Gemini Omni 1.2 Flash против Nano Banana 2.1: тридцать один кадр для одного клипа

Планируя бюджет тридцатисекундной рекламы продукта, вы поймёте, что понадобятся две модели Google, а не одна. Nano Banana 2.1 — это машина для статичных изображений: эндпоинт gemini-nano-banana-2.1, общедоступна с 6 октября 2026 года, $0.0336 за изображение в 1K, $0.0504 в 2K и $0.113 в 4K. Gemini Omni 1.2 Flash — это машина для движения: общедоступна с 5 ноября 2026 года, около $0.07 за секунду видео в 720p, то есть пятнадцатисекундный клип обойдётся примерно в $1.05. Разделите одно на другое — и один пятнадцатисекундный рендер будет стоить примерно столько же, сколько тридцать один статичный кадр в 1K. Это соотношение — суть всего решения, и большинство команд понимают его наоборот, потому что оценивают модель, а не конечный результат.

Оба — продукты Google, оба тарифицируются по потреблению, оба используют SynthID, и у обоих есть странность в именовании, которая сбивает интеграции: отображаемое имя и идентификатор эндпоинта имеют не ту форму, которую вы ожидаете. Nano Banana — это название продукта Google для нативного создания изображений в Gemini, и новейшая версия отзывается на gemini-nano-banana-2.1, тогда как её предшественница — на gemini-3.1-flash-image. Новейшая версия Omni отзывается на gemini-omni-1.2-flash. Ни одно из этих названий не говорит, какую модальность вы покупаете.

Что возвращает каждый из них

Nano Banana 2.1 принимает на вход текст, изображения, видео и PDF, а на выходе выдаёт изображения и текст в разрешении 1K, 2K или 4K с уровнями мышления minimal, medium или high. Она удерживает до 14 референсных изображений для мультиизображенческого слияния — этого достаточно для четырёх персонажей и точности объектов в количестве десяти — а также выполняет привязку к Google Search и Image Search. Её лимиты токенов составляют 131 072 на входе и 32 768 на выходе.

Gemini Omni 1.2 Flash принимает на вход текст, изображения и видео и возвращает видео с нативно синхронизированным звуком длительностью от трёх до пятнадцати секунд при 24 кадрах в секунду, в разрешении 360p, 720p, 1080p или 4K, причём два последних варианта получаются апскейлом. Он поддерживает до шести референсных изображений на запрос, а также референсные видео длительностью до трёх секунд. Он принимает те же 131 072 входных токена и возвращает до 65 536.

• Вывод — изображения и текст поверх видео с оригинальным звуком.

• Длительность — один кадр против трёх–пятнадцати секунд, с возможностью продления до 30 секунд суммарно.

• Референсные изображения — до 14 против до шести.

• Разрешения — нативные уровни 1K, 2K, 4K против 360p, 720p, 1080p, 4K, причём два верхних масштабируются.

• Управление мышлением — минимальное, среднее, высокое или отсутствие; Omni вообще не предоставляет temperature, top_p или системные инструкции.

• Типы входных данных — текст, изображение, видео и PDF против текста, изображения и видео.

• Цена — $0,0336 за 1 тыс. изображений против примерно $0,07 за секунду 720p.

Арифметика тридцатисекундной рекламы

Возьмите реалистичный рабочий процесс, а не бенчмарк. У вас есть восемь планов, чтобы заполнить тридцать секунд, каждый длится от двух до четырёх секунд, и вы хотите выбрать кадр, который продаёт, прежде чем платить за движение.

Что касается статичных кадров: сгенерируйте по четыре варианта на кадр в разрешении 2K — тридцать два изображения по $0.0504, или $1.61. Просмотрите их, выберите восемь и увеличьте лучшие до 4K по $0.113 за каждое: ещё $0.90. На проект у вас ушло около $2.51, и у вас есть восемь утверждённых кадров.

Теперь анимируем. Восемь кадров примерно по три секунды — это 24 секунды в 720p, плюс повторные попытки — а диалоговое редактирование Omni означает, что повторные попытки — это обычный рабочий процесс, а не исключение. Скажем, два дубля на кадр: 48 секунд выходного видео по $0.07, около $3.36. Затем апскейлим финальные версии: 24 секунды по $0.104 за секунду для 1080p, около $2.50, или вдвое больше для 4K.

Скажем, от $8 до $9 в общей сложности, причём примерно треть уходит на стиллы. Вот как выглядит реальный счёт, и именно поэтому соотношение «31 стилл на клип» вводит в заблуждение, если воспринимать его как рекомендацию. Стиллы — не альтернатива клипу. Это дешёвая часть, которая определяет, стоит ли вообще делать клип.

Где соотношение действительно имеет значение — это другой вопрос: этот результат — изображение или последовательность движения? Каталог из 500 изображений продуктов — это задача за $25 для Nano Banana или задача за $525 для Omni, и в этом сравнении нет никакого состязания, которое нужно было бы судить. Ошибка — генерировать видео потому, что в промпте описано что-то движущееся.

Референсные изображения, где более дешёвая модель является более способной.

Это контринтуитивный вывод сравнения, и его можно проверить в обоих документах. Nano Banana 2.1 принимает до 14 референсных изображений. Gemini Omni 1.2 Flash принимает до шести.

Собственная формулировка Google для шести референсов Omni конкретна: до трёх изображений на персонажа, для не более чем двух персонажей, плюс референсы продукта и стиля. В карточке модели это называется «улучшенной согласованностью персонажей и объектов по до 6 референсным изображениям», а в посте о запуске описывается сохранение единообразия лиц, одежды, типографики упаковки и фирменных цветов при разных ракурсах. Путь с референсными видео отдельный и зависит от длительности: для результатов длительностью от одиннадцати до пятнадцати секунд используется одно референсное видео длительностью до трёх секунд, для результатов от трёх до десяти секунд — до трёх таких видео; при этом референсные видео работают только при новой генерации, но не при редактировании или расширении.

Четырнадцать функций Nano Banana 2.1 нацелены на другую задачу: объединение нескольких субъектов в одной сцене, при этом в карточке продукта заявлена точность для четырёх персонажей и десяти объектов. Это возможность композитинга, а не обеспечение непрерывности, и она подходит для каталожной работы — поместить одну и ту же сумку в десять разных комнат, не перерисовывая сумку.

Практическое следствие: если ваша задача — «один и тот же персонаж, много кадров», то шесть референсов Omni с тремя кадрами на персонажа — это инструмент с более точной спецификацией. Если ваша задача — «много объектов, один кадр», то у Nano Banana их четырнадцать. Подсчёт референсов и объявление победителя приводит ровно к обратному выводу.

Отрисовка текста — вот в чём эти модели на самом деле различаются

Обе модели необычайно хорошо справляются с разборчивым текстом, и для обеих именно эта способность сильнее всего меняет то, что вы можете выпустить.

Перечисленные улучшения Nano Banana 2.1 по сравнению с Nano Banana 2 — это визуальное качество, следование промпту, многотуровая согласованность персонажей и рендеринг текста, а также исправление для широких панорамных соотношений сторон — 1:4, 4:1, 1:8 и 8:1 больше не разбиваются на тайлы при 2K и 4K. Если ваш результат — инфографика, постер или макет интерфейса, эта комбинация и есть весь продукт.

Эквивалентное утверждение Omni 1.2 касается текста в движении: читаемости подписей, анимации графиков, экранных выносок. В рекламных материалах Google делается упор на это, и единственный доступный независимый практический тест — двадцать генераций от Рохита Рао из Segmind, 16,17 доллара на кредиты — показал, что лучше всего модель справлялась с пояснениями с подписями и анимацией графиков по предоставленному финальному кадру, тогда как фотореалистичные люди с нуля — то, где она проваливалась. Его резюме: это «самая точно следующая инструкциям видеомодель, которую я тестировал», с оговоркой, что примерно одна инструкция из четырёх пропускается.

Обратите внимание, что это означает для связки: наиболее документированное применение Omni 1.2 — анимация графики, которую вы уже создали. А это задача для Nano Banana 2.1.

Разрешение, апскейлинг и чего стоит «4K»

Оба рекламируют 4K, но ни один не подразумевает под этим одно и то же.

Nano Banana 2.1 генерирует изображения в 1K, 2K или 4K — это выбираемые уровни выходного разрешения, и Google тарифицирует их отдельно: $0,0336, $0,0504 и $0,113 за изображение. Учёт токенов отражает реальное количество пикселей — 1 120 токенов для изображения 1K, 1 680 для 2K и 3 780 для 4K.

В руководстве Gemini Omni 1.2 Flash прямо указано, что 1080p и 4K масштабируются. Ценообразование основано на потреблении токенов, а не на нативном рендеринге: 8 688 токенов в секунду для 1080p и 17 376 для 4K против 5 792 при 720p. Поэтому 15-секундный клип в 4K стоит около $3.14, а верхний уровень — это увеличение рендера меньшего размера, а не детали, полученные в момент съёмки. Для соцсетей это нормально. Для вещания протестируйте, прежде чем обещать.

Оба рабочих процесса входят в

Рекомендуемый самим Google подход к работе с Omni — сначала дешёвые черновики, затем итерации, а потом масштабирование лучшего варианта: 360p или 720p для исследования, 1080p или 4K для финала. Аналог этого в Nano Banana — генерировать в 1K и масштабировать выбранный вариант. Запускайте их последовательно, и последовательность сложится сама собой — сначала статичные кадры, чтобы зафиксировать композицию и типографику, затем движение на кадрах, прошедших проверку, а затем финальное масштабирование и того, и другого.

Есть одна жёсткая граница. Omni не выдаёт изображение в качестве результата для видео, а Nano Banana не выдаёт видео в качестве результата-изображения. Результат ни одной из моделей нельзя передать другой для редактирования в той же модальности — Omni может продлевать и редактировать в диалоговом режиме собственные клипы, Nano Banana может редактировать собственные стоп-кадры, и ни одна не переходит эту границу.

Покупка либо через OrcaRouter

Ни одного из этих двух эндпоинтов сегодня нет в нашем каталоге. google/gemini-nano-banana-2.1 и google/gemini-omni-1.2-flash оба возвращают 404 на страницах моделей OrcaRouter, поэтому для обоих путь — через API вендора. А из этого же семейства мы предоставляем предыдущий эндпоинт генерации изображений, google/gemini-3.1-flash-image-preview — Nano Banana 2 — наряду с Nano Banana Pro и текстовыми моделями Gemini 3.8 Flash, а значит, конвейер обработки изображений, не привязанный к новейшему чекпоинту, может выполнять этапы планирования, расширения промптов и контроля качества на одном ключе.

Вот честная картина: медиа-вызовы идут напрямую, а текстовые вызовы вокруг них не обязаны. OrcaRouter выставляет счёт с 0% наценки, передавая прайс-лист провайдера как есть, поэтому если Google меняет тарифы Nano Banana или Omni, изменение появляется у нас в тот же день, когда и у них, а автоматическое переключение при сбое поддерживает работу этапа расширения промпта, когда один из провайдеров деградирует.

Что на самом деле выбрать

Если результат — это кадр, на который кто-то будет смотреть, — пэкшот, инфографика, hero-изображение, UI-макет, — то Nano Banana 2.1 в тридцать раз дешевле за один результат, принимает более чем вдвое больше референсов, поддерживает PDF и имеет контроль мышления, который Omni не предоставляет. Не существует такого варианта этого решения, где Omni выигрывает по существу.

Если конечный результат — движение, Nano Banana 2.1 не сможет создать его ни за какую цену, и на этом сравнение заканчивается.

Ловушка — это промежуточный случай: проект, который хочет «видеорекламу», но все его сложные задачи — это композиция, типографика и согласованность. Это всё ещё проблемы. Решите их на модели, которая стоит три цента за кадр, и позвольте Omni анимировать восемь утверждённых кадров вместо тридцати двух спекулятивных. Соотношение тридцать один к одному — не аргумент в пользу модели статичных изображений. Это аргумент за то, чтобы использовать её в первую очередь.