Gemini Omni 1.2 بمقابلہ 1.1: کیا بدلا، اصل کلپس پر ٹیسٹ

Gemini Omni 1.2 Flash، Google کا تیسری نسل کا Omni ویڈیو ماڈل ہے: یہ ٹیکسٹ، تصاویر یا ویڈیو سے ہم آہنگ آواز والے کلپس بناتا ہے، اور Omni 1.1 کے مقابلے میں اس کی سب سے بڑی تبدیلی ایک جملے میں بیان ہو جاتی ہے۔ لمبے شاٹس، کم خرچ میں۔ Google نے اسے 5 نومبر 2026 کو جاری کیا؛ ہم نے چار دن بعد اسے BananaBanana پر پروڈکشن میں شامل کر دیا اور تب سے اسے 1.1 کے ساتھ ساتھ چلا رہے ہیں۔

مختصر جواب: Omni 1.2 ایک ہی شاٹ میں 3 سے 15 سیکنڈ بناتا ہے (1.1 کی حد 10 ہے) اور ہر ریزولوشن پر فی سیکنڈ تقریباً 30% سستا ہے: 720p پر $0.10 کے بجائے $0.07 فی سیکنڈ۔ آواز اب بھی ہمیشہ آن رہتی ہے، ایکسٹینشن اب بھی 40 سیکنڈ پر رک جاتی ہے، اور پہلے اور آخری فریم کے درمیان چلنے والا کلپ اب بھی 10 سیکنڈ تک محدود ہے۔ نئے کام کے لیے 1.1 پر رکے رہنے کی کوئی خاص وجہ نہیں۔

نیچے اعداد و شمار ہیں، دونوں ماڈلز پر ایک ہی پرامپٹ کا نتیجہ، اور وہ صورتیں جن میں 1.1 اب بھی معقول انتخاب ہے۔

Gemini Omni 1.1 اور 1.2 کے درمیان کیا بدلا؟

دو اعداد بدلے، اور ان کے ساتھ معیار کے بارے میں چند دعوے بھی آئے۔ Google کے اعلان کے مطابق کلپ کی لمبائی 15 سیکنڈ تک جاتی ہے، "3 سے 15 سیکنڈ تک ایک ایک سیکنڈ کے فرق سے"، 720p کی قیمت $0.07 فی سیکنڈ پر آ گئی ہے، اور ماڈل کو زیادہ صاف lip-sync، کئی بولنے والوں میں واضح فرق اور "غیر ضروری jump cuts میں نمایاں کمی" ملی ہے۔ ماڈل کارڈ مزید بتاتا ہے کہ آؤٹ پٹ پر اب بھی نظر نہ آنے والا SynthID واٹر مارک موجود رہتا ہے۔

ہمارے پلیٹ فارم پر آج دونوں نسلوں کا موازنہ یوں ہے:

ہمارے اپنے بلنگ لاگز سے ایک تفصیل: 1.2 فی سیکنڈ بالکل اتنے ہی آؤٹ پٹ ٹوکن خرچ کرتا ہے جتنے 1.1 (720p پر 5,792 فی سیکنڈ، 4K پر 17,376)۔ ماڈل کم کام نہیں کر رہا۔ Google نے بس ٹوکن کی قیمت $17.50 سے گھٹا کر $12 فی ملین کر دی، اور فی سیکنڈ بچت سیدھی اسی سے نکلتی ہے۔

Gemini Omni 1.2 Flash، 720p پر 10 سیکنڈ، آواز کے ساتھ۔ مختصر پرامپٹ: سائیکل کی مکینک خاتون ایک بولٹ کستی ہے، نظر اٹھاتی ہے اور کہتی ہے "Most squeaks come from one loose bolt. Check this one first, then ride." لاگت: $0.70۔

دونوں ماڈلز پر ایک ہی پرامپٹ: 1.2 کیسا رہا؟

میں نے ایک ہی پرامپٹ دونوں نسلوں پر یکساں سیٹنگز کے ساتھ چلایا: 16:9، 720p، ٹھیک 10 سیکنڈ۔ چھوٹے سرمئی بالوں والی ایک خاتون، ڈینم کا ایپرن، سائیکل کی ورکشاپ، ایک بولا جانے والا جملہ، "single continuous shot, no scene cuts"، اور ایک "Audio:" لائن جس میں اس کی آواز، رنچ کی کلک اور کمرے کا ماحول مانگا گیا، موسیقی کے بغیر۔

یہی پرامپٹ Gemini Omni 1.1 Flash پر، 720p پر 10 سیکنڈ۔ لاگت: $1.00۔

فریم بہ فریم میں نے یہ دیکھا:

• دونوں نے ایک ہی شاٹ رکھا۔ ffmpeg سے سین ڈیٹیکشن چلانے پر کسی بھی فائل میں ایک بھی کٹ نہیں ملا۔ 1.1 پر یہ ہدایت بہت اہم تھی؛ اس کے بغیر Omni اکثر خود ہی کلپ کو کئی زاویوں میں ایڈٹ کر دیتا ہے۔
• دونوں نے جملہ بولا۔ دونوں خواتین لکھا ہوا جملہ کیمرے کی طرف دیکھ کر ادا کرتی ہیں، اور آواز اسی پاس میں بنتی ہے۔ 1.2 کا آڈیو ٹریک واضح طور پر زیادہ اونچا نکلا (اوسط لیول تقریباً 4 dB زیادہ)، جو مکسنگ کے بغیر پوسٹ کرنے والوں کے لیے کام کی بات ہے۔
• 1.1 نے حلیے کی ہدایت زیادہ لفظی طور پر مانی۔ اس نے پرامپٹ کے مطابق چھوٹے کٹے ہوئے سرمئی بال دیے؛ 1.2 نے ٹھوڑی تک کا bob بنا دیا۔ معمولی بات ہے، لیکن یاد دلاتی ہے کہ "اوسطاً بہتر" کا مطلب ہر شاٹ میں بہتر نہیں ہوتا۔
• 1.2 نے رنچ کو بطور پراپ استعمال کیا۔ وہ بات کرتے ہوئے اسے لینس کی طرف اٹھاتی ہے، اور یہ 1.1 والے ورژن کے مقابلے میں کسی اصلی کریئیٹر کی ویڈیو جیسا لگتا ہے۔

کیا یہ بینچ مارک ہے؟ نہیں۔ یہ کلپس کی ایک جوڑی ہے، اور Omni ہر بار الگ نتیجہ دیتا ہے (کمپوزیشن لاک کرنے کے لیے کوئی seed نہیں)۔ البتہ اتنا ضرور دکھتا ہے کہ 1.1 جس چیز میں اچھا تھا، 1.2 نے اس میں کچھ نہیں کھویا، اور انہی 10 سیکنڈ کے لیے $0.30 کم لگے۔

کیا 15 سیکنڈ کا شاٹ واقعی فرق ڈالتا ہے؟

پانچ اضافی سیکنڈ جتنا ظاہر کرتے ہیں، اس سے زیادہ۔ دس سیکنڈ ہُک کے لیے کافی ہیں، مگر کسی مکمل عمل کے لیے کم پڑتے ہیں: شروع سے آخر تک کچھ انڈیلنا، کوئی پروڈکٹ کھولنا، کیمرے کے سامنے مختصر ریویو۔ 1.1 پر آپ 10 سیکنڈ بناتے اور پھر اسے ایکسٹینڈ کرتے۔

Gemini Omni 1.2 Flash، 720p پر 15 سیکنڈ ایک ہی شاٹ میں۔ مختصر پرامپٹ: ایک کمہار خاتون چاک پر پیالہ بناتی ہے، لکڑی کی پٹی سے ہموار کرتی ہے، تار سے کاٹ کر الگ کرتی ہے اور تختے پر رکھ دیتی ہے؛ آڈیو میں چاک کی گونج اور گیلی مٹی کی آواز، موسیقی نہیں۔ لاگت: $1.05۔

سچ کہوں تو مجھے لگا تھا یہ آدھے راستے میں بگڑ جائے گا۔ Omni کی عادت ہے کہ پرامپٹ کے بعد والے واقعات ("then she cuts it free…") چھوڑ دیتا ہے اور خوبصورت مگر ساکن منظر تھما دیتا ہے۔ یہاں ایسا نہیں ہوا: ہاتھ دیواریں بناتے ہیں، لکڑی کی پٹی آتی ہے، 11ویں سیکنڈ کے آس پاس تار پیندے کے نیچے سے گزرتا ہے، اور 14ویں سیکنڈ تک پیالہ چاک سے اٹھا لیا جاتا ہے۔ چار مرحلے، ایک شاٹ، کوئی کٹ نہیں۔ ایک کلپ سے زیادہ کچھ ثابت نہیں ہوتا، لیکن یہ بالکل اسی قسم کا کئی مرحلوں والا پرامپٹ ہے جسے Omni کے پچھلے ورژن ہمارے ہاں بار بار ساکن منظر میں بدل دیتے تھے۔

اب پیسوں کی بات۔ 1.1 سے 15 سیکنڈ لینے کا مطلب ہے 10 سیکنڈ کا کلپ ($1.00) اور 5 سیکنڈ کی ایکسٹینشن، اور ایکسٹینشن کا بل نتیجے کی پوری لمبائی پر بنتا ہے، یعنی دوسرا مرحلہ 15 × $0.10 = $1.50 کا پڑتا ہے۔ کل: $2.50۔ یہی 15 سیکنڈ 1.2 پر ایک شاٹ میں: $1.05۔ یہ آدھے سے بھی کم ہے، اور آپ وہ مرحلہ بھی بچا لیتے ہیں جس میں ایکسٹینشن اصل لُک سے بھٹک سکتی تھی۔

Gemini Omni 1.2 پر ایک کلپ کتنے کا پڑتا ہے؟

ہر سیکنڈ کا بل ریزولوشن کے حساب سے بنتا ہے، آواز شامل:

Google چاروں ریزولوشنز کے لیے 1.2 کی قیمت تقریباً $0.0232، $0.0695، $0.1043 اور $0.2085 فی سیکنڈ بتاتا ہے۔ ہم سینٹ تک راؤنڈ کرتے ہیں، اور 4K پر نیچے کی طرف $0.20 کر دیتے ہیں۔

ٹاپ اپ بونس مؤثر ریٹ کو مزید کم کر دیتے ہیں۔ $50 یا اس سے زیادہ کا کرپٹو ڈپازٹ بیلنس میں 5% جوڑتا ہے، $100 یا زیادہ پر 10%، اور فعال پرومو کوڈ ہر ڈپازٹ پر اوپر سے مزید 10% دیتا ہے۔ یوں کوڈ کے ساتھ $100 کا کرپٹو $120 کا بیلنس بن جاتا ہے، جس سے 720p کا ایک سیکنڈ تقریباً $0.058 اور 720p کا پورا 15 سیکنڈ کا کلپ تقریباً $0.88 کا پڑتا ہے۔ کارڈ، PayPal اور SEPA سے ادائیگی پر ڈپازٹ بونس نہیں ملتا۔

میرا طریقہ: 360p پر ڈرافٹ (پورے 15 سیکنڈ کے $0.30)، وہیں ٹائمنگ اور کیمرا ٹھیک کریں، پھر پسندیدہ شاٹ 720p پر دوبارہ بنائیں۔ یاد رکھیں کہ ڈرافٹ اور فائنل الگ الگ جنریشنز ہیں، اس لیے فائنل ڈرافٹ کا فریم بہ فریم اپ اسکیل نہیں ہو گا۔ ہر ماڈل کی مکمل ٹیبلز قیمتوں کے صفحے پر ہیں۔

کیا نہیں بدلا: Omni 1.2 کی حدود

15 سیکنڈ کی حد ہر جگہ لاگو نہیں ہوتی، اور لوگ سب سے پہلے یہیں ٹھوکر کھاتے ہیں۔

• پہلا اور آخری فریم: اب بھی 10 سیکنڈ۔ جب ہم نے دو کی فریمز کے درمیان 12 سیکنڈ کا کلپ آزمایا تو Google کے API نے اسے "Interpolation duration 12 seconds exceeds maximum duration 10 seconds" کہہ کر مسترد کر دیا۔ اسٹوڈیو اور MCP سرور اب چارج کرنے سے پہلے ہی اس صورت کو 10 سیکنڈ تک محدود کر دیتے ہیں، اس لیے یہ ایرر آپ کے سامنے نہیں آئے گا۔
• ایکسٹینشن ہر مرحلے میں 3–10 سیکنڈ جوڑتی ہے، کل 40 سیکنڈ۔ 15 سے شروع کرنے کا فائدہ بس اتنا ہے کہ آپ وہاں کم مرحلوں میں پہنچ جاتے ہیں۔ شروع یا درمیان میں کچھ نہیں ڈالا جا سکتا۔
• آواز بند نہیں ہو سکتی۔ ہر Omni کلپ میں آڈیو ٹریک ہوتا ہے۔ خاموشی چاہیے تو Veo 3.1 بغیر آواز کے بناتا ہے، اور Wan 3.0 میں آواز مفت بند کی جا سکتی ہے۔
• نہ seed، نہ negative prompt کا خانہ، اور ہر درخواست پر ایک ہی نمونہ۔ جو نہیں چاہیے وہ پرامپٹ میں لکھیں ("no music"، "no dialogue")؛ یہ اکثر کام کرتا ہے، ہمیشہ نہیں۔
• بولی گئی بات میں ترمیم محدود ہے۔ ماڈل کارڈ کے مطابق ویڈیو ایڈٹ کرنے سے لوگوں کی کہی ہوئی بات بدل سکتی ہے، اور Google فی الحال اس صلاحیت کو محدود رکھ رہا ہے۔

Google خود کہتا ہے کہ کھیلوں کی تیز حرکت، اسکرپٹ میں تیز تبدیلیوں اور پیچیدہ فزکس پر کام جاری ہے۔ میری رائے: اگر شاٹ کا دار و مدار گیند کے ٹھیک طرح اچھلنے پر ہے تو پہلے 360p ڈرافٹ بنا لیں۔

کیا Omni 1.1 سے 1.2 پر منتقل ہونا چاہیے؟

نئے پروجیکٹس کے لیے، ہاں۔ وہی فیچرز، لمبے شاٹس، اور ہر ریزولوشن پر تقریباً ایک تہائی سستا۔ مجھے کوئی نیا بریف نہیں سوجھتا جس میں کاغذ پر 1.1 جیت جائے۔

1.1 کو برقرار رکھنا دو صورتوں میں سمجھ میں آتا ہے۔ آپ اسی پر بنی سیریز آگے بڑھا رہے ہیں اور چاہتے ہیں کہ اقساط کے درمیان لُک یکساں رہے۔ یا آپ نے 1.1 پر پرامپٹس کا ایک سیٹ ٹیون کیا ہے اور وہ ان کی جو تشریح کرتا ہے، وہی آپ کو چاہیے (اوپر بالوں والا ٹیسٹ اس کی چھوٹی سی مثال ہے کہ دونوں ماڈل پرامپٹ کو کتنا مختلف پڑھتے ہیں)۔ دونوں نسلیں جنریٹر میں اور MCP کے ذریعے دستیاب رہتی ہیں، اور آپ ہر کلپ کے لیے انتخاب کرتے ہیں۔

ایک تاریخ بھی ذہن میں رکھیں۔ Google کے ریلیز نوٹس کے مطابق 3 دسمبر 2026 سے Gemini API gemini-omni-1.1-flash کی درخواستیں 1.2 کی طرف بھیجے گا۔ ہمارے ہاں فی الحال دونوں منتخب کیے جا سکتے ہیں؛ اگر ہماری طرف یہ بدلا تو یہ پوسٹ اپ ڈیٹ کر دی جائے گی۔

Omni API کیا قبول کرتا ہے اور کیا رد کرتا ہے، اس پر گہری نظر کے لیے ہمارا Gemini Omni Flash API کا جائزہ دیکھیں۔ مزید نمونہ کلپس کے ساتھ ماڈل کا صفحہ Gemini Omni 1.2 ہے۔

FAQ

کیا Gemini Omni 1.2، ورژن 1.1 سے بہتر ہے؟

اسپیکس کے لحاظ سے ہاں: 10 کے بجائے 15 سیکنڈ کے شاٹس اور تقریباً 30% کم قیمتیں، فیچرز وہی۔ Google زیادہ صاف lip-sync اور کم غیر ضروری jump cuts کا دعویٰ بھی کرتا ہے۔ ہمارے آمنے سامنے ٹیسٹ میں دونوں نے ایک شاٹ میں بولا گیا جملہ سنبھال لیا؛ 1.2 کی لاگت $0.70 رہی اور 1.1 کی $1.00۔

Gemini Omni 1.2 کی ویڈیو کتنی لمبی ہو سکتی ہے؟

ایک جنریشن میں 3 سے 15 سیکنڈ، اور دورانیہ سیکنڈ کے حساب سے مقرر ہوتا ہے۔ پہلا اور آخری فریم دونوں ہوں تو حد 10 سیکنڈ ہے۔ لمبے مناظر ایکسٹینشن سے بنتے ہیں، ہر مرحلے میں 3–10 سیکنڈ، کل 40 سیکنڈ تک۔

Omni 1.2 کا 10 سیکنڈ کا کلپ کتنے کا ہے؟

720p پر $0.70، 360p پر $0.20، 1080p پر $1.00 اور 4K پر $2.00، آواز شامل۔ ناکام جنریشنز کے پیسے خود بخود واپس ہو جاتے ہیں۔

کیا میں اب بھی Omni 1.1 استعمال کر سکتا ہوں؟

جی ہاں۔ Omni 1.1 Flash جنریٹر اور MCP سرور میں 1.2 کے ساتھ دستیاب رہتا ہے، اور آپ ہر کلپ کے لیے نسل خود چنتے ہیں۔ Google کا منصوبہ ہے کہ 3 دسمبر 2026 سے 1.1 کے لیے Gemini API کالز 1.2 کی طرف بھیجی جائیں۔

کیا Omni 1.2 بغیر آواز کے ویڈیو بنا سکتا ہے؟

نہیں۔ ہر Omni کلپ میں آڈیو ٹریک ہوتا ہے۔ آپ اسے "Audio:" لائن میں بیان کر سکتے ہیں یا "no music, no dialogue" لکھ سکتے ہیں، لیکن بالکل خاموش کلپ کے لیے Veo 3.1 یا Wan 3.0 استعمال کریں۔