Gemini Omni 1.2 Flash vs Nano Banana 2.1: Ba mươi mốt ảnh tĩnh cho một clip

Lập ngân sách cho một quảng cáo sản phẩm dài ba mươi giây và bạn sẽ cần hai mô hình Google, không phải một. Nano Banana 2.1 là cỗ máy ảnh tĩnh — endpoint gemini-nano-banana-2.1, được cung cấp rộng rãi từ ngày 6 tháng 10 năm 2026, giá 0,0336 đô la cho một ảnh 1K, 0,0504 đô la ở 2K và 0,113 đô la ở 4K. Gemini Omni 1.2 Flash là cỗ máy chuyển động: được cung cấp rộng rãi từ ngày 5 tháng 11 năm 2026, khoảng 0,07 đô la mỗi giây video 720p, nghĩa là một clip mười lăm giây vào khoảng 1,05 đô la. Chia cái này cho cái kia và một lần render mười lăm giây tốn gần bằng chi phí của ba mươi mốt ảnh tĩnh 1K. Tỷ lệ đó chính là toàn bộ quyết định, và đó là tỷ lệ mà hầu hết các nhóm làm ngược lại vì họ định giá mô hình thay vì định giá sản phẩm bàn giao.

Cả hai đều của Google, đều tính phí theo mức sử dụng, đều mang SynthID, và cả hai đều có một điểm kỳ quặc trong cách đặt tên khiến các tích hợp gặp trục trặc: tên hiển thị và ID endpoint không theo dạng bạn mong đợi. Nano Banana là tên sản phẩm của Google cho tính năng tạo hình ảnh gốc của Gemini, và phiên bản mới nhất có tên là gemini-nano-banana-2.1 trong khi phiên bản tiền nhiệm là gemini-3.1-flash-image. Phiên bản mới nhất của Omni có tên là gemini-omni-1.2-flash. Không tên nào cho bạn biết bạn đang mua phương thức nào.

Mỗi thứ trả lại điều gì

Nano Banana 2.1 nhận văn bản, hình ảnh, video và PDF, rồi trả ra hình ảnh và văn bản ở 1K, 2K hoặc 4K với các mức suy luận tối thiểu, trung bình hoặc cao. Nó hỗ trợ tối đa 14 ảnh tham chiếu để hợp nhất nhiều ảnh — đủ cho bốn nhân vật và độ trung thực của vật thể trên mười vật thể — đồng thời có khả năng neo thông tin từ Tìm kiếm Google và Tìm kiếm Hình ảnh. Giới hạn token của nó là 131.072 đầu vào và 32.768 đầu ra.

Gemini Omni 1.2 Flash nhận đầu vào là văn bản, hình ảnh và video, đồng thời trả về video có âm thanh đồng bộ gốc, dài từ ba đến mười lăm giây ở tốc độ 24 khung hình/giây, với độ phân giải 360p, 720p, 1080p hoặc 4K, trong đó hai mức cao nhất được nâng cấp độ phân giải. Mỗi yêu cầu hỗ trợ tối đa sáu hình ảnh tham chiếu, cùng với video tham chiếu dài tối đa ba giây. Mô hình vẫn nhận 131.072 token đầu vào và trả về tối đa 65.536 token.

• Đầu ra — hình ảnh và văn bản đè lên video có âm thanh gốc.

• Thời lượng — một khung hình so với ba đến mười lăm giây, có thể kéo dài đến tổng cộng 30 giây.

• Hình ảnh tham chiếu — tối đa 14 so với tối đa sáu.

• Độ phân giải — các mức gốc 1K, 2K, 4K so với 360p, 720p, 1080p, 4K với hai mức cao nhất được nâng cấp.

• Điều khiển tư duy — tối thiểu, trung bình, cao so với không có; Omni hoàn toàn không cung cấp temperature, top_p hay hướng dẫn hệ thống.

• Các loại đầu vào — văn bản, hình ảnh, video và PDF đối chiếu với văn bản, hình ảnh và video.

• Giá — 0,0336 USD cho 1K hình ảnh so với khoảng 0,07 USD mỗi giây của 720p.

Số học của một quảng cáo ba mươi giây

Hãy dùng một quy trình thực tế thay vì một bài benchmark. Bạn có tám cảnh quay để lấp đầy ba mươi giây, mỗi cảnh từ hai đến bốn giây, và bạn muốn chọn khung hình thuyết phục được người xem trước khi trả tiền cho phần chuyển động.

Về phần ảnh tĩnh, hãy tạo bốn phương án cho mỗi cảnh ở 2K: ba mươi hai ảnh với giá $0.0504, tức $1.61. Xem xét chúng, chọn tám ảnh, nâng cấp những ảnh thắng lên 4K với giá $0.113 mỗi ảnh: thêm $0.90. Bạn đã đầu tư vào dự án khoảng $2.51 và có tám khung hình đã được duyệt.

Giờ hãy tạo hoạt ảnh. Tám cảnh quay, mỗi cảnh khoảng ba giây, là 24 giây ở 720p, cộng thêm các lần thử lại — và việc chỉnh sửa theo kiểu hội thoại của Omni khiến thử lại trở thành quy trình bình thường chứ không phải ngoại lệ. Cứ tính hai lần quay cho mỗi cảnh: 48 giây đầu ra với $0,07, khoảng $3,36. Sau đó nâng cấp các bản cuối: 24 giây với $0,104 mỗi giây cho 1080p, khoảng $2,50, hoặc gấp đôi nếu dùng 4K.

Cứ tính là 8 đến 9 đô la trọn gói, với khoảng một phần ba số đó dành cho ảnh tĩnh. Đó là cấu trúc của một hóa đơn thật, và đó là lý do tỷ lệ "31 ảnh tĩnh mỗi clip" gây hiểu nhầm nếu bạn coi đó là lời khuyên. Ảnh tĩnh không phải là sự thay thế cho clip. Chúng là phần rẻ tiền quyết định xem clip có đáng làm hay không.

Điểm mà tỷ lệ thực sự gây khó chịu lại là một câu hỏi khác: sản phẩm bàn giao này là một bức ảnh hay một chuỗi chuyển động? Một danh mục 500 hình ảnh sản phẩm là công việc Nano Banana trị giá 25 đô la hoặc công việc Omni trị giá 525 đô la, và trong so sánh đó không có cuộc thi nào để phân xử. Sai lầm là tạo video chỉ vì lời nhắc mô tả một thứ có chuyển động.

Hình ảnh tham chiếu, trong đó mẫu rẻ hơn lại là mẫu có năng lực cao hơn

Đây là phát hiện trái với trực giác của phép so sánh và có thể kiểm chứng được trong cả hai tài liệu. Nano Banana 2.1 chấp nhận tối đa 14 ảnh tham chiếu. Gemini Omni 1.2 Flash chấp nhận tối đa sáu.

Cách Google tự diễn đạt về sáu ảnh tham chiếu của Omni rất cụ thể: tối đa ba hình ảnh cho mỗi nhân vật, cho tối đa hai nhân vật, cộng với tham chiếu sản phẩm và phong cách. Thẻ mô hình gọi đây là "cải thiện độ nhất quán của nhân vật và chủ thể trên tối đa 6 ảnh tham chiếu", và bài đăng ra mắt mô tả việc giữ khuôn mặt, trang phục, kiểu chữ trên bao bì và màu sắc thương hiệu nhất quán qua các góc. Luồng video tham chiếu là riêng biệt và được phân tầng theo thời lượng — đầu ra từ mười một đến mười lăm giây nhận một video tham chiếu dài tối đa ba giây, đầu ra từ ba đến mười giây nhận tối đa ba video — và video tham chiếu chỉ hoạt động cho việc tạo mới, không dùng cho chỉnh sửa hoặc mở rộng.

Mười bốn [tính năng] của Nano Banana 2.1 nhắm đến một vấn đề khác: hợp nhất nhiều chủ thể vào một cảnh, với tuyên bố trên thẻ về độ trung thực cho bốn nhân vật và mười đối tượng. Đó là khả năng tổng hợp, không phải khả năng duy trì tính liên tục, và nó phù hợp với công việc làm catalogue — đặt cùng một chiếc túi vào mười căn phòng khác nhau mà không cần vẽ lại chiếc túi.

Hệ quả thực tế: nếu công việc của bạn là “cùng một nhân vật, nhiều cảnh quay,” thì sáu tham chiếu của Omni với cách bố trí ba tham chiếu cho mỗi nhân vật là công cụ được đặc tả phù hợp hơn. Nếu công việc của bạn là “nhiều đối tượng, một khung hình,” thì con số mười bốn của Nano Banana mới là lựa chọn đúng. Việc đếm số tham chiếu và tuyên bố ai thắng sẽ hiểu sai hoàn toàn điều này.

Kết xuất văn bản, chính là điểm mà các mô hình này thực sự khác nhau

Cả hai mô hình đều đặc biệt giỏi ở kiểu chữ dễ đọc, và với cả hai, đây là năng lực thay đổi nhiều nhất những gì bạn có thể phát hành.

Những tiến bộ được liệt kê của Nano Banana 2.1 so với Nano Banana 2 là chất lượng hình ảnh, độ bám sát lời nhắc, tính nhất quán của nhân vật qua nhiều lượt và khả năng hiển thị văn bản, cùng với bản sửa lỗi cho các tỷ lệ toàn cảnh rộng — 1:4, 4:1, 1:8 và 8:1 không còn bị ghép ô ở 2K và 4K. Nếu sản phẩm bàn giao của bạn là một infographic, áp phích hay bản mô phỏng giao diện người dùng, thì sự kết hợp đó chính là toàn bộ sản phẩm.

Tuyên bố tương đương của Omni 1.2 liên quan đến văn bản bên trong chuyển động: độ dễ đọc của nhãn, hoạt ảnh biểu đồ, chú thích trên màn hình. Tài liệu ra mắt của Google dựa vào điều đó, và bài kiểm tra thực tế độc lập duy nhất hiện có — hai mươi lần tạo bởi Rohit Rao của Segmind, tốn 16,17 đô la tín dụng — phát hiện rằng các bài giải thích có nhãn và hoạt ảnh biểu đồ từ một khung hình cuối được cung cấp là nơi mô hình thể hiện tốt nhất, trong khi người chân thực như ảnh chụp từ đầu lại là nơi nó thất bại. Câu tóm tắt của anh ấy là nó "là mô hình video tuân thủ chỉ dẫn chính xác nhất mà tôi từng thử nghiệm," kèm lưu ý rằng khoảng một trong bốn chỉ dẫn bị bỏ qua.

Hãy để ý điều đó có ý nghĩa gì đối với sự kết hợp này: công dụng được ghi nhận mạnh mẽ nhất của Omni 1.2 là tạo hoạt ảnh cho một đồ họa mà bạn đã thiết kế sẵn. Đó lại là việc của Nano Banana 2.1.

Độ phân giải, nâng cấp độ phân giải và "4K" đáng giá bao nhiêu

Cả hai đều quảng cáo 4K, nhưng ý nghĩa của 4K ở mỗi bên không giống nhau.

Nano Banana 2.1 tạo ảnh ở 1K, 2K hoặc 4K dưới dạng các bậc đầu ra có thể chọn, và Google định giá riêng từng bậc: 0,0336 USD, 0,0504 USD và 0,113 USD mỗi ảnh. Cách tính token phản ánh số pixel thực tế — 1.120 token cho ảnh 1K, 1.680 cho 2K, 3.780 cho 4K.

Hướng dẫn của Gemini Omni 1.2 Flash nói rõ rằng 1080p và 4K được nâng cấp. Giá được tính theo mức tiêu thụ token thay vì kết xuất gốc, ở mức 8.688 token mỗi giây cho 1080p và 17.376 cho 4K so với 5.792 ở 720p. Vì vậy, một clip 4K dài mười lăm giây tốn khoảng 3,14 USD, và hạng cao nhất chỉ là phóng to từ một bản kết xuất nhỏ hơn chứ không phải chi tiết được ghi lại tại thời điểm quay. Đối với phân phối mạng xã hội thì ổn. Đối với phát sóng, hãy kiểm tra trước khi bạn cam kết.

Quy trình mà cả hai đều thuộc về

Quy trình Omni được chính Google khuyến nghị là phác thảo với chi phí thấp, lặp lại, rồi nâng cấp mẫu thắng cuộc: 360p hoặc 720p để khám phá, 1080p hoặc 4K cho bản cuối. Tương đương với Nano Banana là tạo ở 1K, nâng cấp lựa chọn. Chạy chúng theo chuỗi và trình tự tự hình thành — ảnh tĩnh trước để cố định bố cục và chữ, sau đó chuyển động trên những khung hình đã vượt qua đánh giá, rồi nâng cấp lần cuối cho cả hai.

Có một ranh giới cứng. Omni không nhận hình ảnh làm đầu ra video và Nano Banana không nhận video làm đầu ra hình ảnh. Đầu ra của cả hai mô hình đều không thể được đưa ngược lại cho mô hình kia như một chỉnh sửa cùng phương thức — Omni có thể kéo dài và chỉnh sửa theo hội thoại các clip của chính nó, Nano Banana có thể chỉnh sửa các ảnh tĩnh của chính nó, và cả hai không vượt qua ranh giới này.

Mua một trong hai thông qua OrcaRouter

Hiện tại cả hai endpoint này đều không có trong danh mục của chúng tôi. google/gemini-nano-banana-2.1 và google/gemini-omni-1.2-flash đều trả về 404 trên các trang mô hình của OrcaRouter, vì vậy API của nhà cung cấp là lựa chọn cho cả hai. Thứ chúng tôi thực sự phục vụ từ cùng dòng sản phẩm là endpoint tạo ảnh trước đó,google/gemini-3.1-flash-image-preview — Nano Banana 2 — cùng với Nano Banana Pro và các mô hình văn bản Gemini 3.8 Flash, nghĩa là một pipeline ảnh không bị ghim vào checkpoint mới nhất có thể chạy các bước lập kế hoạch, mở rộng prompt và QA trên một khóa.

Đó chính là hình hài trung thực của nó: các cuộc gọi qua media đi trực tiếp, còn các cuộc gọi văn bản xoay quanh chúng thì không nhất thiết phải vậy. OrcaRouter tính phí với mức chênh lệch 0%, giá niêm yết của nhà cung cấp được chuyển nguyên vẹn, nên nếu Google thay đổi mức giá của Nano Banana hoặc Omni, thay đổi đó sẽ xuất hiện ở phía chúng ta cùng ngày với phía họ, và cơ chế chuyển đổi dự phòng tự động giữ cho bước mở rộng lời nhắc vẫn hoạt động khi một nhà cung cấp bị suy giảm.

Thực sự nên chọn gì

Nếu sản phẩm bàn giao là một khung hình mà ai đó sẽ nhìn vào — ảnh chụp bao bì, đồ họa thông tin, ảnh chủ đạo, bản mô phỏng UI — thì Nano Banana 2.1 rẻ hơn ba mươi lần trên mỗi đầu ra, nhận hơn gấp đôi số lượng tham chiếu, chấp nhận PDF và có khả năng điều khiển tư duy mà Omni không cung cấp. Không có phiên bản nào của quyết định đó mà Omni thắng về mặt thực chất.

Nếu sản phẩm bàn giao là chuyển động, Nano Banana 2.1 không thể tạo ra nó với bất kỳ mức giá nào, và cuộc so sánh kết thúc ở đó.

Cái bẫy nằm ở trường hợp nằm giữa: một dự án muốn có “quảng cáo video” nhưng những vấn đề khó của nó lại đều là bố cục, kiểu chữ và tính nhất quán. Đó vẫn là những vấn đề. Hãy giải quyết chúng trên mô hình chỉ tốn ba xu một khung hình, và để Omni làm động tám khung hình đã được duyệt thay vì ba mươi hai khung hình mang tính phỏng đoán. Tỷ lệ ba mươi mốt trên một không phải là lý lẽ ủng hộ mô hình ảnh tĩnh. Đó là lý lẽ để dùng nó trước.