Google lanzó Gemini Omni 1.2 Flash el 5 de noviembre y lo dejó disponible para uso general en la API de Gemini y en Gemini for business. La versión nueva de su modelo de video genera clips nativos de 15 segundos, permite editarlos en una conversación de varios turnos y sigue con más fidelidad las imágenes de referencia.

El precio bajó 30% frente a Gemini Omni 1.1. El video en 720p queda en 0,07 dólares por segundo.

¿Cómo se abarata el flujo de trabajo?

Además del precio, Google plantea un flujo que reduce el gasto. Se hacen borradores rápidos en 360p o 720p, se corrige un detalle con una edición posterior en vez de generar el clip completo de nuevo, y al final se escalan las mejores tomas a 1080p o 4K.

Clips de hasta 15 segundos

El modelo genera y edita videos de hasta 15 segundos de forma nativa. Omni 1.1 llegaba a 10. La duración se fija en pasos de un segundo, entre 3 y 15, lo que según Google alcanza para contar una historia completa, armar un video explicativo de producto o producir un aviso para redes sociales en una sola generación.

Fidelidad a las referencias

La generación se puede guiar combinando imágenes de personajes, productos o estilos, clips cortos de movimiento (de hasta tres segundos) y pistas de audio. Según Google, Omni 1.2 Flash mantiene esos detalles de principio a fin. Las caras, la ropa, la tipografía de los envases y los colores de marca se conservan entre ángulos de cámara distintos, así que una foto de producto o una hoja de personaje se puede convertir en un clip de prueba virtual de ropa, en un giro de catálogo o en un aviso de video.

En uno de los ejemplos, el modelo toma una foto de una modelo y fotos de frente y espalda de tres conjuntos, y genera una secuencia de prueba virtual de 15 segundos con giros de 360 grados. La identidad de la modelo y el corte, la caída y los detalles traseros de cada prenda se mantienen.

Menos deformaciones entre el primer y el último cuadro

Google promete más consistencia de personajes, objetos y escenas, con menos deriva visual o deformaciones en los movimientos y las transiciones de cámara. Vale tanto para interpolar entre un cuadro inicial y uno final como para extender un clip y armar una secuencia más larga.

En la comparación que publicó la empresa, con el mismo afiche de exhibición y la misma instrucción de animación en cinco capas, Omni 1.1 Flash se aleja de la imagen de referencia. La versión 1.2 arma el afiche capa por capa y conserva cada material, sombra y detalle tipográfico hasta el último cuadro.

¿Cómo funciona la edición por conversación?

Un mismo clip se puede refinar turno a turno. Se cambia un producto o el fondo, la iluminación o el clima, o la relación de aspecto, sin empezar de cero. La edición en varios turnos funciona sobre clips completos de 15 segundos, lo que permite producir variantes de un aviso para distintos públicos y formatos sin volver a generar todo.

En el ejemplo de Google, a partir de un clip con dos personajes con armadura, el fondo cambia turno a turno. Pasa de una carpa de rayas a un bosque de robles, un establo con un caballo blanco, una feria y un castillo de piedra, y la actuación de los personajes, los reflejos de las armaduras y el encuadre se mantienen.

Diálogos y cámara

El modelo genera escenas con diálogos más fluidos, mejor sincronía labial y voces distintas para cada personaje. Según Google, eso se nota al dirigir diálogos de varios personajes en Flow, al crear videos explicativos en Gemini for business o al producir videos con avatares, música y narración en Google Vids.

También controla mejor los movimientos de cámara continuos, como vuelos tipo dron FPV, alejamientos bruscos y órbitas, con menos cortes no deseados y una escala más estable. En una de las demostraciones, a partir de dos fotos de referencia, el modelo hace un solo vuelo continuo por la plaza, atraviesa las puertas de bronce del Panteón de Roma y sube por su cúpula hasta el óculo, sin un solo corte.

Disponibilidad general y marca de agua

Es la primera vez que Gemini Omni queda en disponibilidad general, con la infraestructura y la seguridad de Google Cloud. Se puede contratar capacidad reservada (Provisioned Throughput), y los videos llevan una marca de agua imperceptible de SynthID.

Google reconoce que sigue trabajando en escenas de deporte rápido, cambios bruscos de guion y física compleja. Las vías de acceso son estas: