Gemini Omni do Google transforma edição de vídeo em uma conversa

O que o Omni Flash realmente entrega hoje

O Google está lançando o primeiro modelo de uma nova família — o Gemini Omni Flash — e o apresenta como sucessor do trabalho com imagens do Nano Banana no ano passado. A proposta é ter um único modelo que recebe imagens, áudio, vídeo e texto como entrada e produz vídeo de alta qualidade como saída.

Omni é nosso novo modelo, capaz de criar qualquer coisa a partir de qualquer entrada — começando pelo vídeo.Montana Labs

A expressão "começando pelo vídeo" carrega bastante peso aqui. No lançamento, a saída é exclusivamente em vídeo; o Google diz que saída em imagem e áudio vêm "com o tempo". Então, apesar do discurso de "qualquer coisa a partir de qualquer entrada", o Omni Flash hoje é um sistema com múltiplas entradas, mas uma única modalidade de saída.

O ciclo de edição conversacional é a verdadeira promessa do produto

O diferencial mais concreto do anúncio é a edição com estado, em múltiplas etapas. O carrossel de exemplos do Google mostra um clipe de uma violinista sendo progressivamente transportada para um novo ambiente, tendo o violino tornado invisível e, depois, mudando para um ângulo de câmera por sobre o ombro — cada instrução construindo sobre a anterior.

O Google descreve o valor de forma direta: "Cada instrução constrói sobre a anterior. Seus personagens permanecem consistentes, a física se mantém coerente e a cena lembra o que veio antes." Esse comportamento de memória entre etapas é o que diferencia uma ferramenta de edição de um gerador de tiro único, e é essa capacidade que as demonstrações foram criadas para comprovar.

A empresa também destaca física e conhecimento de mundo como diferencial, citando melhorias no tratamento de gravidade, energia cinética e dinâmica de fluidos, além de exemplos como uma animação em claymation explicando dobramento de proteínas e uma montagem com um alfabeto de 26 letras. O argumento recorrente é que o Omni raciocina sobre o que deve acontecer a seguir, em vez de apenas reconhecer padrões.

Entradas de áudio e avatares chegam limitados de propósito

A história das entradas vem com ressalvas explícitas. Dos quatro tipos de entrada, o áudio é o mais restrito: "no início, apenas referências de voz serão suportadas para áudio", com outros tipos de entrada de áudio prometidos para depois. Vários prompts mostrados na demonstração — como sincronizar sons de harpa com folhas de samambaia tocadas, ou trocas de estilo ajustadas ao ritmo — dependem de entradas de áudio mais ricas que ainda não estão totalmente disponíveis.

Quanto à semelhança visual, o Google está lançando os Avatars, para que os usuários possam gerar vídeos com a própria voz, mas deixa explicitamente de fora, por ora, a capacidade mais ampla de editar áudio e fala em vídeos quaisquer, afirmando que "ainda está trabalhando para testar isso e entender melhor como trazer essa capacidade aos usuários de forma responsável". Todo vídeo gerado pelo Omni carrega a marca d'água imperceptível SynthID, verificável pelo app Gemini, pelo Gemini no Chrome e pela Google Search.

A jogada de distribuição: grátis no YouTube Shorts, pago no Flow

O plano de lançamento é a parte que vale a pena analisar com atenção. O Omni Flash chega para assinantes pagantes do Google AI Plus, Pro e Ultra pelo app Gemini e pelo Google Flow, mas também estará disponível "sem custo" no YouTube Shorts e no app YouTube Create já nesta semana.

Colocar um modelo de geração de vídeo no Shorts de graça é uma aposta pelo lado da demanda: espalha o resultado do Omni direto em uma das maiores vitrines de vídeo curto que existem, antes mesmo de desenvolvedores e clientes corporativos terem acesso à API, algo que o Google diz que chega "nas próximas semanas".

A implicação específica: a persistência de estado na edição é o que precisa ser testado

Para equipes avaliando o Omni, o que importa não é o fotorrealismo — é saber se a cena realmente "lembra o que veio antes" ao longo de várias edições, sem perder a identidade dos personagens, a física ou a continuidade. Essa persistência, se realmente se sustentar além das demonstrações selecionadas a dedo, é o que faria do Omni uma ferramenta de edição de verdade, e não apenas um gerador que você precisa reiniciar do zero a cada prompt.

A leitura honesta do lançamento de hoje: vídeo-para-vídeo com refinamento conversacional já está no ar e amplamente distribuído, enquanto entradas de áudio mais ricas, saídas que não sejam vídeo, edição geral de fala e acesso via API ficam para depois. A distância entre "criar qualquer coisa a partir de qualquer entrada" e o que o Omni Flash realmente faz nesta semana é o roteiro que o Google está pedindo para os usuários completarem com o tempo.