La 4K de Gemini Omni 1.1 Flash est un upscale. Elle coûte quand même 41 % de moins ici

Nous voulions faire le test évident, et il s'est effondré dès la première étape — ce qui s'est révélé être le résultat le plus intéressant.

Le plan était banal : un prompt, un seed fixe, deux résolutions, puis les deux images fixes ouvertes en pixels un pour un pour voir ce qu'ajoute le dernier barreau. Ce qui est revenu, ce sont deux films différents. Même texte de prompt, même seed — et la loupe en laiton qui se trouve en bas à gauche du cadre dans la prise en 720p se trouve à droite du cadre et plus en arrière dans celle en 4K. Les bols de pigment sont disposés autrement et il y en a davantage — sept bols remplis dans le cadre à cinq secondes et demie de la prise en 720p, contre cinq dans celle en 4K. Le lin passe d'un rouleau plié au fond à une pièce largement étalée sur la droite.

Cela mérite d'être dit franchement, parce que les conseils de prompting supposent le contraire : un seed reproduit un plan à l'intérieur d'une résolution, pas d'une résolution à l'autre. Changez de barreau et vous avez commandé une nouvelle prise, pas un tirage plus grand de celle que vous aviez. Quiconque compte faire des brouillons bon marché et finir cher sur un seul seed devrait relire cette phrase.

La comparaison devait donc reposer sur un seul fichier livré. Prenez une image 4K, réduisez-la à 1920 par 1080, agrandissez-la de nouveau à 3840 par 2160. Tout ce qu'un master 1080p aurait pu porter survit à ce voyage ; rien de plus fin que ce que le 1080p peut représenter n'y survit. Comparez le round-trip au natif et la différence est ce que le dernier barreau livre réellement au-dessus du 1080p.

Le témoin compte plus que la mesure, car le grain H.264 vit exactement dans la bande mesurée. Le test a donc porté sur deux types de région : des zones texturées où du vrai détail pourrait vivre, et des zones plates hors netteté qui n'en retiennent aucun. Les régions plates vous donnent le plancher de bruit.

L'excédent sur la zone texturée se situe nettement au-dessus du plancher de bruit : la 4K livrée porte donc une vraie structure au-delà de ce que le 1080p pouvait retenir, et pas seulement du grain. Mais lisez son ampleur : environ trois fois le plancher, contre neuf fois les pixels. Et comme le bruit de compression biaise la mesure vers la détection de détail, traitez cela comme un plafond, pas comme une estimation.

Trois zones placées à la main font une base bien mince pour cela, alors nous avons aussi fait glisser la même fenêtre de 512 pixels sur l'image entière par pas de 128 pixels, puis réparti les résultats selon la quantité de texture que chaque zone porte réellement. Les treize plus plates tombent entre 1.08x et 1.35x ; les onze plus texturées, entre 2.86x et 3.86x. L'écart est une propriété de l'image, pas de l'endroit où nous avons posé les cadres.

La même région de 512 pixels de la même image — l'image 96, à quatre secondes, au pixel (2944, 1152) — : la différence entre les deux est donc la totalité de ce que le dernier barreau ajoute par rapport à un master 1080p. La seconde est un round-trip, pas un rendu 1080p — et nous n'allons pas l'étiqueter ainsi.

Et si les deux vous semblent presque identiques, c'est la bonne lecture et non un raté de l'illustration. Ils diffèrent d'au plus 9 valeurs sur 255, de 0.82 en moyenne, à 47.1 dB de PSNR. Ce n'est pas non plus un exemple choisi en douceur : cette zone est le carré de 512 pixels le plus texturé de toute l'image. Un rapport de 3.62x dans la bande haute fréquence est un vrai résultat, mais c'est le triple d'une quantité qui n'a jamais été grande — ces rushes sont doux d'un bout à l'autre. Ce que le dernier barreau ajoute ici, c'est quelque chose qu'un spectre sait séparer et qu'un œil, le plus souvent, ne sait pas.

Une note de méthode pour qui voudrait refaire l'exercice : l'énergie haute fréquence est la part du spectre de puissance moyenné radialement au-dessus de la limite de Nyquist du 1080p, ce qui correspond, pour une zone de 512 pixels d'une image 4K, au bin de rayon 128. L'aller-retour, c'est ffmpeg -vf "scale=1920:1080,scale=3840:2160" en bicubique par défaut, appliqué à l'image entière avant le découpage des zones.

La variance laplacienne, l'approximation rapide habituelle de la netteté, est l'instrument le plus grossier : elle place la zone texturée à 1.70x contre 1.36x et 1.07x sur les plates, là où la mesure spectrale donne 3.62x contre 1.10x et 1.15x. Elle les sépare bien, mais d'une marge assez faible pour être discutée, parce qu'elle compte le bruit de compression en même temps que le détail.

Deux vérifications de cohérence sur le fichier, car un palier supérieur est facile à simuler. ffprobe rapporte de vrais 3840 par 2160 à un débit de fichier de 25 583 339 bit/s — 8.84 fois celui de la prise en 720p du même prompt, contre un rapport de pixels de 9.00. Personne ne vous refile un flux affamé dans une enveloppe UHD. Et il mesure exactement 24 fps, 192 images sur 8.000 secondes : un chiffre qui circule sur la foi d'une documentation de schéma tierce plutôt que de quoi que ce soit publié par Google, confirmé ici dans notre propre sortie.

La réponse honnête n'est donc ni l'une ni l'autre de celles qu'on entend d'habitude. Le dernier barreau n'est pas un fichier 1080p ré-étiqueté, et ce n'est pas non plus quatre fois l'image. Neuf fois les pixels achètent quelque chose de plus proche du triple de structure — et c'est pourquoi la question de son coût mérite d'être posée soigneusement.

Ce que fait « upscaled » dans cette parenthèse

La référence modèle de Google accole le mot aux deux paliers supérieurs, mot pour mot : « 1080p output (upscaled) » et « 4K output (upscaled) » — sortie 1080p et 4K, agrandies. La génération se fait sur une trame interne plus petite et le résultat est redimensionné en sortie, donc toute structure que porte le dernier barreau y a été mise par le redimensionnement plutôt que résolue par le moteur de rendu. Google ne publie pas cette résolution interne, donc quiconque vous cite un facteur d'agrandissement ne le connaît pas davantage.

Deux conséquences. Vous ne pouvez pas racheter une mauvaise prise à la caisse, parce que le défaut est en amont du redimensionnement et qu'un upscaler prêt à inventer une texture plausible n'inventera pas la bonne. Mais « il suffit de l'agrandir en local » est plus faible que cela n'en a l'air : le redimensionnement du modèle tourne avant l'encodage de livraison, le vôtre après, sur un fichier dont la quantification est déjà cuite.

Cinq travaux où les dimensions sont le livrable

Voici ce que la divulgation honnête a tendance à enterrer : le détail est une raison de vouloir une grande trame, et ce n'est pas la plus courante en production.

Un cahier des charges qui nomme une trame. Diffuseurs et agences écrivent leurs exigences en dimensions, et le contrôle qualité automatisé lit l'en-tête. Un fichier 1920 par 1080 face à un cahier des charges UHD échoue avant qu'un humain le voie. Personne là-bas ne mesure la fonction de transfert de modulation — on mesure le fichier.

Un master d'archive. Gardez la plus grande version que vous ayez jamais générée : le modèle sera déprécié et, comme le montre le résultat sur le seed plus haut, vous ne pouvez pas relancer le prompt et récupérer ce clip. Les livrables se fabriquent en descendant depuis un master, jamais en montant.

Marge de recadrage et de resserrement. Le cas pratique le plus fort, et c'est de l'arithmétique. Omni propose deux formats d'image et aucun autre, 16:9 et 9:16, donc tout ce qui est carré ou 4:5 est un recadrage. Un recadrage 9:16 centré dans une image 1080p fait 608 pixels de large — une livraison verticale de 1080 de large signifie agrandir de nouveau un fichier compressé. Le même recadrage dans de l'UHD fait 1215 de large et vous réduisez pour entrer dans la spec. Les resserrements aussi : un recadrage à 1.5× sur de l'UHD vous laisse encore un natif 1920 par 1080, là où une source 1080p ne laisse que 1280 par 720.

Affichage grand format. Sur un mur LED ou un panneau DOOH, le pas de pixel détermine le fichier que vous livrez, et une source 1080p étirée pour le remplir est visiblement molle d'une manière qu'elle n'est jamais dans un embed de navigateur.

Plaques de compositing et de VFX. Trackers et keyers travaillent sur des pixels, et quatre fois plus stabilisent une résolution planaire même s'ils viennent d'un agrandissement et non d'un capteur. Vous finissez aussi au format de livraison, donc la plaque doit déjà y être.

Aucun de ces cinq cas ne porte sur une image plus belle. Tous les cinq portent sur un fichier à la bonne taille pour ce qui vient ensuite.

Et trois où vous payez un redimensionnement

Le social vertical. Toutes les grandes plateformes ré-encodent à l'envoi et la plupart plafonnent le grand côté bien en dessous de l'UHD — vous payez un tarif de palier supérieur pour des pixels jetés à l'ingestion, avant qu'un spectateur voie la publication.

L'embed web. Un clip dans une colonne d'article joue à peut-être 800 pixels de large. Une source UHD vous coûte de l'argent à la génération et du Largest Contentful Paint à la livraison, une rare double perte.

Les passes de validation interne. Approuver un mouvement de caméra est un jugement de forme et de mouvement, fait deux barreaux plus bas pour une fraction de l'argent.

La section prix, qui est l'argument réel

Le dernier barreau chez tous les fournisseurs publiant un tarif à la seconde appelable, relevé le 29 août 2026.

Face au tarif de Google lui-même, cela fait quarante et un pour cent de moins — de loin le plus grand écart des quatre paliers. Un barreau plus bas, en 1080p, l'écart se resserre à onze pour cent, $0.135 contre $0.1520, et plus bas encore le peloton est assez serré pour ne pas mériter un paragraphe.

Replicate est absent pour une raison qu'il vaut mieux énoncer que masquer : il propose le modèle et ne publie aucun tarif à la seconde, à aucune résolution. Nous avons cherché un chiffre pour la 4K, il n'y a rien à citer.

Si l'écart se creuse au sommet, ce n'est pas un comportement de marge mais la forme de l'échelle, et les deux formes sont publiques. Normalisez chaque fournisseur sur sa propre seconde de 720p et les deux s'accordent sur trois barreaux : un tiers au palier brouillon, un au milieu, la moitié en plus en 1080p. Le quatrième est celui où ils se séparent — Google facture trois fois sa seconde de 720p, nous facturons deux fois la nôtre. Chaque dollar des quarante et un pour cent vient de cette seule marche.

Étendez-le aux durées que vous commanderiez :

Retenez cette dernière ligne si vous chiffrez une campagne. Une séquence UHD de quarante secondes, ce sont quatre travaux facturés séparément quel que soit le fournisseur, et les colonnes diffèrent de près de cinq dollars sur une seule séquence — avant les prises que vous jetez, chacune multipliant l'écart.

Les deux colonnes achètent les mêmes poids, le même audio natif, le même filigrane SynthID sur chaque image. Rien dans les quarante et un pour cent n'est un compromis de qualité — et rien n'y prétend que ce soit la façon la moins chère de faire de la vidéo en général, ce qu'elle n'est généralement pas.

Ce qui change dans le prompt quand vous passez en 4K

Presque rien, et le « presque » est la partie intéressante.

La résolution est un paramètre d'API, et écrire « 4K » dans le texte ne sélectionne pas le palier. Les adjectifs de détail s'adressent à la mauvaise étape : l'agrandissement tourne après la génération et ne lit jamais votre prompt. Il inventera des échantillons, comme le montre la mesure ci-dessus — simplement pas dans une direction que vos mots dirigent.

Ce qui atteint le moteur de rendu, c'est l'optique et la lumière, et la lumière fait double emploi. Une source rasante construit des bords très contrastés, et les bords très contrastés sont ce qui survit à un agrandissement, que l'upscaler les préserve ou les reconstruise. Éclairer pour la texture est ce qui se rapproche le plus d'un prompt pour le palier.

Voici le même brief écrit de deux façons. D'abord, celle qu'on emploie quand on court après la résolution :

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.

Lisez ce que cela ordonne. Cela n'interdit jamais les coupes de scène, donc le modèle est libre de construire un petit récit — son comportement documenté par défaut. Cela ne place aucune lumière, ne nomme aucun objectif, ne fixe aucune vitesse de caméra, et « unreal engine » pointe vers un rendu de jeu plutôt que vers une photographie. Vingt-deux adjectifs, dont pas un n'est une instruction sur laquelle un moteur de rendu peut agir.

Et le prompt que nous avons réellement lancé — celui qui a produit le clip ci-dessous, les recadrages ci-dessus et chaque chiffre de ce billet :

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.

Huit secondes en 4K, donc $1.44. Notez où le travail se fait : une seule source dure en contre-plongée rasant l'établi pour que l'armure, la poussière et le craquelé se lisent tous comme de la texture. Cette phrase a fait plus que vingt-deux adjectifs, et c'est pour cela que le round-trip avait quelque chose à trouver.

Une note de production. Ce prompt a été rejeté au premier envoi avec It seems there was an issue with the input you provided, et est passé à la reprise après le changement de deux mots — un terme de jargon caméra supprimé, un pigment renommé. Sur les prompts longs, un seul mot peut faire échouer la requête, et l'erreur ne dira pas lequel.

Là où le palier supérieur ne peut toujours pas vous aider

Quatre limites entourent spécifiquement le travail en 4K. Le format d'image reste 16:9 ou 9:16, donc les livrables carrés et 4:5 viennent d'un recadrage quel que soit le barreau payé. Chaque image porte un filigrane SynthID sans interrupteur nulle part. Il n'existe pas de mode 4K natif vers lequel escalader ni aucun contrôle sur l'upscaler. Et une génération plafonne toujours à dix secondes, donc un master UHD plus long est une chaîne d'extensions où chaque maillon raté coûte maintenant $1.80 au lieu de $1.35.

Et la réserve finale sur tout le billet : rien de tout cela ne fait d'Omni le bon modèle pour un unique clip 4K. Veo 3.1 Fast tourne à un cent la seconde sur la même clé. Pour un plan isolé dont rien ne dépend, un multiple de dix-huit est indéfendable, aussi bon que paraisse le tarif 4K.

Brouillon bon marché, livraison en grand

Itérez bon marché et promouvez un gagnant : dix passes en 360p plus une finition font $1.728 contre $5.40 pour dix en 1080p. Le billet sur les quarante secondes déroule cela proprement.

L'UHD ajoute une réserve plutôt qu'une étape. Faites vos brouillons à $0.0297 la seconde, bien sûr, mais le résultat sur le seed ci-dessus signifie que le gagnant est un repère et non un aperçu — la prise que vous livrerez sera une autre. Laissez le cahier des charges choisir le palier, pas le palier dans lequel vous avez travaillé.

Les chiffres par capacité vivent dans la spec lisible par machine ; le modèle se trouve à text-to-video. Les tarifs bougent — vérifiez la page de chaque fournisseur avant d'engager une dépense. Ceci couvre les fournisseurs publiant un tarif 4K à la seconde appelable le 29 août 2026.

Questions fréquentes

Gemini Omni 1.1 Flash rend-il la 4K nativement ?

Non. La référence modèle de Google l'indique comme « 4K output (upscaled) » — sortie 4K, agrandie : la génération se fait sur une trame interne plus petite et l'image est agrandie avant livraison, cette résolution interne n'étant pas publiée. Mesuré contre un aller-retour par le 1080p, le fichier retient toutefois une vraie structure au-delà de ce que le 1080p pouvait porter — environ trois fois le plancher de bruit dans les régions texturées, contre neuf fois les pixels. Un excédent réel, mais rien qui approche neuf fois l'image.

Combien coûte la 4K sur Gemini Omni 1.1 Flash ?

Sur E2X, $0.18 la seconde — $0.72 pour quatre secondes, $1.44 pour huit, $1.80 pour une génération de longueur maximale de dix secondes. Appeler Google directement coûte $0.3041 la seconde, d'après ses comptes de tokens publiés. fal.ai affiche $0.30, Runware $0.32, WaveSpeed $0.39. Replicate ne publie aucun tarif à la seconde, à aucune résolution.

Pourquoi l'écart de prix entre fournisseurs est-il le plus grand en 4K ?

Parce que c'est le multiplicateur du dernier barreau qui diffère, pas le tarif de base. En prenant le 720p comme 1×, l'échelle de Google fait 0.33, 1, 1.5 et 3 ; la nôtre fait 0.33, 1, 1.5 et 2. Elles s'accordent sur les trois premiers barreaux et se séparent au quatrième, où Google triple pour l'upscale et où nous doublons. Cette seule marche, ce sont les quarante et un pour cent en entier.

Quand vaut-il la peine de payer le tarif 4K ?

Quand les dimensions sont elles-mêmes l'exigence : un cahier des charges nommant une trame UHD et vérifié par un contrôle qualité automatisé ; un master d'archive dont vous tirerez de futurs livrables ; de la marge de recadrage, puisque Omni ne sort qu'en 16:9 et 9:16 ; l'affichage grand format ou DOOH, où le pas du panneau détermine la source ; et les plaques de compositing, qui ont besoin de pixels et doivent finir au format.

Quand faut-il éviter de rendre en 4K ?

Le social vertical, où les plateformes ré-encodent à l'ingestion et plafonnent le grand côté bien sous l'UHD ; les embeds web jouant sur quelques centaines de pixels de large, où le poids coûte de la performance de page en plus de l'argent ; et les passes de validation interne, qui sont des jugements de forme et de mouvement que vous pouvez porter au palier brouillon pour une fraction du coût.

Écrire « 4K » ou « ultra detailed » dans le prompt améliore-t-il le résultat ?

Non. La résolution est un paramètre d'API et le texte du prompt ne la sélectionne pas. Les adjectifs de détail s'adressent à la mauvaise étape : l'agrandissement tourne après la génération et ne lit jamais le prompt. Il ajoute bien de la structure — nous l'avons mesuré — mais rien de ce que vous écrivez ne dirige ce qu'il ajoute. Le choix d'objectif, la direction de la lumière et le mouvement de caméra changent ce qui est rendu avant le redimensionnement, et c'est là que les mots du prompt gagnent leur place.

Puis-je recadrer un clip Omni 4K en vertical sans perdre en qualité ?

Le plus souvent oui, et c'est le cas pratique le plus fort pour ce palier. Un recadrage 9:16 centré dans de l'UHD fait 1215 pixels de large, donc une livraison verticale de 1080 de large est une réduction. Le même recadrage dans du 1080p fait 608 de large et doit être agrandi de nouveau, à partir d'un fichier déjà compressé. Les resserrements suivent : un recadrage à 1.5× sur de l'UHD laisse encore un natif 1920 par 1080.

Le même seed donne-t-il le même plan à une autre résolution ?

Non, et cela nous a surpris. Un prompt à seed fixe, rendu en 720p puis de nouveau en 4K, a renvoyé deux plans différents — des objets de part et d'autre de l'établi, un nombre différent de bols de pigment disposés autrement, une hauteur de caméra différente. Considérez le déterminisme du seed comme valable à l'intérieur d'une résolution seulement, et ne comptez pas approuver un plan à bas coût puis re-rendre ce plan exact en plus grand.