Gemini Omni 1.2 Flash vs Nano Banana 2.1: ภาพนิ่ง 31 ภาพสำหรับคลิปเดียว

หากคุณตั้งงบประมาณสำหรับโฆษณาผลิตภัณฑ์ความยาวสามสิบวินาที คุณจะต้องใช้โมเดล Google สองตัว ไม่ใช่ตัวเดียว Nano Banana 2.1 คือเครื่องจักรภาพนิ่ง — endpoint gemini-nano-banana-2.1 เปิดให้ใช้งานทั่วไปตั้งแต่ 6 ตุลาคม 2026 ราคา $0.0336 สำหรับภาพ 1K, $0.0504 ที่ 2K และ $0.113 ที่ 4K Gemini Omni 1.2 Flash คือเครื่องจักรภาพเคลื่อนไหว: เปิดให้ใช้งานทั่วไปตั้งแต่ 5 พฤศจิกายน 2026 ประมาณ $0.07 ต่อวินาทีสำหรับวิดีโอ 720p ซึ่งทำให้คลิปความยาวสิบห้าวินาทีมีราคาใกล้เคียง $1.05 หารอันหนึ่งด้วยอีกอัน แล้วการเรนเดอร์หนึ่งครั้งความยาวสิบห้าวินาทีจะมีต้นทุนประมาณเท่ากับภาพนิ่ง 1K จำนวนสามสิบเอ็ดภาพ อัตราส่วนนี้คือการตัดสินใจทั้งหมด และเป็นอัตราส่วนที่ทีมส่วนใหญ่เข้าใจกลับด้าน เพราะพวกเขาตั้งราคาโมเดลแทนที่จะตั้งราคาสิ่งส่งมอบ

ทั้งสองเป็นของ Google ทั้งสองคิดค่าบริการตามการใช้งาน ทั้งสองมี SynthID และทั้งสองมีจุดแปลกในการตั้งชื่อที่ทำให้การเชื่อมต่อระบบสับสน นั่นคือชื่อที่แสดงและ ID ของ endpoint ไม่ได้มีรูปแบบอย่างที่คุณคาดไว้ Nano Banana คือชื่อผลิตภัณฑ์ของ Google สำหรับการสร้างภาพโดยตรงของ Gemini และรุ่นใหม่ที่สุดใช้ชื่อ gemini-nano-banana-2.1 ขณะที่รุ่นก่อนหน้าคือ gemini-3.1-flash-image ส่วนรุ่นใหม่ที่สุดของ Omni ใช้ชื่อ gemini-omni-1.2-flash ไม่มีชื่อใดบอกคุณได้ว่าคุณกำลังซื้อความสามารถแบบใด

สิ่งที่แต่ละอันส่งคืนกลับมา

Nano Banana 2.1 รับข้อความ รูปภาพ วิดีโอ และ PDF เป็นอินพุต และส่งออกเป็นรูปภาพและข้อความ ที่ความละเอียด 1K, 2K หรือ 4K พร้อมระดับการคิดแบบน้อย ปานกลาง หรือสูง รองรับภาพอ้างอิงสูงสุด 14 ภาพสำหรับการหลอมรวมหลายภาพ — เพียงพอสำหรับสี่ตัวละครและความถูกต้องของวัตถุครอบคลุมสิบวัตถุ — และมีการอ้างอิงจาก Google Search และ Image Search ขีดจำกัดโทเคนคือ 131,072 ขาเข้า และ 32,768 ขาออก

Gemini Omni 1.2 Flash รับข้อความ รูปภาพ และวิดีโอเป็นอินพุต และส่งคืนวิดีโอพร้อมเสียงที่ซิงค์แบบเนทีฟ ความยาวสามถึงสิบห้าวินาทีที่ 24 เฟรมต่อวินาที ในความละเอียด 360p, 720p, 1080p หรือ 4K โดยสองระดับสูงสุดถูกอัปสเกล รองรับรูปภาพอ้างอิงได้สูงสุดหกรูปต่อคำขอ พร้อมวิดีโออ้างอิงความยาวไม่เกินสามวินาที ยอมรับโทเค็นอินพุต 131,072 โทเค็นเช่นเดียวกัน และส่งคืนได้สูงสุด 65,536 โทเค็น

• เอาต์พุต — รูปภาพและข้อความซ้อนบนวิดีโอพร้อมเสียงต้นฉบับ

• ระยะเวลา — หนึ่งเฟรมเทียบกับสามถึงสิบห้าวินาที ขยายได้ถึงรวม 30 วินาที

• รูปภาพอ้างอิง — สูงสุด 14 รูป เทียบกับสูงสุด 6 รูป

• ความละเอียด — ระดับเนทีฟ 1K, 2K, 4K เทียบกับ 360p, 720p, 1080p, 4K โดยสองระดับสูงสุดถูกอัปสเกล

• การควบคุมการคิด — น้อย ปานกลาง สูง เทียบกับไม่มี; Omni ไม่เปิดเผย temperature, top_p หรือคำสั่งระบบเลย

• ประเภทอินพุต — ข้อความ รูปภาพ วิดีโอ และ PDF เทียบกับข้อความ รูปภาพ และวิดีโอ

• ราคา — $0.0336 ต่อ 1K ภาพ เทียบกับประมาณ $0.07 ต่อวินาทีของ 720p

คณิตศาสตร์ของโฆษณา 30 วินาที

ใช้เวิร์กโฟลว์ที่สมจริงแทนการวัดผลแบบ benchmark คุณมีแปดช็อตเพื่อเติมเต็มสามสิบวินาที โดยแต่ละช็อตยาวสองถึงสี่วินาที และคุณต้องการเลือกเฟรมที่ขายได้ก่อนที่จะจ่ายเงินสำหรับงานโมชัน

ในฝั่งภาพนิ่ง สร้างภาพตัวเลือกสี่ภาพต่อช็อตที่ความละเอียด 2K: สามสิบสองภาพในราคา $0.0504 ต่อภาพ หรือ $1.61 ตรวจดูภาพเหล่านั้น เลือกแปดภาพ แล้วอัปสเกลภาพที่ได้รับเลือกเป็น 4K ในราคา $0.113 ต่อภาพ เพิ่มอีก $0.90 ตอนนี้คุณลงทุนในโปรเจกต์ไปประมาณ $2.51 และมีเฟรมที่อนุมัติแล้วแปดเฟรม

ตอนนี้ก็เริ่มทำแอนิเมชันได้เลย แปดช็อต ช็อตละประมาณสามวินาที รวมเป็น 24 วินาทีที่ความละเอียด 720p บวกกับการลองใหม่ — และการแก้ไขแบบสนทนาของ Omni ทำให้การลองใหม่เป็นขั้นตอนปกติของงาน ไม่ใช่ข้อยกเว้น สมมติว่าสองเทคต่อช็อต จะได้เอาต์พุต 48 วินาทีในราคา $0.07 ประมาณ $3.36 จากนั้นอัปสเกลไฟนอล: 24 วินาทีในราคา $0.104 ต่อวินาทีสำหรับ 1080p ประมาณ $2.50 หรือเพิ่มเป็นสองเท่าสำหรับ 4K

เรียกได้ว่า $8 ถึง $9 แบบรวมทุกอย่าง โดยประมาณหนึ่งในสามใช้ไปกับภาพนิ่ง นั่นคือหน้าตาของบิลจริง และนี่คือเหตุผลที่อัตราส่วน "31 ภาพนิ่งต่อคลิป" ทำให้เข้าใจผิดหากคุณนำไปใช้เป็นคำแนะนำ ภาพนิ่งไม่ใช่ทางเลือกแทนคลิป แต่เป็นส่วนที่ถูกซึ่งเป็นตัวตัดสินว่าคลิปนั้นคุ้มค่าที่จะทำหรือไม่

จุดที่อัตราส่วนมีผลจริงคือคำถามอีกข้อหนึ่ง: สิ่งที่ต้องส่งมอบนี้เป็นภาพนิ่งหรือลำดับภาพเคลื่อนไหว? แคตตาล็อกภาพสินค้า 500 ภาพเป็นงาน Nano Banana ราคา $25 หรือเป็นงาน Omni ราคา $525 และในการเปรียบเทียบนั้นไม่มีอะไรให้ต้องตัดสินกันเลย ความผิดพลาดคือการสร้างวิดีโอเพราะพรอมป์ตอธิบายถึงสิ่งที่มีการเคลื่อนไหว

ภาพอ้างอิง ซึ่งโมเดลที่ราคาถูกกว่ากลับเป็นรุ่นที่มีความสามารถมากกว่า

นี่คือข้อค้นพบที่ขัดกับสามัญสำนึกของการเปรียบเทียบครั้งนี้ และสามารถตรวจสอบได้ในเอกสารทั้งสองฉบับ Nano Banana 2.1 รับภาพอ้างอิงได้สูงสุด 14 ภาพ ส่วน Gemini Omni 1.2 Flash รับได้สูงสุดหกภาพ

กรอบคำอธิบายของ Google เองสำหรับภาพอ้างอิงทั้งหกของ Omni นั้นเจาะจงมาก: รองรับภาพได้สูงสุดสามภาพต่อตัวละคร สำหรับตัวละครได้สูงสุดสองตัว พร้อมภาพอ้างอิงสินค้าและสไตล์ การ์ดโมเดลระบุว่าเป็น "ความสม่ำเสมอของตัวละครและตัวแบบที่ดีขึ้นจากภาพอ้างอิงสูงสุด 6 ภาพ" และโพสต์เปิดตัวอธิบายถึงการรักษาใบหน้า เครื่องแต่งกาย ตัวอักษรบนบรรจุภัณฑ์ และสีแบรนด์ให้สม่ำเสมอในทุกมุมมอง ส่วนเส้นทางการใช้วิดีโออ้างอิงนั้นแยกต่างหากและแบ่งระดับตามความยาว โดยผลลัพธ์ความยาวสิบเอ็ดถึงสิบห้าวินาทีใช้ วิดีโออ้างอิงหนึ่งรายการที่มีความยาวไม่เกินสามวินาที ส่วนผลลัพธ์ความยาวสามถึงสิบวินาทีใช้ได้สูงสุดสามรายการ และวิดีโออ้างอิงใช้ได้เฉพาะกับการสร้างใหม่เท่านั้น ไม่ใช้กับการแก้ไขหรือการขยาย

สิบสี่รายการของ Nano Banana 2.1 มุ่งเป้าไปที่ปัญหาอีกแบบหนึ่ง: การหลอมรวมหลายตัวแบบเข้าไว้ในฉากเดียว โดยสเปกอ้างถึงความแม่นยำสำหรับตัวละครสี่ตัวและวัตถุสิบชิ้น นั่นเป็นความสามารถด้านการคอมโพสิต ไม่ใช่ความสามารถด้านความต่อเนื่อง และเหมาะกับงานแคตตาล็อก — วางกระเป๋าใบเดียวกันในห้องสิบห้องที่ต่างกันโดยไม่ต้องวาดกระเป๋าใหม่

ผลที่ตามมาในทางปฏิบัติ: ถ้างานของคุณคือ "ตัวละครเดียวกัน หลายช็อต" การอ้างอิงหกรายการของ Omni พร้อมการจัดเฟรมสามแบบต่อตัวละครคือเครื่องมือที่ระบุรายละเอียดได้ตรงกว่า ถ้างานของคุณคือ "หลายวัตถุ เฟรมเดียว" สิบสี่รายการของ Nano Banana คือคำตอบ การนับจำนวนการอ้างอิงแล้วประกาศหาผู้ชนะทำให้เข้าใจเรื่องนี้ผิดไปโดยสิ้นเชิง

การเรนเดอร์ข้อความ ซึ่งเป็นจุดที่โมเดลเหล่านี้แตกต่างกันจริง ๆ

ทั้งสองโมเดลเก่งเรื่องตัวอักษรที่อ่านง่ายอย่างผิดปกติ และสำหรับทั้งคู่ นี่คือความสามารถที่เปลี่ยนสิ่งที่คุณนำออกเผยแพร่ได้มากที่สุด

ความก้าวหน้าที่ระบุไว้ของ Nano Banana 2.1 เมื่อเทียบกับ Nano Banana 2 ได้แก่ คุณภาพของภาพ การทำตามพรอมต์ ความสอดคล้องของตัวละครในหลายรอบการสนทนา และการเรนเดอร์ข้อความ รวมถึงการแก้ไขสำหรับอัตราส่วนภาพพาโนรามาแบบกว้าง — 1:4, 4:1, 1:8 และ 8:1 จะไม่เกิดการต่อภาพแบบไทล์ที่ 2K และ 4K อีกต่อไป หากสิ่งที่คุณต้องส่งมอบคืออินโฟกราฟิก โปสเตอร์ หรือ UI mock การผสมผสานนั้นก็คือผลิตภัณฑ์ทั้งหมด

ข้อกล่าวอ้างที่เทียบเท่ากันของ Omni 1.2 เกี่ยวกับข้อความภายในภาพเคลื่อนไหว ได้แก่ ความอ่านออกของป้ายกำกับ แอนิเมชันแผนภูมิ และคำอธิบายบนหน้าจอ วัสดุเปิดตัวของ Google พึ่งพาเรื่องนี้ และการทดสอบแบบลงมือทำอิสระเพียงหนึ่งเดียวที่มีอยู่ — การสร้างยี่สิบครั้งโดย Rohit Rao จาก Segmind ด้วยเครดิตมูลค่า $16.17 — พบว่าคำอธิบายที่มีป้ายกำกับและแอนิเมชันแผนภูมิจากเฟรมสุดท้ายที่ให้มาเป็นจุดที่โมเดลทำได้ดีที่สุด ขณะที่ภาพคนสมจริงที่สร้างตั้งแต่ต้นเป็นจุดที่โมเดลล้มเหลว สรุปของเขาคือมันเป็น "โมเดลวิดีโอที่ทำตามคำสั่งได้แม่นยำที่สุดเท่าที่ผมเคยทดสอบ" พร้อมข้อแม้ว่าประมาณหนึ่งในสี่ของคำสั่งจะถูกข้ามไป

สังเกตว่าสิ่งนี้หมายความอย่างไรสำหรับการจับคู่: การใช้งาน Omni 1.2 ที่มีเอกสารยืนยันชัดเจนที่สุดคือการทำให้กราฟิกที่คุณออกแบบไว้แล้วเคลื่อนไหว ซึ่งเป็นงานของ Nano Banana 2.1

ความละเอียด การอัปสเกล และคุณค่าที่แท้จริงของ "4K"

ทั้งสองโฆษณา 4K แต่ทั้งคู่ไม่ได้หมายถึงสิ่งเดียวกันเมื่อใช้คำนี้

Nano Banana 2.1 สร้างภาพที่ระดับ 1K, 2K หรือ 4K ซึ่งเป็นระดับเอาต์พุตที่เลือกได้ และ Google คิดราคาแยกกันที่ $0.0336, $0.0504 และ $0.113 ต่อภาพ การนับโทเคนสะท้อนพิกเซลจริง — 1,120 โทเคนสำหรับภาพ 1K, 1,680 สำหรับ 2K และ 3,780 สำหรับ 4K

คู่มือของ Gemini Omni 1.2 Flash ระบุชัดเจนว่า 1080p และ 4K เป็นการอัปสเกล ราคาคิดตามการใช้โทเคนมากกว่าการเรนเดอร์แบบเนทีฟ โดยอยู่ที่ 8,688 โทเคนต่อวินาทีสำหรับ 1080p และ 17,376 สำหรับ 4K เทียบกับ 5,792 ที่ 720p ดังนั้นคลิป 4K ความยาวสิบห้าวินาทีมีค่าใช้จ่ายประมาณ $3.14 และระดับสูงสุดเป็นการขยายภาพจากการเรนเดอร์ที่เล็กกว่า ไม่ใช่รายละเอียดที่เก็บได้ตั้งแต่ตอนถ่าย สำหรับการส่งมอบบนโซเชียลถือว่าใช้ได้ แต่สำหรับงานออกอากาศ ควรทดสอบก่อนสัญญา

เวิร์กโฟลว์ทั้งสองควรอยู่ใน

วินัย Omni ที่ Google แนะนำเองคือ ร่างแบบประหยัด ทำซ้ำ แล้วอัปสเกลตัวที่ชนะ: 360p หรือ 720p สำหรับการสำรวจ, 1080p หรือ 4K สำหรับตัวสุดท้าย สิ่งที่เทียบเท่าใน Nano Banana คือสร้างที่ 1K แล้วอัปสเกลตัวที่เลือก รันต่อกันเป็นลำดับ แล้วลำดับก็เขียนตัวเองขึ้นมา — ภาพนิ่งก่อนเพื่อกำหนดองค์ประกอบและตัวอักษร จากนั้นจึงทำโมชันบนเฟรมที่ผ่านการตรวจ แล้วจึงอัปสเกลครั้งสุดท้ายทั้งสองอย่าง

มีข้อจำกัดตายตัวอยู่ข้อหนึ่ง Omni ไม่รับภาพเป็นผลงานส่งมอบประเภทวิดีโอ และ Nano Banana ไม่รับวิดีโอเป็นผลงานส่งมอบประเภทภาพนิ่ง ผลลัพธ์ของทั้งสองโมเดลไม่สามารถป้อนกลับไปยังอีกโมเดลในฐานะการแก้ไขแบบชนิดสื่อเดียวกันได้ — Omni สามารถขยายและแก้ไขคลิปของตนเองผ่านบทสนทนาได้ Nano Banana สามารถแก้ไขภาพนิ่งของตนเองได้ และทั้งสองไม่ข้ามไปหากัน

การซื้อไม่ว่าจะแบบใดผ่าน OrcaRouter

ทั้งสอง endpoint นี้ยังไม่มีอยู่ในแคตตาล็อกของเราในวันนี้ google/gemini-nano-banana-2.1 และ google/gemini-omni-1.2-flash ต่างก็คืนค่า 404 เมื่อเรียกกับหน้าโมเดลของ OrcaRouter ดังนั้น API ของผู้ให้บริการจึงเป็นเส้นทางสำหรับทั้งสองตัว สิ่งที่เราให้บริการจากตระกูลเดียวกันคือ endpoint การสร้างภาพรุ่นก่อนหน้า google/gemini-3.1-flash-image-preview — Nano Banana 2 — พร้อมกับ Nano Banana Pro และโมเดลข้อความ Gemini 3.8 Flash ซึ่งหมายความว่าไปป์ไลน์ภาพที่ไม่ถูกปักหมุดกับ checkpoint ใหม่ล่าสุดสามารถรันขั้นตอนการวางแผน การขยายพรอมต์ และ QA ด้วยคีย์เดียวได้

นี่คือสภาพที่ตรงไปตรงมาของมัน: การเรียกผ่านสื่อไปโดยตรง ส่วนการเรียกข้อความที่อยู่รอบๆ ไม่จำเป็นต้องเป็นเช่นนั้น OrcaRouter คิดค่าบริการโดยบวกเพิ่ม 0% และส่งต่อราคาตามที่ผู้ให้บริการกำหนดไว้ ดังนั้นหาก Google ปรับอัตราของ Nano Banana หรือ Omni การเปลี่ยนแปลงจะปรากฏฝั่งเราในวันเดียวกับที่ปรากฏฝั่ง mereka และการสลับสำรองอัตโนมัติจะช่วยให้ขั้นตอนการขยายพรอมป์ยังทำงานอยู่ได้เมื่อผู้ให้บริการรายใดรายหนึ่งมีประสิทธิภาพลดลง

สิ่งที่ควรเลือกจริง ๆ

ถ้าสิ่งที่ต้องส่งมอบคือเฟรมที่ใครสักคนจะได้ดู — ภาพแพ็กช็อต อินโฟกราฟิก ภาพฮีโร่ หรือม็อกอัป UI — Nano Banana 2.1 ถูกกว่าต่อเอาต์พุตถึงสามสิบเท่า รับข้อมูลอ้างอิงได้มากกว่าสองเท่า รองรับ PDF และมีการควบคุมกระบวนการคิดที่ Omni ไม่เปิดให้ใช้ ไม่มีรูปแบบใดของการตัดสินใจนั้นที่ Omni จะชนะด้วยคุณสมบัติ

ถ้าสิ่งที่ต้องส่งมอบคือภาพเคลื่อนไหว Nano Banana 2.1 ก็ทำไม่ได้ไม่ว่าจะราคาเท่าไร และการเปรียบเทียบก็จบลงเพียงเท่านั้น

กับดักคือกรณีตรงกลาง: โปรเจกต์ที่อยากได้ "โฆษณาวิดีโอ" แต่ปัญหายากทั้งหมดของมันคือการจัดองค์ประกอบ การจัดวางตัวอักษร และความสอดคล้องกัน ปัญหาเหล่านี้ยังคงเป็นปัญหาอยู่ จงแก้มันบนโมเดลที่ราคาสามเซนต์ต่อเฟรม และปล่อยให้ Omni ทำให้แปดเฟรมที่อนุมัติแล้วเคลื่อนไหว แทนที่จะเป็นสามสิบสองเฟรมที่คาดเดาไว้ อัตราส่วนสามสิบเอ็ดต่อหนึ่งไม่ใช่ข้อโต้แย้งให้ใช้โมเดลภาพนิ่ง มันเป็นข้อโต้แย้งให้ใช้มันก่อน