Google bündelt vier generative Medienmodelle unter einem Vertex-AI-Dach

Was tatsächlich verfügbar ist – und in welchem Zustand

Google hat auf der Google Cloud Next vier generative Medien-Updates für Vertex AI angekündigt. Nur eines davon, Imagen 3, kommt als schlichte Funktionsverbesserung. Die anderen drei sind mit Einschränkungen versehen, die man sich genauer ansehen sollte.

Lyria, das Text-zu-Musik-Modell, befindet sich in einer privaten Preview mit Allowlist. Die neuen Bearbeitungs- und Kamerasteuerungen von Veo 2 sind ebenfalls in einer Preview mit Allowlist. Chirp 3s Instant Custom Voice ist neu, doch zum Rollout-Status heißt es lediglich, dass die Funktion in Chirp 3 enthalten ist. Imagen 3s verbesserte Generierung, Inpainting und Objektentfernung sind dem allgemeinen Einsatz am nächsten.

Die Schlagzeile von "vier großen Updates" bedeutet also in Wirklichkeit: ein tatsächlich verfügbares Feature-Set und drei mit Zugangsbeschränkung. Teams, die das bewerten wollen, sollten mit Allowlist-Zugang planen statt davon auszugehen, diese Modelle morgen einfach aufrufen zu können.

Die konkrete Aussage: eine einzige Plattform für vier Medientypen

Der tragende Satz der Ankündigung dreht sich um Abdeckung, nicht um die Qualität eines einzelnen Modells.

Diese Updates machen Vertex AI zur einzigen Plattform mit generativen Medienmodellen für Video, Bild, Sprache und Musik.Montana Labs

Die Ergänzung um Lyria für Musik vervollständigt das Angebot. Video (Veo 2), Bild (Imagen 3) und Sprache (Chirp 3) waren bereits vorhanden; Musik war die fehlende Kategorie. Deshalb wurde dieses Paket gemeinsam angekündigt — es macht aus einem unvollständigen Portfolio ein vollständiges.

Ob die Breite zählt, hängt vom jeweiligen Nutzer ab. Ein Team, das nur Bildbearbeitung benötigt, gewinnt nichts dadurch, dass Musikgenerierung auf derselben Plattform läuft. Ein Team hingegen, das etwa Marketing-Content-Pipelines für mehrere Medientypen aufbaut, profitiert von einer einzigen Abrechnungsbeziehung, einem IAM-Modell und einem einheitlichen API-Satz, statt separate Anbieter zusammenzuflicken.

Die konkretesten Zahlen stecken in Chirp 3 und Veo 2

Zwei Details der Ankündigung sind konkret genug, um damit zu planen. Chirp 3s Instant Custom Voice erzeugt eine individuelle Stimme aus nur 10 Sekunden Audiomaterial. Das ist eine niedrig genug angesetzte Schwelle, um zu verändern, wie sprachgesteuerte Produkte das Onboarding gestalten — eine brauchbare Probe lässt sich in einer einzigen kurzen Aufnahme einfangen.

Die Bearbeitungsfunktionen von Veo 2 werden anhand konkreter Techniken beschrieben: Interpolation für weiche Übergänge zwischen Frames und Outpainting, um den Bildrahmen bestehenden Materials zu erweitern und für Web und Mobile neu zu formatieren. Letzteres ist ein Umformatierungswerkzeug — traditionelles Videomaterial wird ohne neuen Dreh in vertikale oder alternative Seitenverhältnisse gebracht.

Imagen 3s Inpainting rekonstruiert fehlende oder beschädigte Bildbereiche, und Objektentfernungs-Edits werden als qualitativ hochwertiger beschrieben. Es handelt sich um Retusche-Operationen, die als Ersatz für manuelle Bearbeitung positioniert sind, nicht als Erzeugung völlig neuer Bilder von Grund auf.

Die Bearbeitungswende ist das eigentliche Signal für Vertex-AI-Nutzer

Der gemeinsame Nenner von Veo 2 und Imagen 3 ist die Bearbeitung bestehender Assets, nicht nur die Generierung aus einem Prompt. Kamerasteuerungen, Interpolation, Outpainting, Inpainting und Objektentfernung wirken allesamt auf bereits existierende Inhalte.

Das ist relevant, weil Medienarbeit im Unternehmensumfeld überwiegend Bearbeitung ist, nicht Erstellung von Grund auf. Eine Marke besitzt bereits Aufnahmen und Bilder, die sie weiterverwenden, bereinigen und neu formatieren muss. Diese Modelle als Werkzeuge zur Verfeinerung zu positionieren, trifft diese Realität deutlich direkter als eine weitere Text-zu-Video-Demo.

Die praktische Konsequenz für Teams auf Vertex AI: Der kurzfristige Nutzen liegt vermutlich in Imagen 3s Bearbeitungsfunktionen und, sobald die Allowlist entfällt, in Veo 2s Umformatierung — also der Umwandlung eines Assets in viele Formate — und weniger in Lyrias Musikgenerierung, die der experimentellste und zugangsbeschränkteste Teil der Ankündigung bleibt.