Gemini Omni 1.2 Flash vs Qwen3.8-Omni-Flash: Ordet "Omni" gör två jobb

Alibabas egen publicerade uppskattning anger kostnaden för att läsa en timme 720p-video med Qwen3.8-Omni-Flash till cirka tjugo cent. Googles listpris för en timme genererad 720p från Gemini Omni 1.2 Flash är 252 dollar. Båda modellerna heter Omni. Båda tar emot text, bild, ljud och video. Den ena läser in filmmaterial och svarar i text; den andra skriver filmmaterial och svarar med en fil. Prisgapet mellan dem är ingen konkurrenssignal, eftersom de inte konkurrerar – det är kostnaden för att tillverka en sekund verklighet kontra kostnaden för att beskriva en.

Detta spelar roll eftersom jämförelsen görs hela tiden, och nästan alltid med fel modell på Googles sida. Varje artikel om "Qwen Omni kontra Gemini" som cirkulerar – inklusive den benchmarktabell som Alibaba själva publicerade – mäter Qwen3.8-Omni-Flash mot Gemini 3.8 Flash, en textutmatningsmodell för $0,75 per miljon indatatoken. Det är den korrekta rivalen. Gemini Omni 1.2 Flash, allmänt tillgänglig sedan 5 november 2026, är en annan produkt med ett annat prissättningsmått, och det finns ingen publicerad direkt jämförelse mellan de två någonstans.

Vad Qwen3.8-Omni-Flash faktiskt är

Alibabas Qwen-team släppte den 18 september 2026 som efterträdare till Qwen3.5-Omni-Plus, byggd på arkitekturen Qwen3.8-Flash-Next. Det första man måste klargöra är utdatamodaliteten, eftersom namnet inbjuder till ett felaktigt antagande: den producerar text och endast text. Den genererar inte video, och till skillnad från sin föregångare genererar den inte heller tal. Allt som är omni med den finns på ingångssidan.

På den sidan är den ovanligt kapabel. Kontextfönstret är en miljon token, med ungefär 991 000 tillgängliga för indata och 131 000 för utdata. Ett enda anrop kan hantera en timme kontinuerlig video. Den hanterar tvåkanalig stereo och fyrakanaligt rumsligt ljud, vilket är hur Qwen får sitt uppmärksammade paradnummer – att lokalisera en ljudkälla i ett rum och peka på den, den typ av förmåga som ett robotik- eller mötesanalysteam har väntat på. Taligenkänning täcker 74 språk plus 39 kinesiska dialekter; text-till-tal täcker 29 språk i syskonmodellerna. Det finns en realtidsvariant, Qwen3.8-Omni-Flash-Realtime, som körs över WebSocket eller WebRTC med talutmatning och 56 röster i en 192K-kontext.

Prissättningen är den aggressiva delen: 0,15 USD per miljon indatatoken, 0,47 USD per miljon utdatatoken och 0,016 USD per miljon för cachad indata. Vikterna är stängda. Det är endast via API, genom Alibaba Cloud Model Studio och Qwens egna slutpunkter, OpenAI-kompatibelt, i sex regioner.

Vad Gemini Omni 1.2 Flash egentligen är

Googles modell går åt andra hållet. Text, bilder, ljud och video går in; tre till femton sekunder video med synkroniserat ljud kommer ut, i ettsekunderssteg, i 16:9 eller 9:16. Du kan skapa utkast i 360p eller 720p och skala upp till 1080p eller 4K. En förfrågan kan innehålla upp till sex referensbilder, ett rörelseklipp på upp till tre sekunder och ljudsignaler, och flerstegsredigering låter dig byta ut en produkt, ändra vädret eller ändra bildutsnitt utan att generera om allt. Förlängning lägger till tre till tio sekunder per omgång upp till ett tak på 30 sekunder. Allt vattenmärks med SynthID.

Släppet av version 1.2 är lika mycket en prissänkning som ett funktionssläpp: videoutdata sjönk från $17.50 till $12.00 per miljon tokens, ungefär $0.07 per sekund i 720p, en minskning med 30 %. Textinmatning ligger kvar på $1.50 per miljon och textutdata på $9.00 per miljon. Hastighetsgränserna för betalnivån fördubblades samma dag. Google publicerade inga benchmarkpoäng med släppet – endast kvalitativa påståenden om referensföljsamhet, läppsynk och kamerakontinuitet.

Tre kostnadsfällor som bara dyker upp när du kör båda

Resonemangsbudgeten debiteras som utdata. Qwen3.8-Omni-Flash använder som standard tankeläget "xhigh", med en resonemangsbudget på upp till 262 000 token som debiteras till utdatatakten. En enda förfrågan som tänker hårt på en lång video kan kosta cirka $0.123 enbart i resonemang — vilket är mer än sexhundra gånger vad uppskattningen för videoläsning antyder, och anledningen till att vissa team rapporterar modellen som dyr när deras faktiska filmvolym är trivial. Begränsa tankebudgeten innan du benchmarkar något.

Siffran för video per timme är en leverantörsuppskattning. Alibaba publicerar ingen taxa för tokens per sekund för videoingestion, så siffran "tjugo cent per timme" kan inte härledas oberoende från prislistan. Taxorna $0.15/$0.47 är verifierbara; omvandlingen till per timme är Qwens aritmetik, och en publicerad analys har redan flaggat påståendet om 98 % billigare än Gemini som overifierbart av just denna anledning.

Renderingskostnaden multipliceras med antalet tagningar, inte med antalet leverabler. Ett femton sekunder långt klipp kostar $1.05. Sex kortversioner kostar $6.30 – men ingen får sex av sex på första försöket. Med tre försök per godkänd tagning kostar samma sex kortversioner $18.90, och det är siffran som hamnar i budgeten. Google begränsar också en ihopsatt sekvens till 30 sekunder, så allt längre är en andra generationskörning, inte en förlängning.

Ett genomarbetat arbetsflöde: trettio minuter in, sex klipp ut

Det är här båda modellerna förtjänar en plats, och där kostnadsfördelningen är kontraintuitiv.

Läs masterfilen. Qwen3.8-Omni-Flash tar den 30 minuter långa källvideon och returnerar en transkription med talarbyten, text på skärmen, en tagninglista med tidskoder och en kort lista över de stunder där någon säger något citerbart. Enligt Alibabas uppskattning motsvarar det ungefär tio cent i indata. Lägg till en tankepass för att välja ut de sex bästa ögonblicken och du ligger fortfarande under en fjärdedel – så länge budgeten har ett tak.

Rendera nedkortningarna. Sex femton sekunder långa klipp från Gemini Omni 1.2 Flash, tre tagningar vardera: 18,90 $. Referensbilder av produkten håller förpackningen enhetlig över alla sex; ljudledtrådar håller dialogen begriplig; redigering i flera turer rättar de två som glider.

Läs tillbaka resultaten. De sex färdiga klippen går tillbaka in i Qwen3.8-Omni-Flash för att bekräfta att texten på skärmen går att läsa, att dialogen stämmer med manuset och att ingens läppsynk har hamnat en bildruta fel. Sex klipp är nittio sekunder video. Kostnaden för läsningen är försumbar; det är kontrollen som gör renderingsnotan försvarbar.

Mönstret är generellt: i det här paret är analys billig och generering dyr, med två till tre storleksordningar. Team som budgeterar för det omvända – utifrån antagandet att den "intelligenta" modellen måste vara den kostsamma – tilldelar renderingslinjen för lite resurser och läslinjen för mycket, varje gång.

Benchmarkrekordet, och vems siffror dessa är

Allt som publicerats om Qwen3.8-Omni-Flash kommer från ett enda ställe: Alibabas egen utvärdering, som släpptes som ett arXiv-papper den 22 september 2026. Mot Gemini 3.8 Flash vinner den WildClawBench-MM med 71,0 mot 58,9, SpotSoundBench med 67,2 mot 39,7 och mötesdiarisering med en enorm marginal – en diariseringsfelkvot på 3,35 mot 72,6. Den förlorar OmniVideoBench med 63,4 mot 65,2 och AgenticVBench med 36,8 mot 45,0. Inget av detta har reproducerats oberoende, och inget av det gäller Gemini Omni 1.2 Flash, som inte läser in video i ett kontextfönster över huvud taget.

Googles sida av räkenskaperna är tomare. Tillkännagivandet av Gemini Omni 1.2 Flash innehåller inga siffror – ingen Elo, ingen vinstfrekvens, ingen benchmarksvit. Jämförelserna är kvalitativa: bättre referensmatchning än 1.1, mer flytande dialog, tydligare läppsynk, färre hoppklipp. NVIDIAs och Alibabas lanseringar levereras åtminstone med tabeller; Googles levereras med adjektiv.

Så den ärliga hållningen till ”vilket som är bättre” är att frågan inte har något uppmätt svar och inte kommer att få något förrän någon kör båda på samma uppgift. Det som med säkerhet kan sägas är snävare och mer användbart: Qwens siffror erhölls mot en textutmatningsmodell till en femtedel av indatapriset, och de kommer inte att överföras till en videogenerator, eftersom de två systemen bedöms med helt olika instrument.

Där de två leverantörerna verkligen överlappar varandra

Inte på modellen. På företagsavtalet. Båda är slutna, båda är enbart API-baserade, båda är regionlåsta på sätt som har betydelse — Alibaba betjänar Peking, Singapore, Hongkong, Tokyo, Frankfurt och Virginia; Googles redigeringsfunktioner för uppladdade videor är inte tillgängliga i delar av Europa. Ett medieföretag som väljer en leverantör väljer ett databehandlingsavtal och en jurisdiktion lika mycket som en förmåga.

Det är också värt att notera vad ingen av dem kan göra. Qwen3.8-Omni-Flash kan inte producera en bildruta, och Googles Omni 1.2 Flash kan inte svara på en fråga om ett tio minuter långt klipp. Den som konsoliderar till en enda leverantör för att minska inköpsomkostnaderna kommer att upptäcka att konsolideringen kostar en funktion, oavsett i vilken riktning man konsoliderar. Migrationsnotisen från Google framför samma poäng från andra hållet: från och med den 3 december 2026 besvaras förfrågningar till gemini-omni-1.1-flash av 1.2 till 1.2-priser, utan kodändringar – en påminnelse om att slutna endpoints rör sig enligt leverantörens tidsplan, inte din.

Vad OrcaRouter täcker, och vad det inte täcker

Ingen av dessa två modeller finns på OrcaRouter, och den här artikeln kommer inte att låtsas något annat. Det som finns på plattformen är den angränsande kapaciteten att bygga pipelinen ovan utan ett andra och ett tredje avtal.

Lässidan täcks av Qwen3.8 Flash: text, bild och video in, text ut, ett kontextfönster på en miljon token, analys av långa videor, fakturerat till 0,15 USD per miljon indatatoken och 0,47 USD per miljon utdatatoken – samma pris och samma profil som Omni-varianten, minus de spatiala ljudfunktionerna. Renderingssidan täcks av Kling 3.0 Omni till 0,084 USD per förfrågan för text-till-video och bild-till-video med klipp på 3–15 sekunder. Båda ligger bakom en och samma nyckel, vilket innebär att en fan-out som skickar samma källa till en läsare och en skrivare är en routingregel snarare än ett integrationsprojekt; automatisk failover gör att en störning hos en leverantör inte stoppar en kampanj mitt i renderingen; och påslaget på 0 % är en rak vidarebefordran av leverantörens listpris, så den dag en leverantör ändrar en taxa flyttas siffran på vår sida med den.

Hur man fattar ett beslut inom de närmaste tio minuterna

Om ditt problem är att du har filmmaterial och inget sätt att söka i det, undertexta det eller hitta ögonblicket där presentatören nämner priset – köp Qwen-sidan. Sätt ett tak för tankebudgeten först och mät din verkliga intagstakt i stället för att lita på uppskattningen per timme.

Om problemet är att du har en produktbild och en deadline och ingen kamerapersonal, köp Googles lösning och räkna med tre tagningar per godkänd bild i stället för en.

Om du har båda problemen, vilket de flesta team faktiskt har, sluta leta efter en vinnare. De två modellerna som nämns i första stycket i den här artikeln kommer aldrig att dyka upp i samma benchmarktabell, eftersom en av dem producerar en fil och den andra producerar ett stycke om filen. Det enda tal som förbinder dem är det som ingen publicerar: hur många timmar video din organisation läser för varje timme den skapar.