Gemini Omni 1.2 Flash vs Nano Banana 2.1: Trettioen stillbilder för ett klipp

Budgetera en trettio sekunder lång produktannons och du behöver två Google-modeller, inte en. Nano Banana 2.1 är stillbildsmaskinen — endpoint gemini-nano-banana-2.1, allmänt tillgänglig sedan 6 oktober 2026, $0.0336 för en 1K-bild, $0.0504 vid 2K och $0.113 vid 4K. Gemini Omni 1.2 Flash är rörelsemaskinen: allmänt tillgänglig sedan 5 november 2026, cirka $0.07 per sekund 720p-video, vilket ger ett femton sekunder långt klipp på nära $1.05. Dividera det ena med det andra och en enda rendering på femton sekunder kostar ungefär vad trettioen 1K-stillbilder kostar. Det förhållandet är hela beslutet, och det är ett förhållande som de flesta team får bakvänt eftersom de prissätter modellen i stället för leveransen.

Båda är Google, båda debiteras per användning, båda har SynthID och båda har en egenhet i namngivningen som ställer till det för integrationer: visningsnamnet och slutpunkts-ID:t har inte den form du förväntar dig. Nano Banana är Googles produktnamn för Geminis inbyggda bildgenerering, och den nyaste svarar på gemini-nano-banana-2.1 medan dess föregångare är gemini-3.1-flash-image. Omnis nyaste svarar på gemini-omni-1.2-flash. Inget av namnen talar om vilken modalitet du köper.

Vad var och en lämnar tillbaka

Nano Banana 2.1 tar in text, bild, video och PDF och returnerar bilder och text, i 1K, 2K eller 4K med tankenivåerna minimal, medium eller hög. Den hanterar upp till 14 referensbilder för fusion av flera bilder – tillräckligt för fyra karaktärer och objekttrohet över tio objekt – och den gör Google Search- och Image Search-grounding. Dess tokenbegränsningar är 131 072 in och 32 768 ut.

Gemini Omni 1.2 Flash tar emot text, bild och video och returnerar video med inbyggt synkroniserat ljud, tre till femton sekunder vid 24 bilder per sekund, i 360p, 720p, 1080p eller 4K där de två högsta skalas upp. Den hanterar upp till sex referensbilder per begäran, plus referensvideor på upp till tre sekunder. Den tar emot samma 131 072 indatatoken och returnerar upp till 65 536.

• Utdata – bilder och text mot video med originalljud.

• Varaktighet – en bildruta kontra tre till femton sekunder, förlängningsbart till totalt 30 sekunder.

• Referensbilder – upp till 14 mot upp till sex.

• Upplösningar – inbyggda nivåer på 1K, 2K och 4K jämfört med 360p, 720p, 1080p och 4K, där de två högsta skalas upp.

• Styrning av tänkande – minimal, medium, hög mot ingen; Omni exponerar ingen temperatur, top_p eller systeminstruktioner alls.

• Indatatyper — text, bild, video och PDF mot text, bild och video.

• Pris — $0,0336 per 1 000 bilder jämfört med ungefär $0,07 per sekund för 720p.

Aritmetiken bakom en trettio sekunder lång reklam

Ta ett realistiskt arbetsflöde i stället för ett benchmark. Du har åtta tagningar att fylla trettio sekunder med, var och en två till fyra sekunder, och du vill välja den bildruta som säljer innan du betalar för rörelse.

På stillbildssidan genererar du fyra kandidater per tagning i 2K: trettiotvå bilder till $0.0504, eller $1.61. Granska dem, välj åtta och skala upp vinnarna till 4K till $0.113 styck: ytterligare $0.90. Du ligger ute med cirka $2.51 för projektet och har åtta godkända bildrutor.

Animera nu. Åtta tagningar på ungefär tre sekunder vardera blir 24 sekunder i 720p, plus omtagningar – och Omnins konversationella redigering gör att omtagningar är det normala arbetsflödet, inte undantaget. Säg två tagningar per bild: 48 sekunder utdata till $0.07, ungefär $3.36. Upscala sedan slutversionerna: 24 sekunder till $0.104 per sekund för 1080p, ungefär $2.50, eller dubbelt för 4K.

Kalla det 8 till 9 dollar inklusive allt, med ungefär en tredjedel spenderad på stillbilder. Så ser en verklig faktura ut, och det är därför som förhållandet ”31 stillbilder per klipp” är missvisande om man tar det som råd. Stillbilderna är inte ett alternativ till klippet. De är den billiga delen som avgör om klippet är värt att göra.

Där förhållandet verkligen gör skillnad är en annan fråga: är den här leveransen en bild eller en rörlig sekvens? En katalog med 500 produktbilder är ett Nano Banana-jobb för 25 dollar eller ett Omni-jobb för 525 dollar, och i den jämförelsen finns det ingen tävling att döma. Misstaget är att generera video eftersom prompten beskrev något som rör sig.

Referensbilder, där den billigare modellen är den mer kapabla

Detta är jämförelsens kontraintuitiva resultat och det går att kontrollera i båda dokumenten. Nano Banana 2.1 tar emot upp till 14 referensbilder. Gemini Omni 1.2 Flash tar emot upp till sex.

Googles egen formulering för Omnis sex är specifik: upp till tre bilder per karaktär, för upp till två karaktärer, plus produkt- och stilreferenser. Modellkortet kallar det "förbättrad konsekvens för karaktärer och motiv över upp till 6 referensbilder" och lanseringsinlägget beskriver hur ansikten, plagg, förpackningstypografi och varumärkesfärger hålls konsekventa över vinklar. Referensvideospåret är separat och nivåindelat efter varaktighet – utdata på elva till femton sekunder tar en referensvideo på upp till tre sekunder, utdata på tre till tio sekunder tar upp till tre – och referensvideor fungerar endast för ny generering, inte för redigering eller förlängning.

Nano Banana 2.1:s fjorton är inriktade på ett annat problem: att smälta samman flera motiv till en och samma scen, där kortet hävdar trohet för fyra karaktärer och tio objekt. Det är en kompositeringsförmåga, inte en kontinuitetsförmåga, och den passar katalogarbete – sätt samma väska i tio olika rum utan att rita om väskan.

Den praktiska konsekvensen: om ditt jobb är "samma karaktär, många tagningar" är Omnis sex referenser med tre per karaktär i inramningen det bättre specificerade verktyget. Om ditt jobb är "många objekt, en bildruta" är Nano Bananas fjorton det. Att räkna referenser och utropa en vinnare får detta att bli precis fel.

Textrendering, vilket är där dessa modeller faktiskt skiljer sig åt

Båda modellerna är ovanligt bra på läsbar typografi, och för båda är det förmågan som förändrar mest vad man kan leverera.

Nano Banana 2.1:s listade förbättringar jämfört med Nano Banana 2 är visuell kvalitet, promptföljsamhet, karaktärskonsistens över flera turer och textrendering, plus en fix för breda panoramaproportioner – 1:4, 4:1, 1:8 och 8:1 kaklas inte längre vid 2K och 4K. Om det du ska leverera är en infografik, en affisch eller en UI-mockup är den kombinationen hela produkten.

Omni 1.2:s motsvarande påstående gäller text i rörelse: etiketters läsbarhet, diagramanimering, skärmtext. Googles lanseringsmaterial lutar sig mot det, och det enda tillgängliga oberoende praktiska testet – tjugo genereringar av Segminds Rohit Rao, 16,17 dollar i krediter – fann att märkta förklarande videor och diagramanimering från en medföljande slutbild var där modellen presterade bäst, medan fotorealistiska personer från grunden var där den misslyckades. Hans sammanfattande rad var att den är "den mest instruktionsexakta videomodell jag har testat", med förbehållet att ungefär en instruktion av fyra hoppas över.

Lägg märke till vad det innebär för kombinationen: den starkast dokumenterade användningen av Omni 1.2 är att animera en grafik som du redan har designat. Vilket är en uppgift för Nano Banana 2.1.

Upplösning, uppskalning och vad "4K" är värt

Båda marknadsför 4K och ingen av dem menar samma sak med det.

Nano Banana 2.1 genererar i 1K, 2K eller 4K som valbara utdatanivåer, och Google prissätter dem separat: $0.0336, $0.0504 och $0.113 per bild. Tokenredovisningen återspeglar verkliga pixlar – 1 120 token för en 1K-bild, 1 680 för 2K, 3 780 för 4K.

Guiden för Gemini Omni 1.2 Flash säger uttryckligen att 1080p och 4K skalas upp. Prissättningen följer tokenförbrukning snarare än en inhemsk rendering, med 8 688 token per sekund för 1080p och 17 376 för 4K mot 5 792 vid 720p. Så ett femton sekunder långt 4K-klipp kostar cirka 3,14 dollar, och den högsta nivån är en förstoring av en mindre rendering snarare än detaljer fångade vid inspelningstillfället. För leverans till sociala medier är det okej. För sändning bör du testa det innan du lovar det.

Båda arbetsflödena hör hemma i

Googles egen rekommenderade Omni-disciplin är att skissa billigt, iterera och sedan skala upp vinnaren: 360p eller 720p för utforskning, 1080p eller 4K för finalen. Nano Bananas motsvarighet är att generera i 1K och skala upp valet. Kör dem i serie så skriver sekvensen sig själv – först stillbilder för att fixa komposition och typografi, sedan rörelse på bildrutorna som klarade granskningen, sedan en slutlig uppskalning av båda.

Det finns en hård gräns. Omni tar inte en bild som en videoleverans, och Nano Banana tar inte en video som en bildleverans. Ingen av modellernas utdata kan matas tillbaka till den andra som en redigering inom samma modalitet – Omni kan förlänga och samtalsredigera sina egna klipp, Nano Banana kan redigera sina egna stillbilder, och ingen av dem går över gränsen.

Att köpa antingen via OrcaRouter

Ingen av dessa två endpoints finns i vår katalog i dag. google/gemini-nano-banana-2.1 och google/gemini-omni-1.2-flash returnerar båda 404 mot OrcaRouters modellsidor, så leverantörens API är vägen för båda. Det vi däremot tillhandahåller från samma familj är den tidigare bildgenereringsendpointen, google/gemini-3.1-flash-image-preview – Nano Banana 2 – tillsammans med Nano Banana Pro och textmodellerna Gemini 3.8 Flash, vilket innebär att en bildpipeline som inte är låst till den nyaste checkpunkten kan köra sina planerings-, promptutvidgnings- och QA-steg på en enda nyckel.

Det är den ärliga bilden av det: mediasamtalen går direkt, textsamtalen runt dem behöver inte göra det. OrcaRouter fakturerar med 0 % påslag och leverantörens listpris vidarefaktureras, så om Google ändrar priserna för Nano Banana eller Omni visas ändringen på vår sida samma dag som den visas hos dem, och automatisk failover håller ett promptexpansionssteg vid liv när en leverantör försämras.

Vad man faktiskt ska välja

Om leveransen är en bildruta som någon kommer att titta på – en packshot, en infografik, en hero-bild, en UI-mock – är Nano Banana 2.1 trettio gånger billigare per utdata, tar emot mer än dubbelt så många referenser, accepterar PDF:er och har tankestyrning som Omni inte exponerar. Det finns ingen variant av det beslutet där Omni vinner på sakliga meriter.

Om leveransen är rörelse kan Nano Banana 2.1 inte åstadkomma det till något pris, och jämförelsen slutar där.

Fällan är mellanfallet: ett projekt som vill ha en "videoannons" men vars svåra problem alla handlar om komposition, typografi och konsekvens. Det är fortfarande problem. Lös dem med modellen som kostar tre cent per bildruta, och låt Omni animera åtta godkända bildrutor i stället för trettiotvå spekulativa. Förhållandet trettioett till ett är inte ett argument för stillbildsmodellen. Det är ett argument för att använda den först.