4K bei Gemini Omni 1.1 Flash ist ein Upscale. Es kostet hier trotzdem 41 % weniger

Wir wollten den naheliegenden Test fahren, und er brach schon im ersten Schritt zusammen — was sich als das interessantere Ergebnis herausstellte.

Der Plan war gewöhnlich: ein Prompt, ein fester Seed, zwei Auflösungen, dann beide Standbilder bei Eins-zu-eins-Pixeln öffnen, um zu sehen, was die oberste Sprosse hinzufügt. Zurück kamen zwei verschiedene Filme. Gleicher Prompt-Text, gleicher Seed — und die Messinglupe, die im 720p-Take unten links im Bild liegt, liegt im 4K-Take rechts im Bild und weiter hinten. Die Pigmentschalen sind anders angeordnet, und es sind mehr davon — fünfeinhalb Sekunden in den 720p-Take hinein stehen sieben gefüllte Schalen im Bild, gegen fünf im 4K-Take. Das Leinen geht von einer zusammengelegten Rolle im Hintergrund zu einer weit ausgebreiteten Bahn rechts.

Das gehört klar gesagt, weil Prompting-Ratschläge etwas anderes voraussetzen: Ein Seed reproduziert eine Einstellung innerhalb einer Auflösung, nicht über Auflösungen hinweg. Wechseln Sie die Sprosse, und Sie haben einen neuen Take beauftragt, keinen größeren Abzug des vorhandenen. Wer günstig entwerfen und teuer finishen will, auf einem Seed, sollte das zweimal lesen.

Der Vergleich musste also auf einer einzigen ausgelieferten Datei aufgebaut werden. Nehmen Sie einen 4K-Frame, verkleinern Sie ihn auf 1920 mal 1080, vergrößern Sie ihn zurück auf 3840 mal 2160. Alles, was ein 1080p-Master hätte tragen können, übersteht diese Reise; alles Feinere, als 1080p darstellen kann, nicht. Vergleichen Sie Round-Trip gegen nativ, und die Differenz ist das, was die oberste Sprosse über 1080p hinaus tatsächlich liefert.

Die Kontrolle zählt hier mehr als die Messung, denn H.264-Korn lebt genau in dem Band, das gemessen wird. Der Test lief deshalb auf zwei Arten von Region: strukturierte Flächen, in denen echtes Detail sitzen könnte, und flache, unscharfe Flächen, die keines halten können. Die flachen Regionen liefern das Rauschniveau.

Der Überschuss auf der strukturierten Fläche liegt deutlich über dem Rauschniveau, das ausgelieferte 4K trägt also echte Struktur oberhalb dessen, was 1080p halten könnte — und nicht bloß Korn. Aber lesen Sie die Größenordnung: rund das Dreifache des Niveaus, gegen die neunfache Pixelzahl. Und da Kompressionsrauschen die Messung in Richtung „Detail gefunden“ verzerrt, behandeln Sie das als Obergrenze, nicht als Schätzwert.

Drei von Hand gesetzte Flächen sind eine dünne Grundlage dafür, also haben wir dasselbe 512-Pixel-Fenster zusätzlich in Schritten von 128 Pixeln über den gesamten Frame geschoben und die Ergebnisse danach aufgeteilt, wie viel Struktur die einzelne Fläche tatsächlich trägt. Die dreizehn flachsten landen zwischen 1.08x und 1.35x, die elf am stärksten strukturierten zwischen 2.86x und 3.86x. Der Abstand ist eine Eigenschaft des Frames, nicht der Stelle, an die wir die Kästen gelegt haben.

Dieselbe 512-Pixel-Region desselben Frames — Frame 96, vier Sekunden hinein, an Pixel (2944, 1152) —, die Differenz zwischen ihnen ist also alles, was die oberste Sprosse gegenüber einem 1080p-Master hinzufügt. Der zweite ist ein Round-Trip, kein 1080p-Rendering — und wir werden ihn auch nicht so bezeichnen.

Und wenn Ihnen die beiden nahezu identisch vorkommen, ist das die richtige Lesart und kein Versagen der Illustration. Sie unterscheiden sich um höchstens 9 Werte von 255, im Mittel um 0.82, bei 47.1 dB PSNR. Und es ist auch kein zurückhaltend gewähltes Beispiel: Diese Fläche ist das strukturreichste 512-Pixel-Quadrat im ganzen Frame. Ein Verhältnis von 3.62x im Hochfrequenzband ist ein echtes Ergebnis, aber es ist das Dreifache einer Größe, die nie groß war — dieses Material ist durchgehend weich. Was die oberste Sprosse hier hinzufügt, ist etwas, das ein Spektrum trennen kann und ein Auge meistens nicht.

Eine methodische Anmerkung für alle, die das wiederholen: Hochfrequenzenergie ist der Anteil des radial gemittelten Leistungsspektrums oberhalb der Nyquist-Grenze von 1080p, was für eine 512-Pixel-Fläche eines 4K-Frames dem Radius-Bin 128 entspricht. Der Round-Trip ist ffmpeg -vf "scale=1920:1080,scale=3840:2160" mit der voreingestellten bikubischen Skalierung, angewendet auf den ganzen Frame, bevor die Flächen ausgeschnitten werden.

Die Laplacian-Varianz, der übliche schnelle Näherungswert für Schärfe, ist das gröbere Werkzeug: Sie setzt die strukturierte Fläche auf 1.70x gegen 1.36x und 1.07x auf den flachen, wo das spektrale Maß 3.62x gegen 1.10x und 1.15x liefert. Sie trennt sie zwar, aber mit einem Abstand, der klein genug ist, um bestritten zu werden, weil sie Kompressionsrauschen zusammen mit Detail zählt.

Zwei Plausibilitätsprüfungen an der Datei, denn eine oberste Stufe lässt sich leicht vortäuschen. ffprobe meldet echte 3840 mal 2160 bei einer Dateibitrate von 25 583 339 bit/s — dem 8.84-Fachen des 720p-Takes desselben Prompts, gegenüber einem Pixelverhältnis von 9.00. Niemand reicht Ihnen einen ausgehungerten Stream in einer UHD-Hülle. Und es misst exakt 24 fps, 192 Frames über 8.000 Sekunden: eine Zahl, die auf Schema-Dokumentation Dritter kursiert statt auf etwas, das Google veröffentlicht, hier in unserer eigenen Ausgabe bestätigt.

Die ehrliche Antwort ist also keine der beiden, die man üblicherweise hört. Die oberste Sprosse ist keine umetikettierte 1080p-Datei, und sie ist auch nicht das Vierfache an Bild. Die neunfache Pixelzahl kauft eher das Dreifache an Struktur — weshalb sich die Frage nach dem Preis sorgfältig zu stellen lohnt.

Was „upscaled“ in dieser Klammer bedeutet

Googles Modellreferenz hängt das Wort wörtlich an die obersten beiden Stufen: „1080p output (upscaled)“ und „4K output (upscaled)“ — 1080p- und 4K-Ausgabe, hochskaliert. Die Generierung passiert auf einem niedrigeren internen Raster, und das Ergebnis wird auf dem Weg nach draußen skaliert; welche Struktur die oberste Sprosse also trägt, wurde von der Skalierung eingebracht und nicht vom Renderer aufgelöst. Google veröffentlicht diese interne Auflösung nicht, wer Ihnen also einen Vergrößerungsfaktor nennt, kennt ihn ebenso wenig.

Zwei Konsequenzen. Sie können einen misslungenen Take nicht an der Kasse zurückkaufen, denn der Fehler liegt vor der Skalierung, und ein Upscaler, der bereit ist, plausible Textur zu erfinden, wird nicht die richtige erfinden. Aber „skalier es halt lokal hoch“ ist ebenfalls schwächer, als es klingt: Die Skalierung des Modells läuft vor dem Auslieferungs-Encode, Ihre danach, auf einer Datei mit bereits eingebackener Quantisierung.

Fünf Aufgaben, bei denen die Maße das Liefergut sind

Hier ist, was die ehrliche Offenlegung gern begräbt: Detail ist ein Grund, ein großes Raster zu wollen, und nicht der häufigste in der Produktion.

Eine Lieferspezifikation, die ein Raster benennt. Sender und Agenturen schreiben Anforderungen als Maße, und die automatisierte Qualitätskontrolle liest den Header. Eine Datei mit 1920 mal 1080 gegen eine UHD-Spezifikation fällt durch, bevor ein Mensch sie sieht. Dort misst niemand die Modulationsübertragung — man misst die Datei.

Ein Archivmaster. Behalten Sie die größte Fassung, die Sie je erzeugt haben: Das Modell wird abgekündigt, und wie das Seed-Ergebnis oben zeigt, können Sie den Prompt nicht erneut fahren und diesen Clip zurückbekommen. Liefergut wird aus einem Master heruntergerechnet, nie hoch.

Spielraum für Umrahmung und Bildvergrößerung. Der stärkste praktische Fall, und es ist Arithmetik. Omni bietet zwei Seitenverhältnisse und sonst keines, 16:9 und 9:16, alles Quadratische oder 4:5 ist also ein Beschnitt. Ein mittiger 9:16-Ausschnitt aus einem 1080p-Frame ist 608 Pixel breit — eine 1080 Pixel breite vertikale Auslieferung bedeutet, eine komprimierte Datei erneut zu vergrößern. Derselbe Ausschnitt aus UHD ist 1215 breit, und Sie skalieren in die Spezifikation herunter. Auch bei Bildvergrößerungen: Eine 1.5×-Umrahmung auf UHD reicht Ihnen immer noch native 1920 mal 1080, während eine 1080p-Quelle 1280 mal 720 übrig lässt.

Großformatige Wiedergabe. Auf einer LED-Wand oder einem DOOH-Panel bestimmt der Pixelabstand, welche Datei Sie übergeben, und eine 1080p-Quelle, darauf gestreckt, ist sichtbar weich, wie sie es in einem Browser-Embed nie ist.

Compositing- und VFX-Plates. Tracker und Keyer arbeiten auf Pixeln, und viermal so viele stabilisieren einen planaren Solve, selbst wenn sie aus einer Vergrößerung statt von einem Sensor stammen. Außerdem finishen Sie in der Lieferspezifikation, das Plate muss also bereits da sein.

Keiner der fünf Punkte handelt davon, dass das Bild besser aussieht. Alle fünf handeln davon, dass die Datei die richtige Größe für das hat, was als Nächstes passiert.

Und drei, bei denen Sie für eine Skalierung zahlen

Vertikales Social. Jede große Plattform kodiert beim Upload neu, und die meisten deckeln die lange Kante deutlich unter UHD — Sie zahlen einen Spitzentarif für Pixel, die im Ingest weggeworfen werden, bevor ein Zuschauer den Beitrag sieht.

Web-Embed. Ein Clip in einer Artikelspalte läuft vielleicht 800 Pixel breit. Eine UHD-Quelle kostet Sie Geld bei der Generierung und Largest Contentful Paint bei der Auslieferung, ein seltener doppelter Verlust.

Interne Abnahmedurchgänge. Eine Kamerabewegung freizugeben ist eine Beurteilung von Form und Bewegung, zwei Sprossen tiefer für einen Bruchteil des Geldes gemacht.

Der Preisabschnitt, der das eigentliche Argument ist

Die oberste Sprosse bei jedem Anbieter, der einen aufrufbaren Sekundenpreis veröffentlicht, gelesen am 29. August 2026.

Gegenüber Googles eigenem Tarif sind das einundvierzig Prozent darunter — mit weitem Abstand der größte Unterschied der vier Stufen. Eine Sprosse tiefer, bei 1080p, verengt sich die Spanne auf elf Prozent, $0.135 gegen $0.1520, und noch weiter unten liegt das Feld so eng beieinander, dass es keinen Absatz wert ist.

Replicate fehlt aus einem Grund, den man aussprechen statt übertünchen sollte: Es führt das Modell und veröffentlicht in keiner Auflösung einen Sekundenpreis. Wir haben nach einer 4K-Zahl gesucht, und es gibt nichts zu zitieren.

Warum sich der Abstand an der Spitze weitet, ist kein Margenverhalten, sondern die Form der Leiter, und beide Formen sind öffentlich. Normalisieren Sie jeden Anbieter auf seine eigene 720p-Sekunde, und die beiden stimmen über drei Sprossen überein: ein Drittel auf der Entwurfsstufe, eins in der Mitte, die Hälfte mehr bei 1080p. Die vierte ist, wo sie sich trennen — Google verlangt das Dreifache seiner 720p-Sekunde, wir das Doppelte unserer. Jeder Dollar der einundvierzig Prozent kommt aus diesem einen Schritt.

Auf die Längen hochgerechnet, die Sie beauftragen würden:

Halten Sie diese letzte Zeile fest, wenn Sie eine Kampagne kalkulieren. Eine vierzig Sekunden lange UHD-Sequenz sind vier getrennt abgerechnete Aufträge, egal bei welchem Anbieter, und die Spalten unterscheiden sich bei einer einzigen Sequenz um fast fünf Dollar — vor den Takes, die Sie verwerfen und die den Abstand jeweils vervielfachen.

Beide Spalten kaufen dieselben Gewichte, dasselbe native Audio, dasselbe SynthID-Wasserzeichen in jedem Frame. Nichts an den einundvierzig Prozent ist ein Qualitätstausch — und nichts daran behauptet, dies sei generell der günstigste Weg, Video zu machen, was es meistens nicht ist.

Was sich im Prompt ändert, wenn Sie auf 4K gehen

Fast nichts, und das „fast“ ist der interessante Teil.

Die Auflösung ist ein API-Parameter, und „4K“ in den Text zu schreiben wählt die Stufe nicht aus. Detail-Adjektive richten sich an die falsche Stufe: Die Vergrößerung läuft nach der Generierung und liest Ihren Prompt nie. Sie wird Samples erfinden, wie die Messung oben zeigt — nur nicht in eine Richtung, die Ihre Wörter steuern.

Was den Renderer erreicht, sind Optik und Licht, und Licht leistet dabei doppelte Arbeit. Eine streifende Quelle baut kontrastreiche Kanten, und kontrastreiche Kanten sind das, was eine Vergrößerung übersteht, ob der Upscaler sie bewahrt oder rekonstruiert. Für Textur zu leuchten ist das Nächste, was es zu einem Prompt für die Stufe gibt.

Hier ist dasselbe Briefing zweimal geschrieben. Zuerst die Art, wie Leute schreiben, wenn sie hinter Auflösung her sind:

4K ultra detailed cinematic shot of a museum conservation bench, 8K,
hyper realistic, insanely sharp, maximum detail, best quality, intricate
textures, razor sharp focus, highly detailed surfaces, photorealistic
masterpiece, professional cinematography, award winning, unreal engine
render, ray tracing, ultra HD, crisp edges, no blur, extreme detail on
every surface, cinematic lighting, beautiful composition, trending.

Lesen Sie, was das anweist. Es verbietet nirgends Szenenschnitte, das Modell darf also eine kleine Erzählung bauen — sein dokumentierter Default. Es setzt kein Licht, benennt kein Objektiv, legt keine Kamerageschwindigkeit fest, und „unreal engine“ zeigt auf ein Games-Rendering statt auf eine Fotografie. Zweiundzwanzig Adjektive, keines davon eine Anweisung, auf die ein Renderer reagieren kann.

Und der Prompt, den wir tatsächlich gefahren haben — der, der den Clip unten, die Ausschnitte oben und jede Zahl in diesem Beitrag erzeugt hat:

Slow lateral pan, 50mm lens on a motorized slider, moving right to left
at a steady crawl across a museum conservation bench. The frame passes
over an unrolled length of raw linen, a brass magnifier resting on its
side, and a scatter of dry pigment powder in small glass dishes - ochre,
ultramarine, deep charcoal - then settles on the corner of an oil
painting where fine craquelure spiders across the varnish. Hard
low-angle tungsten light from the left rakes over every surface so the
linen weave, the dust and the cracked glaze all read as texture. Focus
stays locked on the bench plane throughout and nothing moves except the
camera. Sound: the faint whir of the slider motor and a room's worth of
quiet.

Acht Sekunden in 4K, also $1.44. Beachten Sie, wo die Arbeit geleistet wird: eine harte, flach einfallende Quelle, die über die Werkbank streift, sodass Bindung, Staub und Craquelé allesamt als Textur lesen. Dieser Satz hat mehr getan als zweiundzwanzig Adjektive, und er ist der Grund, warum der Round-Trip überhaupt etwas zu finden hatte.

Eine Produktionsnotiz. Dieser Prompt wurde beim ersten Absenden mit It seems there was an issue with the input you provided abgelehnt und ging beim zweiten Versuch durch, nachdem sich zwei Wörter geändert hatten — ein Stück Kamerajargon gestrichen, ein Pigment umbenannt. Bei langen Prompts kann ein einziges Wort die Anfrage scheitern lassen, und der Fehler sagt nicht, welches.

Wo die oberste Stufe Ihnen weiterhin nicht helfen kann

Vier Grenzen sitzen speziell um 4K-Arbeit. Das Seitenverhältnis bleibt 16:9 oder 9:16, quadratisches und 4:5-Liefergut kommt also aus einem Beschnitt, egal welche Sprosse Sie bezahlen. Jeder Frame trägt ein SynthID-Wasserzeichen, und nirgends gibt es einen Schalter. Es gibt keinen nativen 4K-Modus, auf den man eskalieren könnte, und keine Kontrolle über den Upscaler. Und eine Generierung endet weiterhin bei zehn Sekunden, ein längeres UHD-Master ist also eine Erweiterungskette, in der jedes misslungene Glied jetzt $1.80 kostet statt $1.35.

Und der Schlussvorbehalt für den ganzen Beitrag: Nichts davon macht Omni zum richtigen Modell für einen einzelnen 4K-Clip. Veo 3.1 Fast läuft für einen Cent pro Sekunde auf demselben Schlüssel. Für eine einzelne Einstellung, an der nichts hängt, ist ein achtzehnfaches Vielfaches nicht zu rechtfertigen, so gut der 4K-Tarif auch aussieht.

Günstig entwerfen, groß ausliefern

Günstig iterieren und einen Gewinner befördern: Zehn Durchgänge in 360p plus ein Finish sind $1.728 gegen $5.40 für zehn in 1080p. Der 40-Sekunden-Beitrag rechnet das sauber durch.

Bei UHD kommt ein Vorbehalt hinzu statt eines Schritts. Entwerfen Sie ruhig zu $0.0297 pro Sekunde, aber wegen des Seed-Ergebnisses oben ist der Gewinner ein Anhaltspunkt und keine Vorschau — der Take, den Sie ausliefern, wird ein anderer sein. Lassen Sie die Lieferspezifikation die Stufe wählen, nicht die Stufe, in der Sie entworfen haben.

Zahlen je Capability stehen in der maschinenlesbaren Spezifikation; das Modell liegt bei text-to-video. Tarife bewegen sich — prüfen Sie die Seite jedes Anbieters, bevor Sie Geld binden. Dies deckt die Anbieter ab, die am 29. August 2026 einen aufrufbaren 4K-Sekundenpreis veröffentlichen.

Häufige Fragen

Rendert Gemini Omni 1.1 Flash 4K nativ?

Nein. Googles Modellreferenz führt es als „4K output (upscaled)“ — 4K-Ausgabe, hochskaliert: Die Generierung passiert auf einem niedrigeren internen Raster, und der Frame wird vor der Auslieferung vergrößert, wobei diese interne Auflösung nicht veröffentlicht ist. Gemessen gegen einen Round-Trip durch 1080p hält die Datei allerdings echte Struktur oberhalb dessen, was 1080p tragen könnte — rund das Dreifache des Rauschniveaus in strukturierten Regionen, gegen die neunfache Pixelzahl. Ein echter Überschuss, aber nichts in der Nähe des Neunfachen an Bild.

Was kostet 4K bei Gemini Omni 1.1 Flash?

Auf E2X $0.18 pro Sekunde — $0.72 für vier Sekunden, $1.44 für acht, $1.80 für eine Generierung mit maximaler Länge von zehn Sekunden. Der direkte Aufruf von Google kostet $0.3041 pro Sekunde, aus den veröffentlichten Tokenzahlen gerechnet. fal.ai listet $0.30, Runware $0.32, WaveSpeed $0.39. Replicate veröffentlicht in keiner Auflösung einen Sekundenpreis.

Warum ist der Preisunterschied zwischen Anbietern bei 4K am größten?

Weil sich der Multiplikator auf der obersten Sprosse unterscheidet, nicht der Grundtarif. Nimmt man 720p als 1×, läuft Googles Leiter 0.33, 1, 1.5 und 3; unsere läuft 0.33, 1, 1.5 und 2. Sie stimmen auf den unteren drei Sprossen überein und trennen sich auf der vierten, wo Google für das Upscale verdreifacht und wir verdoppeln. Dieser eine Schritt sind die vollen einundvierzig Prozent.

Wann lohnt es sich, den 4K-Tarif zu zahlen?

Wenn die Maße selbst die Anforderung sind: eine Lieferspezifikation, die ein UHD-Raster benennt und von automatisierter Qualitätskontrolle geprüft wird; ein Archivmaster, aus dem Sie künftiges Liefergut schneiden; Spielraum für Umrahmung, da Omni nur 16:9 und 9:16 ausgibt; großformatige oder DOOH-Wiedergabe, wo der Panel-Pixelabstand die Quelle bestimmt; und Compositing-Plates, die Pixelzahl brauchen und in der Spezifikation finishen müssen.

Wann sollte ich nicht in 4K rendern?

Bei vertikalem Social, wo Plattformen beim Ingest neu kodieren und die lange Kante deutlich unter UHD deckeln; bei Web-Embeds, die ein paar hundert Pixel breit laufen, wo das Gewicht neben Geld auch Seitenperformance kostet; und bei internen Abnahmedurchgängen, die Beurteilungen von Form und Bewegung sind, die Sie auf der Entwurfsstufe für einen Bruchteil der Kosten treffen können.

Verbessert „4K“ oder „ultra detailed“ im Prompt die Ausgabe?

Nein. Die Auflösung ist ein API-Parameter, und Prompt-Text wählt sie nicht aus. Detail-Adjektive richten sich an die falsche Stufe: Die Vergrößerung läuft nach der Generierung und liest den Prompt nie. Sie fügt Struktur hinzu — wir haben es gemessen —, aber nichts, was Sie schreiben, steuert, was sie hinzufügt. Objektivwahl, Lichtrichtung und Kamerabewegung ändern, was vor der Skalierung gerendert wird, und dort verdienen Prompt-Wörter ihren Platz.

Kann ich einen 4K-Omni-Clip ohne Qualitätsverlust auf vertikal beschneiden?

Meistens ja, und das ist der stärkste praktische Fall für die Stufe. Ein mittiger 9:16-Ausschnitt aus UHD ist 1215 Pixel breit, eine 1080 Pixel breite vertikale Auslieferung ist also eine Verkleinerung. Derselbe Ausschnitt aus 1080p ist 608 breit und muss erneut vergrößert werden, aus einer bereits komprimierten Datei. Bildvergrößerungen folgen derselben Logik: Eine 1.5×-Umrahmung auf UHD lässt immer noch native 1920 mal 1080 übrig.

Ergibt derselbe Seed dieselbe Einstellung in einer anderen Auflösung?

Nein, und das hat uns überrascht. Ein Prompt bei festem Seed, gerendert in 720p und noch einmal in 4K, lieferte zwei verschiedene Einstellungen — Objekte auf gegenüberliegenden Seiten der Werkbank, eine andere Zahl anders angeordneter Pigmentschalen, eine andere Kamerahöhe. Behandeln Sie Seed-Determinismus als ausschließlich innerhalb einer Auflösung gültig und planen Sie nicht damit, eine Einstellung günstig freizugeben und dann genau diese Einstellung größer neu zu rendern.