O 4K do Gemini Omni 1.1 Flash é um upscale. E ainda custa 41% menos aqui

Saímos para rodar o teste óbvio e ele desabou logo no primeiro passo, o que acabou sendo o resultado mais interessante.

O plano era banal: um prompt, um seed fixo, duas resoluções, e depois os dois frames abertos em pixel um para um para ver o que o degrau do topo acrescenta. O que voltou foram dois filmes diferentes. Mesmo texto de prompt, mesmo seed — e a lupa de latão que fica embaixo e à esquerda do quadro na tomada em 720p fica à direita do quadro e mais atrás na de 4K. As tigelas de pigmento estão dispostas de outro jeito e são mais: sete tigelas cheias em quadro aos cinco segundos e meio da tomada em 720p, contra cinco na de 4K. O linho passa de um rolo dobrado ao fundo a estendido bem aberto à direita.

Vale dizer sem rodeios, porque os conselhos de prompting assumem o contrário: um seed reproduz um plano dentro de uma resolução, não entre resoluções. Mude de degrau e você encomendou uma tomada nova, não uma cópia ampliada da que você tinha. Quem planeja rascunhar barato e finalizar caro com um seed só deveria ler isso duas vezes.

Então a comparação teve de ser construída em cima de um único arquivo entregue. Pegue um frame em 4K, reduza para 1920 por 1080, amplie de volta para 3840 por 2160. Tudo que um master em 1080p poderia ter carregado sobrevive a essa viagem; o que for mais fino do que o 1080p consegue representar, não. Compare o round-trip com o nativo e a diferença é o que o degrau do topo de fato entrega acima do 1080p.

O controle importa mais do que a medição, porque o grão do H.264 mora exatamente na banda que está sendo medida. Então o teste rodou sobre dois tipos de região: áreas texturizadas onde detalhe real poderia existir, e áreas planas fora de foco que não conseguem segurá-lo. As regiões planas te dão o piso de ruído.

O excedente da região texturizada fica claramente acima do piso de ruído, então o 4K entregue carrega estrutura real acima do que o 1080p conseguiria segurar — e não apenas grão. Mas leia o tamanho disso: mais ou menos três vezes o piso, contra nove vezes os pixels. E como o ruído de compressão enviesa a medição na direção de achar detalhe, trate esse valor como teto, não como estimativa.

Três recortes marcados à mão são base fina para isso, então também deslizamos a mesma janela de 512 pixels pelo frame inteiro em passos de 128 pixels e separamos os resultados pela quantidade de textura que cada recorte realmente carrega. Os treze mais planos caem entre 1.08x e 1.35x; os onze mais texturizados, entre 2.86x e 3.86x. A diferença é uma propriedade do frame, não de onde colocamos as caixas.

Mesma região de 512 pixels do mesmo frame — o frame 96, aos quatro segundos, no pixel (2944, 1152) — então a diferença entre eles é tudo o que o degrau do topo acrescenta sobre um master em 1080p. O segundo é um round trip, não um render em 1080p — e não vamos rotulá-lo como tal.

E se os dois lhe parecerem quase idênticos, essa é a leitura correta e não uma falha da ilustração. Eles diferem em no máximo 9 valores de 255, em 0.82 na média, a 47.1 dB de PSNR. Nem é um exemplo escolhido com o pé no freio: aquele recorte é o quadrado de 512 pixels com mais textura do frame inteiro. Uma razão de 3.62x na banda de alta frequência é um resultado real, mas é o triplo de uma quantidade que nunca foi grande — este material é macio do começo ao fim. O que o degrau do topo acrescenta aqui é algo que um espectro consegue separar e um olho, na maior parte, não.

Uma nota metodológica para quem for repetir isto: high-frequency energy é a fração do power spectrum com média radial acima do limite de Nyquist do 1080p, que para um recorte de 512 pixels de um frame 4K é o bin de raio 128. O round trip é ffmpeg -vf "scale=1920:1080,scale=3840:2160" no bicúbico padrão, aplicado ao frame inteiro antes de os recortes serem cortados.

A Laplacian variance, o atalho rápido de sempre para nitidez, é o instrumento mais grosseiro: põe o recorte texturizado em 1.70x contra 1.36x e 1.07x nos planos, onde a medida espectral dá 3.62x contra 1.10x e 1.15x. Ela até os separa, mas por uma margem pequena o bastante para ser contestada, porque conta ruído de compressão junto com detalhe.

Duas checagens de sanidade sobre o arquivo, já que um tier de topo é fácil de falsificar. O ffprobe reporta 3840 por 2160 de verdade, a um bitrate de arquivo de 25 583 339 bit/s — 8.84 vezes o da tomada em 720p do mesmo prompt, contra uma razão de pixels de 9.00. Ninguém está te entregando um stream faminto dentro de um invólucro UHD. E ele mede 24 fps exatos, 192 frames ao longo de 8.000 segundos: um número que circula em documentação de schema de terceiros e não em algo que o Google publique, confirmado aqui na nossa própria saída.

Então a resposta honesta não é nenhuma das duas que se costuma ouvir. O degrau do topo não é um arquivo 1080p com outro rótulo, e não é quatro vezes a imagem. Nove vezes os pixels compram algo mais perto de três vezes a estrutura — que é por que vale perguntar com cuidado quanto isso custa.

O que "upscaled" está fazendo dentro daquele parêntese

A referência do modelo do Google acrescenta a palavra aos dois tiers do topo, literalmente: "1080p output (upscaled)" e "4K output (upscaled)" — ou seja, saída ampliada por upscale. A geração acontece em algum raster interno mais baixo e o resultado é redimensionado na saída, então toda estrutura que o degrau do topo carrega foi colocada ali pelo redimensionamento, e não resolvida pelo renderizador. O Google não publica essa resolução interna, então ninguém que te cite um fator de ampliação sabe qual é.

Duas consequências. Você não compra de volta uma tomada ruim no caixa, porque a falha está a montante do redimensionamento e um upscaler disposto a inventar textura plausível não vai inventar a textura certa. Mas "é só ampliar localmente" também é mais fraco do que soa: o redimensionamento do modelo roda antes do encode de entrega, o seu roda depois, sobre um arquivo com a quantização já assada dentro.

Cinco trabalhos em que as dimensões são a entrega

Aqui está o que a divulgação honesta tende a enterrar: detalhe é um motivo para querer um raster grande, e não é o mais comum em produção.

Uma especificação de entrega que nomeia um raster. Emissoras e agências escrevem requisitos como dimensões, e o QC automatizado lê o cabeçalho. Um arquivo de 1920 por 1080 contra uma especificação UHD é reprovado antes que um humano o veja. Ninguém do outro lado está medindo função de transferência de modulação — estão medindo o arquivo.

Um master de arquivo. Guarde a maior versão que você já gerou: o modelo vai ser descontinuado e, como mostra o resultado de seed acima, você não consegue rodar o prompt de novo e recuperar aquele clipe. Entregáveis se fazem de um master para baixo, nunca para cima.

Folga para reenquadrar e para punch-in. O caso prático mais forte, e é aritmética. O Omni oferece duas proporções de tela e nenhuma outra, 16:9 e 9:16, então qualquer coisa quadrada ou em 4:5 é um recorte. Um recorte central 9:16 de um frame em 1080p tem 608 pixels de largura — uma entrega vertical de 1080 de largura significa ampliar de novo um arquivo comprimido. O mesmo recorte a partir de UHD tem 1215 de largura e você está reduzindo para dentro da especificação. Punch-ins também: um reenquadramento de 1.5× em UHD ainda te entrega um 1920 por 1080 nativo, onde uma fonte em 1080p deixa 1280 por 720.

Exibição em grande formato. Num painel de LED ou num painel DOOH o pixel pitch define o arquivo que você entrega, e uma fonte 1080p esticada para preenchê-lo fica visivelmente mole de um jeito que nunca fica num embed de navegador.

Plates de composição e VFX. Trackers e keyers trabalham em pixels, e quatro vezes mais deles estabilizam uma solução planar mesmo tendo vindo de uma ampliação e não de um sensor. Você também finaliza na especificação de entrega, então o plate já precisa estar lá.

Nenhum dos cinco tem a ver com a imagem ficar melhor. Todos os cinco têm a ver com o arquivo ter o tamanho certo para o que vem depois.

E três em que você está pagando por um redimensionamento

Social vertical. Toda plataforma grande reencoda no upload e a maioria limita o lado maior bem abaixo do UHD — você está pagando a taxa do tier do topo por pixels jogados fora no ingest, antes que um espectador veja o post.

Embed na web. Um clipe numa coluna de artigo toca com uns 800 pixels de largura. Uma fonte UHD te custa dinheiro na geração e Largest Contentful Paint na entrega, uma perda dupla rara.

Passadas de revisão interna. Aprovar um movimento de câmera é um julgamento de forma e movimento, feito dois degraus abaixo por uma fração do dinheiro.

A seção de preço, que é o argumento de verdade

O degrau do topo em todo provedor que publica uma taxa por segundo chamável, lido em 29 de agosto de 2026.

Contra a taxa do próprio Google isso é quarenta e um por cento abaixo — por larga margem a maior diferença dos quatro tiers. Um degrau abaixo, em 1080p, a distância se estreita para onze por cento, $0.135 contra $0.1520, e mais para baixo ainda o campo fica próximo o bastante para não valer um parágrafo.

A Replicate está ausente por um motivo que vale declarar em vez de disfarçar: ela carrega o modelo e não publica taxa por segundo nenhuma, em resolução alguma. Procuramos uma cifra de 4K e não há o que citar.

Por que a diferença se alarga no topo não é comportamento de margem, e sim o formato da escada — e os dois formatos são públicos. Normalize cada provedor contra o próprio segundo em 720p e os dois concordam por três degraus: um terço no tier de rascunho, um no meio, mais metade em 1080p. O quarto é onde eles se separam — o Google cobra três vezes o seu segundo de 720p, nós cobramos duas vezes o nosso. Cada dólar dos quarenta e um por cento sai desse único degrau.

Estenda isso para as durações que você encomendaria:

Guarde aquela última linha se você está precificando uma campanha. Uma sequência UHD de quarenta segundos são quatro trabalhos faturados separadamente qualquer que seja o provedor que você use, e as colunas diferem em quase cinco dólares numa única sequência — antes das tomadas que você descarta, cada uma multiplicando a diferença.

As duas colunas compram os mesmos pesos, o mesmo áudio nativo, a mesma marca-d'água SynthID em todo frame. Nada nos quarenta e um por cento é uma troca de qualidade — e nada nisso afirma que este seja o jeito mais barato de fazer vídeo em geral, o que normalmente não é.

O que muda no prompt quando você vai para 4K

Quase nada, e o quase é a parte interessante.

Resolução é um parâmetro de API, e escrever "4K" no texto não seleciona o tier. Adjetivos de detalhe estão endereçados ao estágio errado: a ampliação roda depois da geração e nunca lê o seu prompt. Ela vai inventar amostras, como mostra a medição acima — só que não em nenhuma direção que as suas palavras dirijam.

O que chega ao renderizador é óptica e luz, e a luz acaba fazendo dobradinha. Uma fonte rasante constrói bordas de alto contraste, e bordas de alto contraste são o que sobrevive a uma ampliação, esteja o upscaler preservando-as ou reconstruindo-as. Iluminar para textura é a coisa mais próxima que existe de escrever um prompt para o tier.

Aqui está o mesmo briefing escrito de duas formas. Primeiro, do jeito que se escreve quando se está atrás de resolução:

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.

Leia o que aquilo instrui. Nunca proíbe cortes de cena, então o modelo fica livre para construir uma pequena narrativa — o seu padrão documentado. Não coloca luz nenhuma, não nomeia lente nenhuma, não define velocidade de câmera, e "unreal engine" aponta para um render de jogo e não para uma fotografia. Vinte e dois adjetivos, e nenhum deles é uma instrução sobre a qual um renderizador possa agir.

E o prompt que de fato rodamos — o que produziu o clipe abaixo, os recortes acima e cada número deste post:

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.

Oito segundos em 4K, ou seja, $1.44. Repare onde o trabalho é feito: uma única fonte dura e baixa rasando a bancada para que a trama, a poeira e o craquelê leiam todos como textura. Aquela frase fez mais do que vinte e dois adjetivos, e é por isso que o round trip teve algo a encontrar.

Uma nota de produção. Este prompt foi recusado no primeiro envio com It seems there was an issue with the input you provided, e passou na segunda tentativa depois que duas palavras mudaram — um jargão de câmera removido, um pigmento renomeado. Em prompts longos uma única palavra pode reprovar a requisição, e o erro não vai dizer qual.

Onde o tier do topo ainda não consegue te ajudar

Quatro limites cercam especificamente o trabalho em 4K. A proporção de tela continua sendo 16:9 ou 9:16, então entregáveis quadrados e em 4:5 vêm de um recorte, seja qual for o degrau que você pague. Todo frame carrega uma marca-d'água SynthID sem chave em lugar nenhum. Não existe um modo 4K nativo para o qual escalar nem controle sobre o upscaler. E uma geração ainda tem teto de dez segundos, então um master UHD mais longo é uma cadeia de extensões em que cada elo que falha agora custa $1.80 em vez de $1.35.

E a ressalva de fechamento do post inteiro: nada disso faz do Omni o modelo certo para um único clipe em 4K. O Veo 3.1 Fast roda a um centavo por segundo na mesma chave. Para um plano isolado do qual nada depende, um múltiplo de dezoito vezes é indefensável por melhor que a taxa de 4K pareça.

Rascunhe barato, entregue grande

Itere barato e promova uma vencedora: dez passadas em 360p mais uma finalização dão $1.728 contra $5.40 por dez em 1080p. O post dos 40 segundos desenvolve isso direito.

O UHD acrescenta uma ressalva, não um degrau. Rascunhe a $0.0297 por segundo à vontade, mas o resultado de seed acima significa que a vencedora é um guia, não um preview — a tomada que você entregar será outra. Deixe a especificação de entrega escolher o tier, não o tier em que você rascunhou.

As cifras por capacidade estão na especificação legível por máquina; o modelo fica em text-to-video. As taxas mudam — confirme na página de cada provedor antes de comprometer gasto. Isto cobre os provedores que publicavam uma taxa de 4K por segundo chamável em 29 de agosto de 2026.

Perguntas frequentes

O Gemini Omni 1.1 Flash renderiza 4K nativamente?

Não. A referência de modelo do Google o lista como "4K output (upscaled)": a geração acontece num raster interno mais baixo e o frame é ampliado antes da entrega, e essa resolução interna não é publicada. Medido contra um round trip pelo 1080p, porém, o arquivo de fato segura estrutura real acima do que o 1080p conseguiria carregar — mais ou menos três vezes o piso de ruído em regiões texturizadas, contra nove vezes os pixels. Um excedente real, mas nada parecido com nove vezes a imagem.

Quanto custa o 4K no Gemini Omni 1.1 Flash?

Na E2X, $0.18 por segundo — $0.72 por quatro segundos, $1.44 por oito, $1.80 por uma geração de dez segundos, a duração máxima. Chamar o Google direto custa $0.3041 por segundo, a partir das contagens de tokens que ele publica. A fal.ai lista $0.30, a Runware $0.32, a WaveSpeed $0.39. A Replicate não publica taxa por segundo em resolução alguma.

Por que a diferença de preço entre provedores é maior em 4K?

Porque o multiplicador do degrau do topo é diferente, não a taxa base. Tomando 720p como 1×, a escada do Google anda 0.33, 1, 1.5 e 3; a nossa anda 0.33, 1, 1.5 e 2. As duas concordam nos três degraus de baixo e se separam no quarto, onde o Google triplica pelo upscale e nós dobramos. Esse único degrau é os quarenta e um por cento inteiros.

Quando vale a pena pagar a taxa de 4K?

Quando as próprias dimensões são o requisito: uma especificação de entrega que nomeia um raster UHD e é conferida por QC automatizado; um master de arquivo do qual cortar entregáveis futuros; folga para reenquadrar, já que o Omni só produz 16:9 e 9:16; exibição em grande formato ou DOOH, onde o pitch do painel define a fonte; e plates de composição, que precisam de contagem de pixels e têm de finalizar na especificação.

Quando eu deveria evitar renderizar em 4K?

Social vertical, onde as plataformas reencodam no ingest e limitam o lado maior bem abaixo do UHD; embeds na web tocando com algumas centenas de pixels de largura, onde o peso custa desempenho de página além de dinheiro; e passadas de aprovação interna, que são julgamentos de forma e movimento que você pode fazer no tier de rascunho por uma fração do custo.

Escrever "4K" ou "ultra detailed" no prompt melhora a saída?

Não. Resolução é um parâmetro de API e o texto do prompt não a seleciona. Adjetivos de detalhe estão endereçados ao estágio errado: a ampliação roda depois da geração e nunca lê o prompt. Ela de fato acrescenta estrutura — nós medimos — mas nada do que você escreve dirige o que ela acrescenta. Escolha de lente, direção da luz e movimento de câmera mudam o que é renderizado antes do redimensionamento, e é ali que as palavras do prompt ganham seu lugar.

Dá para recortar um clipe 4K do Omni para vertical sem perder qualidade?

Normalmente sim, e é o caso prático mais forte a favor do tier. Um recorte central 9:16 a partir de UHD tem 1215 pixels de largura, então uma entrega vertical de 1080 de largura é uma redução. O mesmo recorte a partir de 1080p tem 608 de largura e precisa ser ampliado de novo, de um arquivo já comprimido. Punch-ins seguem o mesmo: um reenquadramento de 1.5× em UHD ainda deixa um 1920 por 1080 nativo.

O mesmo seed dá o mesmo plano numa resolução diferente?

Não, e isso nos surpreendeu. Um prompt com um seed fixo, renderizado em 720p e de novo em 4K, devolveu dois planos diferentes — objetos em lados opostos da bancada, um número diferente de tigelas de pigmento dispostas de outro jeito, uma altura de câmera diferente. Trate o determinismo do seed como válido apenas dentro de uma resolução, e não planeje aprovar um plano barato e depois re-renderizar exatamente aquele plano maior.