Gemini Omni 1.2 Flash gera vídeo de até 15 segundos e ficou 30% mais barato

A maior dor de cabeça ao trabalhar com modelos de vídeo é conhecida de quem já fez anúncios ou vídeos de demonstração: você gera um clipe, percebe que o rosto do personagem se deformou ou que o logotipo da embalagem virou uma mancha, e precisa pagar por uma nova geração do zero. O Google tenta resolver justamente esse problema no Gemini Omni 1.2 Flash.

O que há de novo

A principal mudança é a duração. O modelo produz clipes de até 15 segundos de forma nativa, em vez de uni-los a partir de pedaços, como acontecia com os 10 segundos do Omni 1.1. A duração é definida em passos de um segundo, de 3 a 15. Para publicidade em redes sociais e explicativos curtos, isso significa que uma história inteira cabe em uma única geração.

A segunda mudança é o preço. O Google o reduziu em 30%: US$ 0,07 por segundo de vídeo em 720p. Um clipe de 15 segundos custará pouco mais de um dólar. Em comparação, antes o mesmo volume custava bem mais, e a cada falha era preciso pagar de novo.

Como funciona na prática

O modelo aceita referências: imagens de um personagem, produto ou estilo, movimentos curtos de até três segundos e dicas de áudio. Digamos que você tenha a foto de uma modelo e fotos de três looks, de frente e de costas. Com elas é possível montar um vídeo de provador virtual de 15 segundos com giro de 360 graus, e o corte de cada peça deve ser preservado. Da mesma forma, dá para transformar fotos de catálogo existentes em cartões de produto giratórios ou anúncios de marca.

O segundo recurso prático é a edição em várias etapas. Você pega um clipe pronto e diz: troque o fundo para uma floresta, depois para um castelo, mude a iluminação ou o formato do quadro. Os personagens e o ângulo permanecem no lugar. Para os profissionais de marketing, é uma forma de criar rapidamente variações do vídeo para diferentes públicos sem um novo briefing.

O Google descreve assim o fluxo de trabalho econômico: rascunhos em 360p ou 720p, edição pontual de detalhes e, depois, upscale das versões bem-sucedidas para 1080p ou 4K. Ou seja, a resolução cara só é usada na etapa final.

Fala, câmera e disponibilidade

São anunciados diálogos mais naturais, melhor sincronização labial e atribuição de vozes a vários personagens por meio de referências. A câmera também ficou mais controlável: longos voos no estilo FPV e afastamentos sem cortes desnecessários. Para empresas, está disponível o Provisioned Throughput, e a saída é marcada com uma marca d'água invisível SynthID.

O modelo está disponível na API do Gemini e no Google AI Studio, no console do Google Cloud, no Flow, no Google Vids e no Google Ads. No aplicativo Gemini, os vídeos de 15 segundos estão sendo liberados por enquanto para assinantes do AI Ultra.

Limitações

Todos os exemplos da publicação foram escolhidos pelo próprio Google e ainda não há testes independentes, então vale verificar com os seus próprios dados as afirmações sobre desvio zero e ausência de cortes. A própria empresa admite que ação esportiva rápida, mudanças bruscas de cena e física complexa ainda não estão refinadas. As referências de movimento são limitadas a três segundos.

O que fazer

Se você está construindo um produto em torno da geração de vídeos publicitários ou de catálogo, vale recalcular a economia unitária: 30% a menos mais a edição em vez da regeneração podem reduzir bastante o custo de um clipe bem-sucedido. Comece rodando suas referências reais (embalagens, fontes, rostos) em 720p e veja quão estável é a consistência antes de incluir o modelo em produção. Separadamente, verifique como a marca d'água SynthID se encaixa nos seus requisitos de rotulagem de conteúdo.