Google abre Gemini Omni 1.2 Flash a todo el mundo: videos de hasta 15 segundos y un precio un 30% menor

Durante mucho tiempo, la generación de video fue una lotería: se pulsaba un botón, se obtenían diez segundos y, si el fondo no gustaba, había que pagar y generarlo todo de nuevo. Google intenta cerrar precisamente esa brecha. Gemini Omni 1.2 Flash ya está disponible para todo el mundo, y lo más importante no es la duración de los clips, sino lo barato que resulta ajustar el resultado hasta obtener el aspecto deseado.

Que ha cambiado

Los clips ahora duran entre 3 y 15 segundos, frente al límite anterior de 10. El precio de 720p ha bajado un 30% y se sitúa en $0,07 por segundo. Esto significa que un video de 15 segundos en 720p costará aproximadamente $1,05. El modelo está disponible a través de Gemini API, Google AI Studio, Google Cloud Console, Flow, Google Vids, la aplicación Gemini para suscriptores de AI Ultra y Google Ads. Cada video recibe una marca de agua invisible SynthID.

Este último punto es importante para los productos: si se integra la generación en un servicio, el origen del contenido podrá leerse automáticamente por medios técnicos, lo que elimina parte de las dudas para los equipos de moderación y jurídicos.

Edicion conversacional y ahorro

Google denomina Conversational Editing a la función principal. Tras obtener un video, se pueden escribir instrucciones como “haz que sea de noche en lugar de día” o “cambia el formato a vertical”. El modelo edita el clip en vez de generar uno nuevo desde cero. Según Google, esto funciona durante los 15 segundos completos.

De ahí surge el esquema de ahorro. Se crea un borrador en 360p o 720p, se corrigen detalles concretos mediante instrucciones posteriores y solo la versión final se escala a 1080p o 4K. Antes, los equipos gastaban su presupuesto en costosas pruebas de alta calidad. Ahora solo hace falta una pasada cara.

Referencias y consistencia

El modelo admite imágenes de personajes, fotos de productos, referencias de movimiento de hasta tres segundos e instrucciones de audio. Los rostros, la ropa, la tipografía de los envases y los colores de marca deberían mantenerse al cambiar el ángulo de cámara. En un ejemplo de Google, una foto de una modelo y las imágenes de tres conjuntos permiten crear una prueba virtual de 15 segundos con un giro de 360 grados, conservando tanto el rostro como el corte de las prendas.

Para el comercio electrónico, se trata de un caso de uso directo: fichas de producto con video sin necesidad de un equipo de rodaje. Google también promete menos rostros que se “derriten” y menos deformaciones durante el movimiento de la cámara, diálogos más naturales con una sincronización labial precisa y capacidad para distinguir a varios hablantes. Los movimientos de cámara continuos y complejos, como el vuelo de un dron FPV o un rápido alejamiento, también deberían presentar menos cortes no deseados.

Limitaciones y pasos a seguir

Por ahora, todo esto procede del anuncio. No existen pruebas independientes sobre la consistencia de la identidad ni sobre la sincronización labial en escenas complejas, y el habitual “promete” debe interpretarse literalmente. Además, 4K y 1080p se facturan por separado, mientras que el coste final depende del número de iteraciones de edición, cuyas tarifas no se detallaron en el anuncio.

La conclusión práctica es sencilla. Si se producen videos publicitarios, pruebas virtuales o contenido para marketplaces, conviene ejecutar una misma tarea mediante un proceso de tres etapas: borrador en baja resolución, ediciones conversacionales y escalado final. Hay que calcular el coste real del video terminado, no el precio de los segundos de generación. Esa es la métrica que mostrará si la generación de video se ha convertido en una herramienta de producción o si sigue siendo un juguete.