In den letzten zwei Wochen habe ich mich intensiv mit den GeminiOmni-Videotools beschäftigt, und ich möchte aufschreiben, was mich überrascht hat. Anfangs ging ich davon aus, dass Sora 2 immer noch das Maß der Dinge sein würde. Als ich /tools/text-to-video veröffentlicht habe, hatte ich die Voreinstellung leise auf Googles Veo 3.1 Fast umgestellt – und nicht wegen der Qualität. Sondern wegen der Kosten.
Dies ist eine Bau-Notiz, kein Benchmark-Set. Ich erkläre, wie ich die Entscheidung getroffen habe, wie die Rechnung aussah und welche Kompromisse es gibt, wenn du denselben Weg gehen möchtest.
Die 90-Sekunden-Zusammenfassung
Falls du nur überfliegst:
- Veo 3.1 Fast kostet 0,15 $ pro Sekunde generiertem Video, abgerechnet pro Sekunde, offen auf Googles Preisseite veröffentlicht.
- Sora 2 ist nur über ChatGPT Pro (200 $/Monat) oder als ChatGPT Plus-Add-on (20 $/Monat) mit monatlichen Generierungslimits erhältlich. Es gibt keine ehrliche Zahl pro Sekunde, die du in ein Finanzmodell einbauen könntest.
- Für ein Indie-Unternehmen ist der zweite Punkt wichtiger als der erste. Ich kann keinen Preis pro Video für meine Nutzer garantieren, wenn meine eigenen Input-Kosten „wie viel auch immer 200 $/Monat geteilt durch die Anzahl der in diesem Monat generierten Clips" sind.
- Qualitativ liegt Sora 2 bei fotorealistischen Gesichtern und komplexen Kamerabewegungen immer noch vorn. Veo 3.1 Fast punktet mit synchronisiertem nativen Audio und ist für alles andere für Indie-Videoarbeit gut genug – Produktdemos, Social-Media-Hooks, Lifestyle-B-Roll.
Wie ich den Vergleich tatsächlich durchgeführt habe
Ich hatte eine Liste mit 30 Prompts, die widerspiegeln, was GeminiOmni-Nutzer wahrscheinlich eingeben werden. Etwa ein Drittel waren im Produktdemo-Stil („Eine Hand gießt Espresso in eine klare Glastasse, Zeitlupe, Küchenbeleuchtung“). Ein Drittel im Social-Media-Hook-Stil („Ein 3-Sekunden-Zoom auf einen Telefonbildschirm, während jemand einen Instagram-Beitrag doppelt antippt“). Das letzte Drittel waren Lifestyle-B-Roll („Morgenlicht durch einen Berliner Balkon, Efeu bewegt sich im Wind“).
Ich habe jeden Prompt generiert auf:
- Veo 3.1 Fast über die Gemini Developer API zu 0,15 $/Sek.
- Veo 3.1 Standard über dieselbe API zu 0,40 $/Sek.
- Sora 2 über meinen ChatGPT Pro-Account, nur Generierungszeit – keine fairen Kosten pro Clip verfügbar.
Ich habe jeden auf einer privaten Skala von 1–5 in vier Dimensionen bewertet: Subjekttreue, Bewegungsplausibilität, Audioqualität (wo zutreffend) und Prompt-Befolgung.
Ich veröffentliche die Bewertungen pro Prompt nicht, da sie bei n=30 verrauscht sind und ich nicht möchte, dass jemand sie als Benchmark behandelt. Was ich mitteile, ist das Muster:
- Veo 3.1 Fast hat Sora 2 bei Audio jedes Mal klar geschlagen. Synchronisierte Schritte, Wassergeräusche, Raumklang – Veos natives Audio ist das Killer-Feature, und Sora liefert es gar nicht.
- Sora 2 hat Veo 3.1 Fast bei Gesichtern und Lippenbewegungen geschlagen, besonders bei engen Nahaufnahmen. Wenn dein Anwendungsfall eine Person beinhaltet, die direkt in die Kamera spricht, ist der Unterschied real.
- Veo 3.1 Standard hat etwa die Hälfte der Gesichts-/Lippenlücke geschlossen für den 2,7-fachen Preis. Ich lasse es als Umschalter im Pro-Plan, nicht als Standard.
Innerhalb der API-Schleife sah die Kostenlandschaft so aus:
- 8-Sekunden-Clip auf Veo 3.1 Fast: 1,20 $
- 8-Sekunden-Clip auf Veo 3.1 Standard: 3,20 $
- 8-Sekunden-Clip auf Sora 2: Ich kann es dir ehrlich nicht sagen. Ich habe in diesem Monat 30 Clips generiert und pauschal 200 $ bezahlt.
Warum Preise pro Sekunde wichtiger sind, als du denkst
Hier ist der Indie-Business-Fall für transparente Preise pro Aufruf, in zwei Absätzen.
Wenn ich einen „Pro"-Plan für 19 $/Monat mit einem Limit von 100 Video-Clips anbieten möchte, muss ich meine Stückkosten für jeden Clip kennen. Mit Veo 3.1 Fast zu 0,15 $/Sek. und einer durchschnittlichen Ausgabe von 6 Sekunden liegen meine Kosten pro Clip bei etwa 0,90 $. Ein intensiver Pro-Nutzer, der das Limit erreicht, kostet mich 90 $, lässt mir 71 $ Marge für alles andere – das ist machbar. Die Zahlen sind langweilig und sie stehen direkt auf der Preisseite.
Wenn ich versuchen würde, dasselbe Geschäft mit Sora zu betreiben, wären die Input-Kosten eine Sprungfunktion, die davon abhängt, ob ich über oder unter dem liegt, was OpenAIs verstecktes Kontingent diesen Monat ist. Ich wäre nur eine Kontingentänderung von einer Umkehrung der Stückkosten entfernt. Das kann ich nicht absichern. Kein Indie kann das.
Das ist kein Angriff auf Soras Qualität. Es ist ein Angriff auf das Geschäftsmodell. OpenAI verkauft Sora an Verbraucher über ein Flatrate-ChatGPT-Abonnement. Google verkauft Veo an Entwickler über eine abgerechnete API. Das erste Modell ist großartig für ChatGPT-Nutzer und unbrauchbar für nachgelagerte Entwickler. Das zweite ist das Gegenteil.
Die Audio-Sache ist real
Ich möchte einen Abschnitt über Veo 3.1s synchronisiertes Audio verwenden, weil ich es unterschätzt habe.
Wenn du auf Veo 3.1 „eine Person geht über einen Holzboden, Morgenlicht, Seitenansicht" generierst, bekommst du das Bild und die Schritte in einem Modell-Durchlauf. Phasensynchron. Stereo. Mit dem richtigen Raumhall für den sichtbaren Raum. Ich dachte, das wäre ein Gimmick – „KI-Soundeffekte" – und es wäre die Hälfte der Zeit offensichtlich falsch.
Es ist nicht offensichtlich falsch. Es ist so nah dran, dass ich ständig vergesse, dass es generiert ist. Die Schritte landen auf denselben Frames wie die sichtbaren Fußaufsetzer. Der Raumhall skaliert mit der scheinbaren Raumgröße. Umgebungsgeräusche passen zur Szene (Café-Gemurmel für Café-Aufnahmen, Wind für Außenaufnahmen).
Für Social-Media-Indie-Video entfernt dies vollständig den Postproduktions-Audio-Schritt. Du suchst keine Stock-Audio-Bibliothek. Du bezahlst keinen Sounddesigner für B-Roll. Du führst keinen separaten Synchronisationsdurchlauf durch. Das Modell hat es gemacht, und es ist gut genug zum Veröffentlichen.
Jedes „KI-Video"-Tool ohne synchronisiertes Audio konkurriert jetzt mit einem, das es hat, zum gleichen Preis. Die ohne haben ein Problem.
Was ich darauf aufgebaut habe
Die Standard-Route in /tools/text-to-video ist jetzt Veo 3.1 Fast. Der Pro-Plan hat einen Umschalter für Veo 3.1 Standard, falls ein Nutzer die zusätzliche Treue bei Nahaufnahmen von Gesichtern benötigt. Ich habe eine kleine serverseitige Obergrenze für Free-Tier-Generierungen hinzugefügt (5 pro Monat, 720p, mit Wasserzeichen), weil die Rechnung bei 0,15 $/Sek. nur aufgeht, wenn Free-Nutzer zu einer angemessenen Rate konvertieren.
Ein paar eigenwillige Implementierungsentscheidungen, falls du etwas Ähnliches baust:
- Ich behalte den Prompt des Nutzers und die hochskalierte, mit Modellnamen versehene Antwort auf dem Server für 30 Tage bei Pro-Konten und verwerfe sie sofort bei Free-Konten. Das Speichern von Prompts ist datenschutzrechtlich heikel und den Sparvorteil nicht wert.
- Ich zeige den Modellnamen unter jedem generierten Clip an – buchstäblich ein kleines „Veo 3.1 Fast"-Abzeichen. Die Leute verdienen zu wissen, wofür sie bezahlt haben.
- Ich verlängere keine Credits automatisch. Wenn du ein Paket mit 400 Credits gekauft und es innerhalb von 12 Monaten nicht genutzt hast, verfällt es. Ich verliere lieber einen 29-Dollar-Verkauf, als das Unternehmen zu sein, das leise dein Geld abzieht.
Worauf ich bei der I/O achten würde
Zwei Dinge, die ich bei der Google I/O 2026 nächste Woche im Auge behalten würde, die beide meine Voreinstellungen ändern würden:
Gemini Omni. Ein neues Videomodell ist durch die Gemini-App-Oberfläche durchgesickert – Zeichenfolgen wie „Erstellen mit Gemini Omni: Lernen Sie unser neues Videomodell kennen, mischen Sie Ihre Videos, bearbeiten Sie direkt im Chat“ tauchten am 5. Mai auf. Wenn Google ein Omni-Klasse-Videomodell mit denselben API-Kosten wie Veo ausliefert, verschieben sich die Indie-Standards wieder. Ich werde es am Tag der Veröffentlichung aufschreiben.
Sora 2 API. OpenAI hat eine abgerechnete Sora-API angedeutet. Wenn sie zu einem transparenten Preis pro Sekunde unter 0,30 $ ausgeliefert wird, gewinnt wahrscheinlich die Gesichtsqualitätslücke. Wenn sie hinter Enterprise-Verkäufen oder Kontingentsgeheimnissen versteckt bleibt, sollten Indie-Entwickler sie ignorieren. Ich glaube an die abgerechnete API erst, wenn ich die Preisseite sehe.
Weiterlesen
- Bild zu Video auf Veo 3.1 – Referenzframes für Charakterkonsistenz
- Text zu Video KI – aktueller Standard + Pro-Umschalter
- GeminiOmni-Preise – wie ich 19 $ / 79 $ ausgewählt habe
– Lena
