Gemini Omni 1.2 Flash vs Qwen3.8-Omni-Flash: Chữ “Omni” đang đảm nhận hai vai trò

Ước tính do chính Alibaba công bố đặt chi phí đọc một giờ video 720p bằng Qwen3.8-Omni-Flash vào khoảng hai mươi xu. Giá niêm yết của Google cho một giờ video 720p được tạo từ Gemini Omni 1.2 Flash là 252 đô la. Cả hai mô hình đều mang tên Omni. Cả hai đều nhận văn bản, hình ảnh, âm thanh và video. Một mô hình đọc đoạn phim và trả lời bằng văn bản; mô hình kia tạo ra đoạn phim và trả lời bằng một tệp. Khoảng cách giá giữa chúng không phải là tín hiệu cạnh tranh, vì chúng không cạnh tranh với nhau — đó là chi phí sản xuất một giây thực tại so với chi phí mô tả một giây thực tại.

Điều này quan trọng vì phép so sánh này được thực hiện liên tục, và gần như luôn với sai mô hình ở phía Google. Mọi bài viết "Qwen Omni so với Gemini" đang lưu hành — kể cả bảng điểm chuẩn do chính Alibaba công bố — đều đo Qwen3.8-Omni-Flash với Gemini 3.8 Flash, một mô hình chỉ xuất văn bản với giá 0,75 USD cho mỗi triệu token đầu vào. Đó mới là đối thủ đúng. Gemini Omni 1.2 Flash, được cung cấp rộng rãi từ ngày 5 tháng 11 năm 2026, là một sản phẩm khác trên một thang đo khác, và không có bất kỳ so sánh trực tiếp nào giữa hai mô hình được công bố ở đâu cả.

Qwen3.8-Omni-Flash thực sự là gì

Nhóm Qwen của Alibaba đã phát hành nó vào ngày 18 tháng 9 năm 2026 với tư cách là phiên bản kế nhiệm của Qwen3.5-Omni-Plus, được xây dựng trên kiến trúc Qwen3.8-Flash-Next. Điều đầu tiên cần làm rõ là phương thức đầu ra, vì cái tên dễ gợi ra một giả định sai: nó tạo ra văn bản và chỉ văn bản. Nó không tạo video, và khác với phiên bản tiền nhiệm, nó cũng không tạo giọng nói. Mọi thứ mang tính omni của nó đều nằm ở phía đầu vào.

Về mặt đó, nó có năng lực khác thường. Cửa sổ ngữ cảnh là một triệu token, với khoảng 991.000 token dành cho đầu vào và 131.000 token cho đầu ra. Một lần gọi duy nhất có thể xử lý một giờ video liên tục. Nó hỗ trợ âm thanh stereo hai kênh và âm thanh không gian bốn kênh, và đây chính là cách Qwen tạo ra màn trình diễn đặc trưng của mình — định vị nguồn âm thanh trong một căn phòng và chỉ vào nó, kiểu năng lực mà một nhóm robot hoặc phân tích cuộc họp đã chờ đợi từ lâu. Nhận dạng giọng nói bao phủ 74 ngôn ngữ cùng 39 phương ngữ Trung Quốc; chuyển văn bản thành giọng nói bao phủ 29 ngôn ngữ trong các mô hình cùng dòng. Có một biến thể thời gian thực, Qwen3.8-Omni-Flash-Realtime, chạy qua WebSocket hoặc WebRTC với đầu ra giọng nói và 56 giọng nói trên ngữ cảnh 192K.

Giá cả là phần gây ấn tượng mạnh: 0,15 USD cho mỗi triệu token đầu vào, 0,47 USD cho mỗi triệu token đầu ra và 0,016 USD cho mỗi triệu token đầu vào được lưu trong bộ nhớ đệm. Trọng số không được công khai. Nó chỉ có qua API, thông qua Alibaba Cloud Model Studio và các endpoint riêng của Qwen, tương thích với OpenAI, tại sáu khu vực.

Gemini Omni 1.2 Flash thực sự là gì

Mô hình của Google đi theo hướng ngược lại. Văn bản, hình ảnh, âm thanh và video được đưa vào; ba đến mười lăm giây video có âm thanh đồng bộ được tạo ra, theo từng bước một giây, ở tỷ lệ 16:9 hoặc 9:16. Bạn có thể tạo bản nháp ở 360p hoặc 720p rồi nâng cấp lên 1080p hoặc 4K. Một yêu cầu có thể mang tối đa sáu hình ảnh tham chiếu, một đoạn clip chuyển động dài tối đa ba giây và các tín hiệu âm thanh, và chỉnh sửa nhiều lượt cho phép bạn thay sản phẩm, thay đổi thời tiết hoặc đổi khung hình mà không cần tạo lại toàn bộ. Tính năng gia hạn thêm ba đến mười giây mỗi lượt, tối đa 30 giây. Mọi thứ đều được gắn watermark bằng SynthID.

Bản phát hành 1.2 là một đợt giảm giá chẳng khác nào một bản phát hành nâng cao năng lực: giá đầu ra video giảm từ 17,50 USD xuống 12,00 USD mỗi triệu token, tương đương khoảng 0,07 USD mỗi giây video 720p, mức giảm 30%. Giá đầu vào văn bản giữ nguyên ở 1,50 USD mỗi triệu token và giá đầu ra văn bản ở 9,00 USD mỗi triệu token. Giới hạn tốc độ của gói trả phí đã tăng gấp đôi trong cùng ngày. Google không công bố điểm chuẩn nào cùng bản phát hành này — chỉ có những tuyên bố định tính về độ bám sát tham chiếu, khớp khẩu hình và tính liên tục của camera.

Ba bẫy chi phí chỉ xuất hiện khi bạn vận hành cả hai

Ngân sách suy luận được tính phí như đầu ra. Qwen3.8-Omni-Flash mặc định chế độ suy nghĩ của nó là "xhigh", với ngân sách suy luận lên tới 262.000 token được tính phí theo mức giá đầu ra. Một yêu cầu duy nhất suy nghĩ kỹ về một video dài có thể tốn khoảng $0.123 chỉ riêng cho phần suy luận — gấp hơn sáu trăm lần so với ước tính đọc video, và đó là lý do một số nhóm báo cáo mô hình này là đắt đỏ khi khối lượng cảnh quay thực tế của họ rất nhỏ. Hãy giới hạn ngân sách suy nghĩ trước khi bạn thực hiện bất kỳ đánh giá nào.

Con số video tính theo giờ là ước tính của nhà cung cấp. Alibaba không công bố mức token mỗi giây cho việc nạp video, nên con số "hai mươi xu mỗi giờ" không thể được suy ra một cách độc lập từ bảng giá. Các mức $0,15/$0,47 có thể kiểm chứng được; việc quy đổi theo giờ là phép tính của Qwen, và một phân tích đã công bố đã đánh dấu tuyên bố rẻ hơn Gemini 98% là không thể kiểm chứng chính vì lý do này.

Chi phí render nhân theo số lần thực hiện, không phải theo sản phẩm bàn giao. Một clip mười lăm giây có giá $1.05. Sáu bản cắt ngắn là $6.30 — nhưng không ai đạt sáu trên sáu ngay lần đầu. Với ba lần thử cho mỗi bản đạt, cùng sáu bản cắt ngắn đó tốn $18.90, và đó là con số được đưa vào ngân sách. Google cũng giới hạn chuỗi ghép nối ở 30 giây, nên bất cứ thứ gì dài hơn là một lượt tạo thế hệ thứ hai, không phải phần mở rộng.

Một quy trình đã được kiểm chứng: ba mươi phút đầu vào, sáu clip đầu ra

Đây là nơi cả hai mô hình đều có chỗ đứng, và cũng là nơi phân bố chi phí đi ngược lại trực giác.

Đọc bản master. Qwen3.8-Omni-Flash nhận video nguồn dài 30 phút và trả về bản ghi có lượt người nói, văn bản trên màn hình, danh sách cảnh quay kèm mã thời gian, và một danh sách ngắn những khoảnh khắc có người nói điều gì đó đáng trích dẫn. Theo ước tính của Alibaba, đó là khoảng mười xu chi phí đầu vào. Thêm một lượt suy luận để chọn sáu khoảnh khắc hay nhất và bạn vẫn chưa tới một phần tư đô-la — miễn là ngân sách được đặt trần.

Kết xuất các bản rút gọn. Sáu clip mười lăm giây từ Gemini Omni 1.2 Flash, mỗi clip ba lần quay: $18.90. Ảnh tham chiếu của sản phẩm giữ cho bao bì nhất quán trên cả sáu clip; các tín hiệu âm thanh giữ cho lời thoại dễ nghe; chỉnh sửa nhiều lượt khắc phục hai clip bị lệch.

Đọc lại các đầu ra. Sáu clip thành phẩm được đưa trở lại Qwen3.8-Omni-Flash để xác nhận chữ trên màn hình dễ đọc, lời thoại khớp với kịch bản và không ai bị lệch khớp khẩu hình dù chỉ một khung hình. Sáu clip là chín mươi giây video. Chi phí đọc là không đáng kể; việc kiểm tra chính là thứ khiến hóa đơn render trở nên hợp lý.

Mô hình này mang tính tổng quát: với cặp này, phân tích rẻ còn sinh tạo thì tốn kém, chênh lệch từ hai đến ba bậc độ lớn. Những đội lập ngân sách theo chiều ngược lại — cho rằng mô hình "thông minh" ắt phải là cái tốn kém — luôn phân bổ thiếu cho luồng render và phân bổ thừa cho luồng đọc.

Bản ghi chuẩn đánh giá, và những con số này là của ai

Mọi thứ được công bố về Qwen3.8-Omni-Flash đều đến từ một nơi: đánh giá của chính Alibaba, được công bố dưới dạng bài báo arXiv vào ngày 22 tháng 9 năm 2026. So với Gemini 3.8 Flash, nó thắng WildClawBench-MM với 71,0 so với 58,9, SpotSoundBench với 67,2 so với 39,7, và phân tách người nói trong cuộc họp với cách biệt cực lớn — tỷ lệ lỗi phân tách người nói là 3,35 so với 72,6. Nó thua OmniVideoBench với 63,4 so với 65,2 và AgenticVBench với 36,8 so với 45,0. Không có kết quả nào trong số này được tái lập độc lập, và không có kết quả nào liên quan đến Gemini Omni 1.2 Flash, vốn hoàn toàn không đọc video vào cửa sổ ngữ cảnh.

Phần sổ sách của Google trống rỗng hơn. Thông báo về Gemini Omni 1.2 Flash không có con số nào — không Elo, không tỷ lệ thắng, không bộ benchmark. Các so sánh mang tính định tính: khớp tham chiếu tốt hơn 1.1, đối thoại trôi chảy hơn, khớp khẩu hình rõ hơn, ít cắt cảnh đột ngột hơn. Các bản phát hành của NVIDIA và Alibaba ít nhất còn có bảng biểu; bản của Google thì có tính từ.

Vậy nên, quan điểm trung thực về “cái nào tốt hơn” là câu hỏi này chưa có câu trả lời được đo lường và sẽ không có cho đến khi ai đó chạy cả hai trên cùng một tác vụ. Điều có thể nói một cách chắc chắn thì hẹp hơn và hữu ích hơn: các con số của Qwen đạt được khi so với một mô hình xuất văn bản với mức giá bằng một phần năm giá đầu vào, và chúng sẽ không chuyển sang một trình tạo video, bởi vì hai hệ thống được chấm điểm bằng những công cụ hoàn toàn khác nhau.

Nơi hai nhà cung cấp thực sự chồng lấn

Không phải ở mô hình. Mà ở hợp đồng doanh nghiệp. Cả hai đều là hệ thống đóng, cả hai đều chỉ có API, cả hai đều bị giới hạn theo khu vực theo những cách quan trọng — Alibaba phục vụ Bắc Kinh, Singapore, Hồng Kông, Tokyo, Frankfurt và Virginia; các tính năng chỉnh sửa video đã tải lên của Google không khả dụng ở một số nơi tại châu Âu. Một công ty truyền thông khi chọn nhà cung cấp là đang chọn một thỏa thuận xử lý dữ liệu và một khu vực tài phán cũng nhiều như đang chọn một năng lực.

Cũng đáng lưu ý những gì cả hai sẽ không làm được. Qwen3.8-Omni-Flash không thể tạo ra một khung hình, và Omni 1.2 Flash của Google không thể trả lời một câu hỏi về đoạn clip dài mười phút. Bất kỳ ai đang hợp nhất về một nhà cung cấp để cắt giảm chi phí mua sắm sẽ thấy rằng việc hợp nhất đó khiến họ mất đi một năng lực, dù họ hợp nhất theo hướng nào. Ghi chú di chuyển của Google đưa ra cùng luận điểm từ phía ngược lại: từ ngày 3 tháng 12 năm 2026, các yêu cầu gửi đến gemini-omni-1.1-flash sẽ được 1.2 trả lời với mức giá của 1.2, mà không cần thay đổi mã — một lời nhắc rằng các endpoint đóng sẽ thay đổi theo lịch của nhà cung cấp, chứ không phải lịch của bạn.

OrcaRouter bao gồm những gì và không bao gồm những gì

Cả hai mô hình này đều không có trên OrcaRouter, và bài viết này sẽ không giả vờ điều ngược lại. Thứ có trên nền tảng là năng lực liền kề để xây dựng pipeline ở trên mà không cần hợp đồng thứ hai và thứ ba.

Phía đọc được đảm nhiệm bởi Qwen3.8 Flash: nhận văn bản, hình ảnh và video, xuất ra văn bản, ngữ cảnh một triệu token, phân tích video dài, tính phí $0.15 mỗi triệu token đầu vào và $0.47 mỗi triệu token đầu ra — cùng mức giá và cùng cấu hình như biến thể Omni, trừ các tính năng âm thanh không gian. Phía render được đảm nhiệm bởi Kling 3.0 Omni với $0.084 mỗi yêu cầu cho text-to-video và image-to-video với clip 3–15 giây. Cả hai đều dùng chung một khóa, nghĩa là một fan-out gửi cùng một nguồn đến một reader và một writer chỉ là một quy tắc định tuyến chứ không phải một dự án tích hợp; tự động chuyển đổi dự phòng nghĩa là một trục trặc từ nhà cung cấp không làm dừng chiến dịch giữa lúc render; và mức đánh dấu 0% là chuyển thẳng giá niêm yết của nhà cung cấp, nên ngày nhà cung cấp thay đổi mức giá, con số phía chúng tôi cũng thay đổi theo.

Làm thế nào để quyết định trong mười phút tới

Nếu vấn đề của bạn là có footage mà không có cách tìm kiếm, tạo phụ đề hay xác định thời điểm người trình bày nhắc đến giá — hãy chọn phía Qwen. Trước tiên hãy giới hạn ngân sách suy nghĩ, và đo tốc độ nạp thực tế của bạn thay vì tin vào ước tính theo giờ.

Nếu vấn đề của bạn là có một buổi chụp ảnh sản phẩm và một hạn chót mà không có ê-kíp quay chụp, hãy mua giải pháp bên Google, và dự trù ba lần quay cho mỗi lần đạt thay vì một.

Nếu bạn gặp cả hai vấn đề, điều mà hầu hết các nhóm thực sự đều gặp, thì đừng tìm kiếm một kẻ thắng cuộc nữa. Hai mô hình được nêu tên trong đoạn đầu của bài viết này sẽ không bao giờ xuất hiện trong cùng một bảng benchmark, vì một mô hình tạo ra một tệp còn mô hình kia tạo ra một đoạn văn nói về tệp đó. Con số duy nhất kết nối chúng là con số không ai công bố: tổ chức của bạn đọc bao nhiêu giờ video cho mỗi giờ video mà tổ chức tạo ra.