Gemini Omni 1.2 Flash genera vídeo de hasta 15 segundos y es un 30 % más barato

El mayor quebradero de cabeza al trabajar con modelos de vídeo es conocido por cualquiera que haya hecho anuncios o vídeos de demostración: generas un clip, notas que el rostro del protagonista se ha deformado o que el logotipo del envase se ha convertido en una mancha, y tienes que pagar una generación nueva desde cero. Google intenta resolver precisamente este problema con Gemini Omni 1.2 Flash.

Novedades

El cambio principal es la duración. El modelo produce clips de hasta 15 segundos de forma nativa, en lugar de unirlos a partir de fragmentos, como ocurría con los 10 segundos de Omni 1.1. La duración se fija en pasos de un segundo, de 3 a 15. Para la publicidad en redes sociales y los explicativos cortos, esto significa que una historia completa cabe en una sola generación.

El segundo cambio es el precio. Google lo ha reducido un 30 %: 0,07 $ por segundo de vídeo en 720p. Un clip de 15 segundos costará algo más de un dólar. En comparación, antes el mismo volumen costaba notablemente más y, con cada fallo, había que volver a pagar.

Cómo funciona en la práctica

El modelo acepta referencias: imágenes de un personaje, producto o estilo, movimientos cortos de hasta tres segundos y pistas de audio. Supongamos que tienes la foto de una modelo y fotos de tres conjuntos, de frente y de espalda. Con ellas se puede crear un vídeo de probador virtual de 15 segundos con giro de 360 grados, y el corte de cada prenda debería conservarse. Del mismo modo, se pueden convertir fotos de catálogo existentes en fichas de producto giratorias o anuncios de marca.

La segunda función práctica es la edición en varios turnos. Tomas un clip terminado y dices: cambia el fondo a un bosque, luego a un castillo, cambia la iluminación o el formato del encuadre. Los personajes y el ángulo se mantienen. Para los profesionales del marketing, es una forma de crear rápidamente variantes del vídeo para distintas audiencias sin un nuevo briefing.

Google describe así el flujo de trabajo económico: borradores en 360p o 720p, edición puntual de detalles y, después, escalado de las versiones logradas a 1080p o 4K. Es decir, la resolución costosa solo se activa en el paso final.

Voz, cámara y disponibilidad

Se anuncian diálogos más naturales, mejor sincronización labial y asignación de voces a varios personajes a partir de referencias. La cámara también es más controlable: largos recorridos al estilo FPV y alejamientos sin cortes innecesarios. Para empresas está disponible Provisioned Throughput, y el resultado se marca con una marca de agua invisible SynthID.

El modelo está disponible en la API de Gemini y Google AI Studio, en la consola de Google Cloud, en Flow, Google Vids y Google Ads. En la aplicación Gemini, los vídeos de 15 segundos se están desplegando por ahora para los suscriptores de AI Ultra.

Limitaciones

Todos los ejemplos de la publicación fueron elegidos por la propia Google y todavía no hay pruebas independientes, por lo que conviene verificar con tus propios datos las afirmaciones sobre deriva nula y ausencia de cortes. La propia compañía reconoce que la acción deportiva rápida, los cambios bruscos de escena y la física compleja aún no están pulidos. Las referencias de movimiento están limitadas a tres segundos.

Qué hacer

Si estás construyendo un producto en torno a la generación de vídeos publicitarios o de catálogo, conviene recalcular la economía unitaria: un 30 % menos más la edición en lugar de la regeneración pueden reducir notablemente el coste de un clip logrado. Empieza ejecutando tus referencias reales (envases, tipografías, rostros) en 720p y comprueba cuán estable es la consistencia antes de incorporar el modelo a producción. Por separado, verifica cómo encaja la marca de agua SynthID en tus requisitos de etiquetado de contenido.