, a posição honesta sobre "qual é melhor" é que a pergunta não tem uma resposta medida e não terá até que alguém execute ambos na mesma tarefa. O que pode ser dito com confiança é mais restrito e mais útil: os números do Qwen foram obtidos contra um modelo de saída de texto a um quinto do preço de entrada, e não serão transferíveis para um gerador de vídeo, porque os dois sistemas são avaliados com instrumentos completamente diferentes.

Onde os dois fornecedores realmente se sobrepõem

Não no modelo. No contrato empresarial. Ambos são fechados, ambos são somente via API, ambos têm bloqueio regional de formas que importam — a Alibaba atende Pequim, Singapura, Hong Kong, Tóquio, Frankfurt e Virgínia; os recursos de edição de vídeos enviados do Google não estão disponíveis em partes da Europa. Uma empresa de mídia que escolhe um fornecedor está escolhendo um acordo de processamento de dados e uma jurisdição tanto quanto uma capacidade.

Também vale notar o que nenhum dos dois fará. O Qwen3.8-Omni-Flash não consegue produzir um quadro, e o Omni 1.2 Flash do Google não consegue responder a uma pergunta sobre um clipe de dez minutos. Quem estiver consolidando em um único fornecedor para reduzir a sobrecarga de compras descobrirá que a consolidação custa uma capacidade, seja qual for a direção da consolidação. A nota de migração do Google apresenta o mesmo ponto pelo outro lado: a partir de 3 de dezembro de 2026, as solicitações para gemini-omni-1.1-flash serão respondidas pela 1.2 com os preços da 1.2, sem alteração de código — um lembrete de que endpoints fechados avançam conforme o calendário do fornecedor, não o seu.

O que o OrcaRouter cobre e o que não cobre

Nenhum desses dois modelos está no OrcaRouter, e este texto não vai fingir o contrário. O que existe na plataforma é a capacidade adjacente de montar o pipeline acima sem um segundo e um terceiro contrato.

O lado de leitura é coberto pelo Qwen3.8 Flash: texto, imagem e vídeo na entrada, texto na saída, um contexto de um milhão de tokens, análise de vídeos longos, com cobrança de US$ 0,15 por milhão de tokens de entrada e US$ 0,47 por milhão de tokens de saída — o mesmo preço e o mesmo perfil da variante Omni, menos os recursos de áudio espacial. O lado de renderização é coberto pelo Kling 3.0 Omni a US$ 0,084 por solicitação para texto para vídeo e imagem para vídeo com clipes de 3 a 15 segundos. Ambos ficam atrás de uma única chave, o que significa que um fan-out que envia a mesma fonte para um leitor e um escritor é uma regra de roteamento, e não um projeto de integração; o failover automático significa que uma instabilidade do provedor não interrompe uma campanha no meio da renderização; e a margem de 0% é um repasse direto do preço de tabela do provedor, então no dia em que um fornecedor alterar uma tarifa, o número do nosso lado muda junto.

Como decidir nos próximos dez minutos

Se o seu problema é ter filmagens e nenhuma forma de pesquisá-las, legendá-las ou encontrar o momento em que o apresentador menciona o preço — opte pelo lado Qwen. Defina primeiro um teto para o orçamento de raciocínio e meça sua taxa real de ingestão em vez de confiar na estimativa por hora.

Se o seu problema é que você tem uma tomada de produto e um prazo e nenhuma equipe de câmera, compre o lado do Google e reserve orçamento para três tomadas por cena aproveitada, em vez de uma.

Se você tem os dois problemas, que é o que a maioria das equipes realmente tem, pare de procurar um vencedor. Os dois modelos citados no primeiro parágrafo deste artigo nunca aparecerão na mesma tabela de benchmark, porque um deles produz um arquivo e o outro produz um parágrafo sobre o arquivo. O único número que os conecta é aquele que ninguém publica: quantas horas de vídeo sua organização lê para cada hora que produz.