Gemini Omni 1.2 vs 1.1: क्या बदला, असली क्लिप्स पर टेस्ट
Gemini Omni 1.2 vs 1.1 की आमने-सामने तुलना: दोनों पर एक ही प्रॉम्प्ट, 15 सेकंड का सिंगल टेक, प्रति सेकंड असली कीमतें और वे सीमाएं जो नहीं बदलीं।
Gemini Omni 1.2 Flash, Google का तीसरी पीढ़ी का Omni वीडियो मॉडल है: यह टेक्स्ट, इमेज या वीडियो से सिंक्रोनाइज़्ड साउंड वाले क्लिप बनाता है, और Omni 1.1 के मुकाबले इसका सबसे बड़ा बदलाव एक लाइन में कहा जा सकता है। लंबे टेक, कम पैसे में। Google ने इसे 5 नवंबर 2026 को रिलीज़ किया; हमने चार दिन बाद इसे BananaBanana पर प्रोडक्शन में उतार दिया और तब से इसे 1.1 के साथ-साथ चला रहे हैं।
छोटा जवाब: Omni 1.2 एक ही टेक में 3 से 15 सेकंड बनाता है (1.1 की सीमा 10 है) और हर रिज़ॉल्यूशन पर प्रति सेकंड करीब 30% सस्ता है: 720p पर $0.10 की जगह $0.07 प्रति सेकंड। साउंड अब भी हमेशा ऑन रहता है, एक्सटेंशन अब भी 40 सेकंड पर रुकता है, और पहले व आखिरी फ्रेम के बीच एनिमेट होने वाला क्लिप अब भी 10 सेकंड तक सीमित है। नए काम के लिए 1.1 पर टिके रहने की ज़्यादा वजह नहीं बचती।
नीचे आंकड़े हैं, दोनों मॉडल पर एक ही प्रॉम्प्ट का नतीजा, और वे मामले जहां 1.1 अब भी समझदारी भरा विकल्प है।
Gemini Omni 1.1 और 1.2 के बीच क्या बदला?
दो आंकड़े बदले, और उनके साथ क्वालिटी को लेकर कुछ दावे भी आए। Google की घोषणा के मुताबिक क्लिप की लंबाई 15 सेकंड तक जाती है, "3 से 15 सेकंड तक एक-एक सेकंड के स्टेप में", 720p की कीमत घटकर $0.07 प्रति सेकंड हो गई है, और मॉडल को ज़्यादा साफ़ लिप-सिंक, कई वक्ताओं के बीच साफ़ फ़र्क और "अनचाहे जंप कट्स में काफ़ी कमी" मिली है। मॉडल कार्ड यह भी बताता है कि आउटपुट पर अब भी अदृश्य SynthID वॉटरमार्क रहता है।
हमारे प्लेटफ़ॉर्म पर आज दोनों पीढ़ियों की तुलना ऐसी दिखती है:
| Omni 1.1 Flash | Omni 1.2 Flash | |
|---|---|---|
| सिंगल टेक | 3–10 सेकंड | 3–15 सेकंड |
| पहला + आखिरी फ्रेम | 10 सेकंड तक | 10 सेकंड तक |
| सीन एक्सटेंशन | हर स्टेप में +3–10 सेकंड, कुल 40 सेकंड | हर स्टेप में +3–10 सेकंड, कुल 40 सेकंड |
| वीडियो-टू-वीडियो एडिट का सोर्स | पहले 10 सेकंड | 15 सेकंड तक |
| 360p / 720p प्रति सेकंड | $0.03 / $0.10 | $0.02 / $0.07 |
| 1080p / 4K प्रति सेकंड | $0.15 / $0.30 | $0.10 / $0.20 |
| साउंड | हमेशा ऑन | हमेशा ऑन |
हमारे अपने बिलिंग लॉग से एक बात: 1.2 प्रति सेकंड ठीक उतने ही आउटपुट टोकन खर्च करता है जितने 1.1 (720p पर 5,792 प्रति सेकंड, 4K पर 17,376)। मॉडल कम काम नहीं कर रहा। Google ने बस टोकन की कीमत $17.50 से घटाकर $12 प्रति मिलियन कर दी, और प्रति सेकंड की बचत सीधे इसी से निकलती है।
Gemini Omni 1.2 Flash, 720p पर 10 सेकंड, साउंड के साथ। प्रॉम्प्ट संक्षेप में: एक साइकिल मैकेनिक बोल्ट कसती है, ऊपर देखती है और कहती है "Most squeaks come from one loose bolt. Check this one first, then ride." लागत: $0.70।
दोनों मॉडल पर एक ही प्रॉम्प्ट: 1.2 कैसा रहा?
मैंने एक ही प्रॉम्प्ट दोनों पीढ़ियों पर बिल्कुल एक जैसी सेटिंग्स के साथ चलाया: 16:9, 720p, ठीक 10 सेकंड। छोटे सलेटी बालों वाली एक महिला, डेनिम का एप्रन, साइकिल की वर्कशॉप, बोली जाने वाली एक लाइन, "single continuous shot, no scene cuts", और एक "Audio:" लाइन जिसमें उसकी आवाज़, रिंच की क्लिक और कमरे का माहौल मांगा गया, बिना म्यूज़िक के।
यही प्रॉम्प्ट Gemini Omni 1.1 Flash पर, 720p पर 10 सेकंड। लागत: $1.00।
फ्रेम-दर-फ्रेम मैंने यह देखा:
- दोनों ने एक ही शॉट रखा। ffmpeg से सीन-डिटेक्शन चलाने पर किसी भी फ़ाइल में एक भी कट नहीं मिला। 1.1 पर यह निर्देश बहुत मायने रखता था; इसके बिना Omni अक्सर खुद ही क्लिप को कई एंगल में एडिट कर देता है।
- दोनों ने लाइन बोली। दोनों महिलाएं लिखा हुआ वाक्य कैमरे की ओर देखकर बोलती हैं, और आवाज़ उसी पास में बनती है। 1.2 का ऑडियो ट्रैक साफ़ तौर पर ज़्यादा तेज़ निकला (औसत लेवल करीब 4 dB ऊंचा), जो बिना मिक्स के पोस्ट करने वालों के काम आता है।
- 1.1 ने लुक को ज़्यादा शब्दशः माना। उसने प्रॉम्प्ट के मुताबिक छोटे कटे सलेटी बाल दिए; 1.2 ने ठुड्डी तक का बॉब बना दिया। छोटी बात है, पर याद दिलाती है कि "औसतन बेहतर" का मतलब हर टेक में बेहतर नहीं होता।
- 1.2 ने रिंच को प्रॉप की तरह इस्तेमाल किया। बात करते हुए वह उसे लेंस की ओर उठाती है, और यह 1.1 वाले वर्ज़न से ज़्यादा किसी असली क्रिएटर के वीडियो जैसा लगता है।
क्या यह बेंचमार्क है? नहीं। यह क्लिप्स की बस एक जोड़ी है, और Omni हर बार अलग टेक देता है (कंपोज़िशन लॉक करने के लिए कोई seed नहीं है)। हां, इतना ज़रूर दिखता है कि 1.1 जिसमें अच्छा था, उसमें 1.2 ने कुछ नहीं खोया, और उन्हीं 10 सेकंड के लिए $0.30 कम लगे।
क्या 15 सेकंड का टेक सच में फ़र्क डालता है?
पांच अतिरिक्त सेकंड जितना लगते हैं, उससे ज़्यादा। दस सेकंड हुक के लिए काफ़ी हैं, लेकिन किसी पूरी क्रिया के लिए कम: शुरू से आखिर तक कुछ उड़ेलना, किसी प्रोडक्ट को खोलना, कैमरे के सामने छोटा-सा रिव्यू। 1.1 पर आप 10 सेकंड बनाते और फिर एक्सटेंड करते।
Gemini Omni 1.2 Flash, 720p पर 15 सेकंड एक ही टेक में। प्रॉम्प्ट संक्षेप में: एक कुम्हार चाक पर कटोरा गढ़ती है, लकड़ी की पट्टी से चिकना करती है, तार से काटकर अलग करती है और तख्ते पर रख देती है; ऑडियो में चाक की गुनगुनाहट और गीली मिट्टी, म्यूज़िक नहीं। लागत: $1.05।
सच कहूं तो मुझे लगा था कि यह बीच में ही बिगड़ जाएगा। Omni की आदत है कि प्रॉम्प्ट के बाद वाले इवेंट ("then she cuts it free…") छोड़ देता है और एक सुंदर पर स्थिर सीन थमा देता है। यहां ऐसा नहीं हुआ: हाथ दीवारें गढ़ते हैं, लकड़ी की पट्टी आती है, करीब 11वें सेकंड पर तार तले के नीचे से गुज़रता है, और 14वें सेकंड तक कटोरा चाक से उठा लिया जाता है। चार स्टेप, एक टेक, कोई कट नहीं। एक क्लिप से ज़्यादा कुछ साबित नहीं होता, लेकिन यह ठीक उसी तरह का मल्टी-स्टेप प्रॉम्प्ट है जिसे Omni के पुराने वर्ज़न हमारे लिए बार-बार एक स्थिर सीन में बदल देते थे।
अब पैसों की बात। 1.1 से 15 सेकंड निकालने का मतलब है 10 सेकंड का क्लिप ($1.00) और 5 सेकंड का एक्सटेंशन, और एक्सटेंशन का बिल नतीजे की पूरी लंबाई पर बनता है, यानी दूसरा स्टेप 15 × $0.10 = $1.50 का पड़ता है। कुल: $2.50। वही 15 सेकंड 1.2 पर एक टेक में: $1.05। यह आधे से भी कम है, और आप वह स्टेप भी छोड़ देते हैं जिसमें एक्सटेंशन मूल लुक से भटक सकता था।
Gemini Omni 1.2 पर एक क्लिप कितने का पड़ता है?
हर सेकंड का बिल रिज़ॉल्यूशन के हिसाब से बनता है, साउंड शामिल:
| रिज़ॉल्यूशन | प्रति सेकंड | 3 सेकंड | 10 सेकंड | 15 सेकंड |
|---|---|---|---|---|
| 360p (ड्राफ़्ट) | $0.02 | $0.06 | $0.20 | $0.30 |
| 720p | $0.07 | $0.21 | $0.70 | $1.05 |
| 1080p | $0.10 | $0.30 | $1.00 | $1.50 |
| 4K | $0.20 | $0.60 | $2.00 | $3.00 |
Google चारों रिज़ॉल्यूशन के लिए 1.2 की कीमत लगभग $0.0232, $0.0695, $0.1043 और $0.2085 प्रति सेकंड बताता है। हम सेंट तक राउंड करते हैं, और 4K पर नीचे की ओर $0.20 कर देते हैं।
टॉप-अप बोनस असल रेट को और कम कर देते हैं। $50 या उससे ज़्यादा का क्रिप्टो डिपॉज़िट बैलेंस में 5% जोड़ता है, $100 या ज़्यादा पर 10%, और एक्टिव प्रोमो कोड हर डिपॉज़िट पर ऊपर से 10% और देता है। यानी कोड के साथ $100 का क्रिप्टो $120 का बैलेंस बन जाता है, जिससे 720p का एक सेकंड करीब $0.058 और 720p का पूरा 15 सेकंड का क्लिप करीब $0.88 का पड़ता है। कार्ड, PayPal और SEPA से भुगतान पर डिपॉज़िट बोनस नहीं मिलता।
मेरा तरीका: 360p पर ड्राफ़्ट (पूरे 15 सेकंड के $0.30), वहीं टाइमिंग और कैमरा ठीक करें, फिर चुने हुए टेक को 720p पर दोबारा रेंडर करें। याद रखें कि ड्राफ़्ट और फ़ाइनल अलग-अलग जेनरेशन हैं, इसलिए फ़ाइनल ड्राफ़्ट का फ्रेम-दर-फ्रेम अपस्केल नहीं होगा। हर मॉडल की पूरी टेबल प्राइसिंग पेज पर हैं।
क्या नहीं बदला: Omni 1.2 की सीमाएं
15 सेकंड की सीमा हर जगह लागू नहीं होती, और लोग सबसे पहले यहीं अटकते हैं।
- पहला और आखिरी फ्रेम: अब भी 10 सेकंड। जब हमने दो कीफ़्रेम के बीच 12 सेकंड का क्लिप आज़माया, तो Google के API ने उसे "Interpolation duration 12 seconds exceeds maximum duration 10 seconds" कहकर ठुकरा दिया। स्टूडियो और MCP सर्वर अब पैसे काटने से पहले ही इस मामले को 10 सेकंड पर सीमित कर देते हैं, इसलिए यह एरर आपको खुद नहीं दिखेगा।
- एक्सटेंशन हर स्टेप में 3–10 सेकंड जोड़ता है, कुल 40 सेकंड। 15 से शुरू करने का फ़ायदा बस इतना है कि आप वहां कम स्टेप में पहुंचते हैं। शुरुआत या बीच में कुछ नहीं जोड़ा जा सकता।
- साउंड बंद नहीं किया जा सकता। हर Omni क्लिप में ऑडियो ट्रैक होता है। अगर खामोशी चाहिए, तो Veo 3.1 बिना साउंड के रेंडर करता है, और Wan 3.0 में इसे मुफ़्त में बंद किया जा सकता है।
- न seed, न नेगेटिव प्रॉम्प्ट का फ़ील्ड, और हर रिक्वेस्ट पर एक ही सैंपल। जो नहीं चाहिए, वह प्रॉम्प्ट में लिखें ("no music", "no dialogue"); ज़्यादातर बार यह काम करता है, हमेशा नहीं।
- बोली गई बात की एडिटिंग सीमित है। मॉडल कार्ड के मुताबिक वीडियो एडिट करने से लोगों की कही बात बदल सकती है, और Google फ़िलहाल इस क्षमता को सीमित रख रहा है।
Google खुद कहता है कि तेज़ स्पोर्ट्स एक्शन, स्क्रिप्ट में तेज़ बदलाव और जटिल फ़िज़िक्स पर काम जारी है। मेरी राय: अगर शॉट गेंद के सही ढंग से उछलने पर टिका है, तो पहले 360p ड्राफ़्ट बना लें।
क्या Omni 1.1 से 1.2 पर स्विच करना चाहिए?
नए प्रोजेक्ट्स के लिए, हां। वही फ़ीचर, लंबे टेक, और हर रिज़ॉल्यूशन पर करीब एक-तिहाई सस्ता। मुझे ऐसा कोई नया ब्रीफ़ नहीं सूझता जिसमें कागज़ पर 1.1 जीते।
1.1 को रखना दो मामलों में समझ में आता है। आप उसी पर बनी सीरीज़ आगे बढ़ा रहे हैं और चाहते हैं कि एपिसोड्स के बीच लुक एक जैसा रहे। या आपने 1.1 पर प्रॉम्प्ट्स का एक सेट ट्यून किया है और उनकी जो व्याख्या वह करता है, ठीक वही आपको चाहिए (ऊपर वाला बालों का टेस्ट इसका छोटा-सा उदाहरण है कि दोनों मॉडल प्रॉम्प्ट को कितना अलग पढ़ते हैं)। दोनों पीढ़ियां जेनरेटर में और MCP के ज़रिए उपलब्ध रहती हैं, और आप हर क्लिप के लिए चुनते हैं।
एक तारीख भी याद रखें। Google के रिलीज़ नोट्स कहते हैं कि 3 दिसंबर 2026 से Gemini API gemini-omni-1.1-flash की रिक्वेस्ट्स को 1.2 पर भेजेगा। हमारे यहां फ़िलहाल दोनों चुने जा सकते हैं; अगर हमारी तरफ़ यह बदला, तो यह पोस्ट अपडेट की जाएगी।
Omni API क्या स्वीकार करता है और क्या ठुकराता है, इस पर गहराई से जानने के लिए हमारा Gemini Omni Flash API रिव्यू देखें। ज़्यादा सैंपल क्लिप्स वाला मॉडल पेज है Gemini Omni 1.2।
FAQ
क्या Gemini Omni 1.2, 1.1 से बेहतर है?
स्पेसिफ़िकेशन के हिसाब से हां: 10 की जगह 15 सेकंड के टेक और करीब 30% कम कीमतें, फ़ीचर वही। Google ज़्यादा साफ़ लिप-सिंक और कम अनचाहे जंप कट्स का दावा भी करता है। हमारे आमने-सामने के टेस्ट में दोनों ने एक शॉट में बोली गई लाइन संभाल ली; 1.2 की लागत $0.70 रही, 1.1 की $1.00।
Gemini Omni 1.2 का वीडियो कितना लंबा हो सकता है?
एक जेनरेशन में 3 से 15 सेकंड, और अवधि सेकंड के हिसाब से तय होती है। पहला और आखिरी फ्रेम दोनों हों तो सीमा 10 सेकंड है। लंबे सीन एक्सटेंशन से बनते हैं, हर स्टेप में 3–10 सेकंड, कुल 40 सेकंड तक।
Omni 1.2 का 10 सेकंड का क्लिप कितने का है?
720p पर $0.70, 360p पर $0.20, 1080p पर $1.00 और 4K पर $2.00, साउंड शामिल। फ़ेल हुए जेनरेशन का पैसा अपने-आप लौट आता है।
क्या मैं अब भी Omni 1.1 इस्तेमाल कर सकता हूं?
हां। Omni 1.1 Flash जेनरेटर और MCP सर्वर में 1.2 के साथ उपलब्ध रहता है, और आप हर क्लिप के लिए पीढ़ी चुनते हैं। Google की योजना है कि 3 दिसंबर 2026 से 1.1 के लिए Gemini API कॉल्स 1.2 पर भेजी जाएं।
क्या Omni 1.2 बिना आवाज़ का वीडियो बना सकता है?
नहीं। हर Omni क्लिप में ऑडियो ट्रैक होता है। आप उसे "Audio:" लाइन में बता सकते हैं या "no music, no dialogue" मांग सकते हैं, लेकिन सच में खामोश क्लिप के लिए Veo 3.1 या Wan 3.0 इस्तेमाल करें।