Gemini Omni 1.2 Flash 对比 Nano Banana 2.1：三十一张静帧换一个片段

要为一条三十秒的产品广告做预算，你需要两个 Google 模型，而不是一个。Nano Banana 2.1 是静态图机器——端点 gemini-nano-banana-2.1，自 2026 年 10 月 6 日起正式可用，1K 图像 $0.0336，2K 为 $0.0504，4K 为 $0.113。Gemini Omni 1.2 Flash 是动态影像机器：自 2026 年 11 月 5 日起正式可用，720p 视频约为每秒 $0.07，这意味着一条十五秒短片接近 $1.05。用后者除以前者，单次十五秒渲染的成本大致相当于三十一张 1K 静态图的成本。这个比例就是决策的全部，而大多数团队把这个比例搞反了，因为他们算的是模型的价格，而不是交付成果的价格。

两者都出自 Google，均按量计费，均带有 SynthID，并且都有一个会让集成踩坑的命名怪癖：显示名称和端点 ID 的形态并不像你预期的那样。Nano Banana 是 Google 为 Gemini 原生图像生成起的产名称，最新版本名为 gemini-nano-banana-2.1，而其前身是 gemini-3.1-flash-image。Omni 的最新版本名为 gemini-omni-1.2-flash。这两个名称都没有告诉你，你买的到底是哪种模态。

每个各自交回什么

Nano Banana 2.1 可接收文本、图像、视频和 PDF，并以 1K、2K 或 4K 输出图像和文本，思考级别为最低、中等或高。它最多可承载 14 张参考图像进行多图像融合——足以在四个角色和十个对象上保持保真度——并支持 Google Search 和 Image Search grounding。其 token 上限为输入 131,072、输出 32,768。

Gemini Omni 1.2 Flash 可接收文本、图像和视频输入，并返回带有原生同步音频的视频，时长三到十五秒，帧率为每秒 24 帧，分辨率可选 360p、720p、1080p 或 4K，其中最高的两档为升采样生成。每次请求最多支持六张参考图像，以及最长三秒的参考视频。它接受相同的 131,072 个输入 token，并最多返回 65,536 个。

• 输出 — 将图像和文字叠加到带原生音频的视频上。

• 时长——一帧相较于三到十五秒，可延长至总计 30 秒。

• 参考图像——最多 14 张，对比最多六张。

• 分辨率 — 1K、2K、4K 原生层级对比 360p、720p、1080p、4K，其中最高两档经过放大。

• 思考控制——最小、中等、高，对比无；Omni 完全不暴露 temperature、top_p 或系统指令。

• 输入类型——文本、图像、视频和 PDF 对比文本、图像和视频。

• 价格 — 每 1K 张图像 $0.0336，相比之下 720p 视频每秒约 $0.07。

三十秒广告的算术

拿一个真实的工作流来说，而不是基准测试。你有八个镜头要填满三十秒，每个两到四秒，你想在为动态画面付费之前，先挑出最有卖点的那一帧。

在静帧方面，每个镜头以 2K 生成四个候选：共三十二张图像，每张 $0.0504，合计 $1.61。审阅这些图像，选出八张，再将入选图像放大到 4K，每张 $0.113：另加 $0.90。此时你已在该项目上投入约 $2.51，并拥有八张已通过的画面。

现在开始制作动画。八个镜头，每个大约三秒，就是 24 秒的 720p 视频，再加上重试——而 Omni 的对话式编辑意味着重试是常规工作流，而不是例外。按每个镜头两条来算：48 秒的输出，按每秒 $0.07 计算，大约 $3.36。然后对最终版本进行放大：1080p 按每秒 $0.104 计算，24 秒大约 $2.50，4K 则翻倍。

就算总共 8 到 9 美元吧，其中大约三分之一花在静态图上。这才是真实账单的构成，也正因如此，如果你把“每个视频片段 31 张静态图”这个比例当成建议，它就会产生误导。静态图并不是视频片段的替代品。它们是决定这个片段是否值得制作的低成本部分。

比例真正会卡住人的地方是另一个问题：这个交付物是一张图片，还是一段动态序列？500 张产品图片的目录，用 Nano Banana 做是 25 美元的工作，用 Omni 做是 525 美元的工作，而在这种比较里，根本没有什么可当裁判的。错误在于因为提示词描述的东西会动就去生成视频。

参考图像，其中较便宜的模型反而是能力更强的那个

这是该对比中一个反直觉的发现，而且在两份文档中都可以核实。Nano Banana 2.1 最多可接受 14 张参考图像。Gemini Omni 1.2 Flash 最多可接受六张。

Google 自己对 Omni 六张参考图的表述很具体：每个角色最多三张图像，最多两个角色，外加产品和风格参考。模型卡称其“在最多 6 张参考图像上提升了角色和主体一致性”，发布文章则描述为在不同角度下保持面部、服装、包装字体和品牌颜色一致。参考视频路径是独立的，并按时长分级——十一到十五秒的输出可配一段最长三秒的参考视频，三到十秒的输出最多可配三段——并且参考视频仅适用于全新生成，不适用于编辑或延长。

Nano Banana 2.1 的十四项功能针对的是另一个问题：将多个主体融合到一个场景中，其说明卡宣称可保真呈现四个人物和十个物体。这是一种合成能力，而不是连续性能力，适合商品目录制作——把同一个包放进十个不同的房间，而无需重新绘制这个包。

实际影响是：如果你的任务是“同一角色、多个镜头”，那么 Omni 的六个参考图、每个角色三张的取景方式，是规格更明确的工具。如果你的任务是“多个对象、一个画面”，那 Nano Banana 的十四个参考图才是。只数参考图数量并宣布赢家，恰恰会把这件事判断得完全相反。

文本渲染，而这正是这些模型真正存在差异的地方

两个模型在清晰文字排版方面都异常出色，而对两者来说，这一能力最能改变你能交付的产品。

Nano Banana 2.1 相较 Nano Banana 2 所宣称的进步包括视觉质量、提示词遵循度、多轮角色一致性和文本渲染，此外还修复了宽幅全景比例——1:4、4:1、1:8 和 8:1 在 2K 和 4K 下不再平铺。如果你的交付物是信息图、海报或 UI 模型稿，那么这一组合就是完整的产品。

Omni 1.2 的对应主张针对的是运动中的文本：标签可读性、图表动画、屏幕上的标注。Google 的发布材料重点强调了这一点，而目前唯一可获得的独立上手测试——Segmind 的 Rohit Rao 进行的二十次生成，花费 16.17 美元额度——发现，在根据提供的最终帧生成带标签的讲解内容和图表动画时，该模型表现最佳，而从零开始生成逼真人物时则表现不佳。他的总结是，这是“我测试过的最严格遵循指令的视频模型”，但附有一个前提：大约每四条指令中就有一条会被跳过。

请注意这对组合意味着什么：Omni 1.2 有据可查的最强用途，是为一张你已经设计好的图形制作动画。而这正是 Nano Banana 2.1 的活儿。

分辨率、放大，以及“4K”究竟值不值

两者都宣传 4K，但各自所说的 4K 并不是一回事。

Nano Banana 2.1 可按 1K、2K 或 4K 的可选输出档位生成图像，Google 对它们分别定价：每张图像 0.0336 美元、0.0504 美元和 0.113 美元。Token 计费反映真实像素——1K 图像为 1,120 个 token，2K 为 1,680 个，4K 为 3,780 个。

Gemini Omni 1.2 Flash 的指南明确说明，1080p 和 4K 是经过放大的。其定价依据 token 消耗而非原生渲染：1080p 为每秒 8,688 个 token，4K 为 17,376 个，而 720p 为 5,792 个。因此，一段 15 秒的 4K 视频片段成本约为 3.14 美元，最高档位只是把较小渲染结果放大，而不是采集时捕捉到的细节。用于社交媒体分发没问题。用于广播，在承诺前先测试。

这两个工作流都属于

谷歌自家推荐的 Omni 工作法是：廉价出草稿、反复迭代，然后对胜出的版本做放大：探索阶段用 360p 或 720p，最终成品用 1080p 或 4K。Nano Banana 的对应做法是：以 1K 生成，再对选中的版本做放大。把它们串联起来跑，整个流程自然就成型了——先用静帧敲定构图和文字，再对通过审核的帧做动态，最后对两者都做一次最终放大。

有一条硬性边界。Omni 不接受图片作为视频交付物，Nano Banana 也不接受视频作为图片交付物。两个模型的输出都无法作为同模态编辑回喂给对方——Omni 可以延长并通过对话编辑自己的片段，Nano Banana 可以编辑自己的静态图片，两者互不跨越。

通过 OrcaRouter 购买其中任意一个

目前我们的目录中没有这两个端点。google/gemini-nano-banana-2.1 和 google/gemini-omni-1.2-flash 在 OrcaRouter 的模型页面上都返回 404，因此两者都需要走供应商 API。同一系列中我们确实提供的是上一代图像生成端点，google/gemini-3.1-flash-image-preview——Nano Banana 2——以及 Nano Banana Pro 和 Gemini 3.8 Flash 文本模型，这意味着一个未锁定到最新检查点的图像流水线可以用一个密钥运行其规划、提示词扩展和 QA 步骤。

真实情况就是这样：媒体调用直接走，而围绕它们的文本调用则不必如此。OrcaRouter 按 0% 加价计费，并透传提供商的目录价，因此如果 Google 调整 Nano Banana 或 Omni 的价格，变化在他们那边出现的同一天就会体现在我们这边；而当某家提供商降级时，自动故障转移会让提示扩展步骤继续存活。

到底该选什么

如果交付物是一张会被人看到的画面——产品包装图、信息图、主视觉图、UI 模型图——那么 Nano Banana 2.1 每份输出的成本低三十倍，可接收的参考素材数量是两倍多，支持 PDF，并且具备 Omni 未开放的思考控制能力。在这项决策中，无论从哪个角度看，Omni 都无法凭实力胜出。

如果交付物是动态内容，那么无论出价多少，Nano Banana 2.1 都无法实现，比较也就到此为止。

陷阱在于中间情形：一个想要“视频广告”的项目，其难题却全在构图、排版和一致性上。那些仍然是问题。要在每帧三美分的模型上解决它们，让 Omni 为八个已批准的帧制作动画，而不是三十二个推测性的帧。三十一比一的比例并不是支持静帧模型的理由，而是先使用它的理由。