Gemini Omni 1.1 Flash の 4K は upscale です。それでもここでは 41% 安い

当社は当たり前のテストを回すつもりでいて、それは最初の一歩で崩れました。そして、そちらのほうが興味深い結果でした。

計画はありふれたものでした。prompt をひとつ、seed をひとつ固定し、解像度を 2 つ、そして両方の静止画を 1 対 1 のピクセルで開いて、最上段が何を足すのかを見る。返ってきたのは 2 本の違う映画でした。同じ prompt のテキスト、同じ seed — それなのに、720p のテイクではフレームの左下に座っている真鍮の拡大鏡が、4K ではフレームの右、しかもさらに奥に座っています。顔料の器は並べ方が違い、数も違います。720p のテイクでは 5 秒半の時点でフレームに 7 つの器が満たされているのに対し、4K では 5 つです。リネンは奥で畳んで巻かれた状態から、右側に大きく広げられた状態へ変わります。

これははっきり書いておく価値があります。prompt の助言の少なからぬ部分が、そうではないと前提しているからです。seed がショットを再現するのはひとつの解像度の内側であって、解像度をまたいでではありません。 段を変えれば、手元のものを大きく焼き増ししたのではなく、新しいテイクを発注したことになります。安く下書きして同じ seed で高く仕上げるつもりの方は、この一文を二度読んでください。

ですから比較は、納品されたファイル 1 本の上に組み立てるしかありませんでした。4K のフレームを 1 枚取り、1920 × 1080 に縮め、3840 × 2160 へ戻して拡大する。1080p のマスターが運べたはずのものはすべてその往復を生き延び、1080p が表現できるより細かいものは生き延びません。round trip をネイティブと比べれば、その差が、最上段が 1080p の上に実際に届けているものです。

ここでは計測そのものより対照のほうが重要です。H.264 のグレインが、まさに計測している帯域に住んでいるからです。そこでテストは 2 種類の領域で回しました。本物のディテールが宿りうる質感のある領域と、それを保持できないピントの外れた平坦な領域です。平坦な領域がノイズフロアを与えてくれます。

質感のある領域の余剰は、ノイズフロアより明らかに上に座っています。ですから納品された 4K は、1080p が保持できたものより上に本物の構造をたしかに運んでいます。ただのグレインではありません。しかしその大きさを読んでください。ピクセル数が 9 倍であるのに対して、フロアのおよそ 3 倍です。そして圧縮ノイズは計測をディテールが見つかる方向へ偏らせるので、これは推定値ではなく上限として扱ってください。

手作業で置いた 3 か所というのはその根拠として薄いので、同じ 512 ピクセルの窓を 128 ピクセル刻みでフレーム全体に滑らせ、各パッチが実際にどれだけ質感を持っているかで結果を分けました。もっとも平坦な 13 か所は 1.08x から 1.35x に収まり、もっとも質感のある 11 か所は 2.86x から 3.86x に収まります。この差は、当社が枠をどこに置いたかではなく、フレームそのものの性質です。

同じフレームの同じ 512 ピクセルの領域 — 4 秒の時点のフレーム 96、ピクセル (2944, 1152) — ですから、その差は最上段が 1080p のマスターに対して足すもののすべてです。2 枚目は round trip であって 1080p のレンダーではありません。当社はそれを 1080p のレンダーと呼ぶつもりはありません。

そして、2 枚がほとんど同じに見えるとしたら、それは図版の失敗ではなく正しい読み方です。両者の差は最大でも 255 階調のうち 9、平均で 0.82、PSNR にして 47.1 dB です。しかもこれは手加減した例ではありません。このパッチはフレーム全体でもっとも質感のある 512 ピクセル四方なのです。高周波帯での 3.62x という比は本物の結果ですが、それはもともと大きくなかった量の 3 倍にすぎません。この素材は最初から最後まで甘いのです。最上段がここで足しているのは、スペクトルには分離できて、目にはたいてい分離できないものです。

同じことを繰り返す方への手順上の注記をひとつ。high-frequency energy とは、放射方向に平均した power spectrum のうち、1080p の Nyquist 限界より上が占める割合で、4K フレームの 512 ピクセルのパッチでは半径ビン 128 にあたります。round trip は ffmpeg -vf "scale=1920:1080,scale=3840:2160" の既定のバイキュービックで、パッチを切り出す前にフレーム全体へ適用しています。

シャープネスの手軽な代理指標としてよく使われる Laplacian variance は、より鈍い道具です。質感のあるパッチを 1.70x、平坦なほうを 1.36x と 1.07x に置きますが、スペクトルによる指標では 3.62x に対して 1.10x と 1.15x になります。区別はつくものの、ディテールと一緒に圧縮ノイズも数えているぶん、その差は異議を挟める程度に小さいのです。

最上位ティアは詐称が簡単なので、ファイルそのものに健全性チェックを 2 つ。ffprobe は本物の 3840 × 2160 を報告し、ファイルのビットレートは 25,583,339 bit/s。同じ prompt の 720p のテイクの 8.84 倍で、ピクセル比の 9.00 に対しての値です。UHD の器に痩せたストリームを入れて渡している者はいません。そしてきっかり 24 fps と計測されます。8.000 秒にわたって 192 フレーム。この数字は Google が公開しているものではなく第三者のスキーマ文書に基づいて出回っているもので、ここで当社自身の出力において確認されました。

ですから正直な答えは、よく耳にする 2 つのどちらでもありません。最上段はラベルを貼り替えた 1080p のファイルではなく、絵が 4 倍になったものでもありません。9 倍のピクセルが買うのは、構造にしておよそ 3 倍に近いものです。だからこそ、それがいくらかかるのかを注意深く問う価値があります。

あの括弧のなかで "upscaled" は何をしているのか

Google のモデルリファレンスは、上位 2 つのティアにこの語をそのまま付け足しています。"1080p output (upscaled)"（アップスケールされた 1080p 出力）と "4K output (upscaled)"（アップスケールされた 4K 出力）です。生成はどこかより低い内部 raster で起き、結果は出口で resize されます。ですから最上段が運んでいる構造が何であれ、それはレンダラーが解像したものではなく resize が置いたものです。Google はその内部解像度を公開していないので、拡大率を引用してくる人も誰ひとりそれを知りません。

帰結が 2 つ。会計の段階で悪いテイクを買い戻すことはできません。欠陥は resize より上流にあり、もっともらしい質感を発明する気のある upscaler は、正しいほうの質感は発明しないからです。しかし 「ローカルで拡大すればいい」も、聞こえるほど強い手ではありません。モデルの resize は納品用のエンコードより前に走り、あなたの resize はその後に、量子化がすでに焼き込まれたファイルの上で走ります。

寸法そのものが納品物である 5 つの仕事

この正直な開示が埋もれさせてしまいがちなことがあります。大きな raster が欲しい理由のひとつはディテールですが、それは制作の現場で最も多い理由ではありません。

raster を名指しした納品仕様。 放送局や代理店は要件を寸法として書き、自動 QC はヘッダーを読みます。UHD の仕様に対して 1920 × 1080 のファイルを提出すれば、人間の目に触れる前に落ちます。向こう側の誰も変調伝達関数を測ってはいません。測っているのはファイルです。

アーカイブ用のマスター。 これまでに生成した最大の版を取っておいてください。モデルはいずれ廃止されますし、上の seed の結果が示すとおり、prompt を回し直してそのクリップを取り戻すことはできません。納品物はマスターから下へ作るものであって、上へ作るものではありません。

リフレームとパンチインの余裕。 実務上いちばん強い理由で、これは算数です。Omni が提供するのは 2 つの aspect ratio だけ、16:9 と 9:16 なので、正方形や 4:5 のものはすべてクロップです。1080p のフレームから中央を 9:16 で切り出すと幅は 608 ピクセル — 幅 1080 の縦型納品とは、圧縮されたファイルをもう一度拡大することです。同じクロップを UHD から取れば幅は 1215 で、こちらは仕様に向かって縮小しています。パンチインも同じです。UHD 上の 1.5× のリフレームは、それでもネイティブの 1920 × 1080 を手渡してくれますが、1080p のソースでは 1280 × 720 しか残りません。

大型ディスプレイ。 LED ウォールや DOOH のパネルでは、ピクセルピッチが渡すべきファイルを決めます。1080p のソースを引き伸ばして埋めれば、ブラウザ埋め込みでは決してそうならないかたちで、目に見えて甘くなります。

合成と VFX のプレート。 トラッカーとキーヤーはピクセルの上で働き、4 倍のピクセルは、それがセンサーではなく拡大から来たものであってもプラナー解を安定させます。仕上げも納品仕様で行うので、プレートは最初からそこになければなりません。

5 つのどれも、絵がより良く見えることについての話ではありません。5 つとも、次に起きることに対してファイルが正しい大きさであることについての話です。

そして resize に金を払っているだけの 3 つ

縦型のソーシャル。 主要なプラットフォームはどこもアップロード時に再エンコードし、その多くは長辺を UHD よりずっと低いところで打ち切ります。視聴者が投稿を目にする前の取り込みの段階で捨てられるピクセルに、最上位ティアの料金を払っていることになります。

ウェブ埋め込み。 記事のカラムに置いたクリップは、せいぜい幅 800 ピクセルで再生されます。UHD のソースは、生成時にはお金を、納品時には Largest Contentful Paint を払わせます。珍しい二重の損です。

社内レビューのパス。 カメラの動きを承認するのは形と動きの判断であり、2 段下でわずかな金額で下せます。

価格の節、これが本題

呼び出せる 1 秒あたりの価格を公開しているすべてのプロバイダーの最上段を、2026 年 8 月 29 日に読み取ったものです。

Google 自身の料金に対して 41 パーセント下 — 4 つのティアのなかで、大差をつけて最大の開きです。1 段下の 1080p では差は 11 パーセントに縮まり、$0.135 対 $0.1520 になります。さらに下では、各社は段落を割く価値がない程度に接近しています。

Replicate が不在なのは、取り繕うより述べておく価値のある理由からです。モデルは扱っているのに、どの解像度でも 1 秒あたりの料金を公開していません。当社は 4K の数字を探しましたが、引用できるものがないのです。

上で差が広がる理由はマージンのふるまいではなく階段の形であり、どちらの形も公開されています。各社をそれぞれ自身の 720p の 1 秒で正規化すると、3 段までは一致します。ドラフト用ティアで 3 分の 1、真ん中で 1、1080p でその 1.5 倍。分かれるのは 4 段目です。Google は自身の 720p の 1 秒の 3 倍を取り、当社は当社の 2 倍を取ります。41 パーセントの 1 ドル残らず、この 1 段から出ています。

実際に発注するであろう長さまで展開すると、次のようになります。

キャンペーンの見積もりを立てているなら、最後の行を握っておいてください。40 秒の UHD のシーケンスは、どのプロバイダーを使っても別々に課金される 4 つのジョブであり、仕上がったシーケンス 1 本で 2 つの列は 5 ドル近く違います。しかもこれは捨てるテイクを数える前の話で、そのテイクひとつひとつが差を掛け算していきます。

どちらの列も、同じ重み、同じネイティブ音声、どのフレームにも同じ SynthID の透かしを買います。41 パーセントのうち、品質と引き換えにしている部分はひとつもありません。そして、これが映像を作るのに一般的に最も安い方法だと主張してもいません。たいていはそうではないからです。

4K へ上がるとき、prompt の何が変わるか

ほとんど何も変わりません。そして、その「ほとんど」が面白いところです。

解像度は API の parameter であり、テキストに「4K」と書いてもティアは選ばれません。ディテールを表す形容詞は、宛先の工程を間違えています。拡大は生成の後に走り、あなたの prompt を決して読みません。上の計測が示すとおり、それはサンプルを発明はします。ただし、あなたの言葉が舵を取るどの方向にでもなく、です。

レンダラーに届くのは光学と光であり、光は結果として二重の役目を果たします。斜めから舐めるように当たる光源は高コントラストのエッジを作り、拡大を生き延びるのはその高コントラストのエッジです。upscaler がそれを保存するのであれ再構成するのであれ、変わりません。質感のために照明を組むことが、ティアそのものを prompt する行為にいちばん近いものです。

同じ企画を 2 通りに書いたものです。まず、解像度を追いかけるときに人が書く書き方。

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.

それが何を指示しているか読んでください。シーンのカットを禁じていないので、モデルは小さな物語を組み立てる自由を持ちます。それがドキュメント化された既定の挙動です。光をひとつも置かず、レンズを名指しせず、カメラの速度も決めておらず、「unreal engine」は写真ではなくゲームのレンダーを指しています。形容詞が 22 個、そのどれもレンダラーが実行できる指示ではありません。

そして当社が実際に回した prompt です。下のクリップ、上のクロップ、そしてこの記事のすべての数字を生んだものです。

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.

4K で 8 秒、ですから $1.44 です。仕事がどこでなされているかに注目してください。硬い低い位置の光源がひとつ、作業台を舐めるように走り、そのおかげで織り目も埃も craquelure もすべて質感として読める。この 1 文が 22 個の形容詞より多くの仕事をしましたし、round trip に見つけるものが少しでも存在した理由もこれです。

制作上の注記をひとつ。この prompt は最初の送信で It seems there was an issue with the input you provided と返されて拒否され、2 語を変えた再試行で通りました。カメラの専門用語をひとつ落とし、顔料をひとつ別の名前にしています。長い prompt では 1 語でリクエストが落ちることがあり、エラーはどの語なのかを教えてくれません。

最上位ティアでもどうにもならないところ

4K の仕事に特有の限界が 4 つあります。aspect ratio は 16:9 か 9:16 のままなので、正方形や 4:5 の納品物は、どの段に払おうともクロップから出てきます。どのフレームにも SynthID の透かしが入り、それを切るスイッチはどこにもありません。契約が透かし入りのマスターを禁じているなら、解像度のドロップダウンではそれは解決しません。エスカレートできるネイティブ 4K のモードは存在せず、upscaler を制御する手立てもありません。そして 1 回の生成は今も 10 秒で頭打ちですから、より長い UHD のマスターは延長のチェーンになり、そこでは失敗した 1 リンクの費用が $1.35 ではなく $1.80 になります。

そして記事全体に対する締めの但し書きです。ここまでのどれも、単発の 4K クリップにとって Omni が正しいモデルであることを意味しません。Veo 3.1 Fast は同じキーで 1 秒 1 セントで動きます。何も依存していない単発のショットのためなら、4K の料金がどれほど良く見えようと、18 倍という倍率は擁護できません。

安く下書きし、大きく納品する

安く反復し、勝った 1 本だけを昇格させてください。360p で 10 パスに仕上げを 1 本足して $1.728、1080p で 10 本回せば $5.40 です。40 秒の記事がこれをきちんと展開しています。

UHD は工程をひとつ足すのではなく、但し書きを足します。1 秒 $0.0297 で下書きするのはぜひどうぞ。ただし上の seed の結果が意味するのは、勝った 1 本はプレビューではなく指針だ、ということです。あなたが納品するテイクは別のものになります。ティアを選ばせるのは納品仕様であって、下書きに使ったティアではありません。

capability ごとの数字は機械可読の仕様にあり、モデルは text-to-video に置かれています。料金は動きます。支出を確定させる前に、各プロバイダー自身のページで確認してください。これは 2026 年 8 月 29 日時点で、呼び出せる 1 秒あたりの 4K 価格を公開しているプロバイダーを対象としています。

よくある質問

Gemini Omni 1.1 Flash は 4K をネイティブでレンダリングしますか？

いいえ。Google のモデルリファレンスはこれを "4K output (upscaled)"（アップスケールされた 4K 出力）として挙げています。生成はより低い内部 raster で起き、フレームは納品前に拡大され、その内部解像度は公開されていません。ただし 1080p を経由する round trip と比べて計測すると、そのファイルは 1080p が運べたものより上に本物の構造をたしかに保持しています。質感のある領域でノイズフロアのおよそ 3 倍、ピクセル数が 9 倍であるのに対してです。本物の余剰ではありますが、絵が 9 倍になったようなものではまったくありません。

Gemini Omni 1.1 Flash の 4K はいくらかかりますか？

E2X では 1 秒あたり $0.18 — 4 秒で $0.72、8 秒で $1.44、長さの上限である 10 秒の生成で $1.80 です。Google を直接呼ぶと、公開されているトークン数から 1 秒あたり $0.3041 になります。fal.ai は $0.30、Runware は $0.32、WaveSpeed は $0.39 を掲げています。Replicate はどの解像度でも 1 秒あたりの料金を公開していません。

プロバイダー間の価格差が 4K でいちばん大きいのはなぜですか？

基本料金ではなく、最上段にかかる倍率が違うからです。720p を 1× とすると、Google の階段は 0.33、1、1.5、3 と進み、当社は 0.33、1、1.5、2 です。下の 3 段は一致し、4 段目で分かれます。そこで Google は upscale のために 3 倍にし、当社は 2 倍にします。この 1 段だけで 41 パーセントのすべてです。

4K の料金を払う価値があるのはどんなときですか？

寸法そのものが要件であるときです。UHD の raster を名指しし、自動 QC で検査される納品仕様。将来の納品物を切り出すためのアーカイブ用マスター。リフレームの余裕 — Omni は 16:9 と 9:16 しか出力しないからです。パネルピッチがソースを決める大型ディスプレイや DOOH。そして、ピクセル数を必要とし納品仕様で仕上げなければならない合成用プレートです。

4K でレンダリングすべきでないのはどんなときですか？

縦型のソーシャルです。プラットフォームは取り込み時に再エンコードし、長辺を UHD よりずっと低いところで打ち切ります。数百ピクセルの幅で再生されるウェブ埋め込みも避けてください。その重さはお金だけでなくページ性能も払わせます。そして社内の承認パスも、形と動きの判断ですから、ドラフト用ティアでわずかな費用で下せます。

prompt に「4K」や「ultra detailed」と書くと出力は良くなりますか？

いいえ。解像度は API の parameter であり、prompt のテキストがそれを選ぶことはありません。ディテールを表す形容詞は宛先の工程を間違えています。拡大は生成の後に走り、prompt を決して読みません。構造は実際に足されます — 当社はそれを計測しました — が、何を足すのかをあなたの書いたものが舵取りすることはありません。レンズの選択、光の方向、カメラの動きは、resize より前にレンダリングされるものを変えます。prompt の言葉が値打ちを持つのはそこです。

4K の Omni のクリップを、画質を落とさずに縦型へクロップできますか？

たいていはできますし、これがこのティアの実務上いちばん強い理由です。UHD から中央を 9:16 で切り出すと幅は 1215 ピクセルなので、幅 1080 の縦型納品は縮小になります。同じクロップを 1080p から取ると幅は 608 で、すでに圧縮されたファイルからもう一度拡大しなければなりません。パンチインも同じ理屈です。UHD 上の 1.5× のリフレームは、それでもネイティブの 1920 × 1080 を残します。

同じ seed は、違う解像度でも同じショットを返しますか？

いいえ。そしてこれは当社にとって意外でした。seed を固定したひとつの prompt を 720p と 4K でレンダリングしたところ、2 つの違うショットが返ってきました。作業台の反対側にある物、数も並べ方も違う顔料の器、違うカメラ高さ。seed の決定性はひとつの解像度の内側でのみ有効だと考え、ショットを安く承認してからそのショットをそのまま大きく再レンダリングする計画は立てないでください。