Googles Gemini Omni macht Videobearbeitung zum Dialog

Was Omni Flash heute tatsächlich kann

Google bringt das erste Modell einer neuen Familie heraus – Gemini Omni Flash – und positioniert es als Nachfolger der Nano-Banana-Bildarbeit vom letzten Jahr. Das Versprechen: ein einziges Modell, das Bilder, Audio, Video und Text als Eingabe verarbeitet und daraus hochwertiges Video erzeugt.

Omni ist unser neues Modell, das aus jeder Eingabe alles erzeugen kann – zunächst mit Video.Montana Labs

Die Formulierung „zunächst mit Video“ hat es in sich. Zum Start gibt es ausschließlich Videoausgabe; Bild- und Audioausgabe sollen laut Google „mit der Zeit“ folgen. Trotz des Anspruchs „alles aus jeder Eingabe“ ist Omni Flash derzeit also ein System mit beliebiger Eingabe, aber nur einer Ausgabemodalität.

Der eigentliche Produktanspruch ist die dialogbasierte Bearbeitungsschleife

Das konkreteste Unterscheidungsmerkmal der Ankündigung ist die zustandsbehaftete Mehrschritt-Bearbeitung. Googles Beispiel-Karussell zeigt einen Geigenspieler-Clip, der schrittweise in eine neue Umgebung versetzt wird, dessen Geige unsichtbar gemacht wird und der schließlich zu einer Über-die-Schulter-Kameraperspektive wechselt – jede Anweisung baut auf der vorherigen auf.

Google beschreibt den Nutzen direkt so: „Jede Anweisung baut auf der letzten auf. Ihre Figuren bleiben konsistent, die Physik stimmt, und die Szene erinnert sich an das, was vorher geschah.“ Genau dieses Erinnerungsvermögen über mehrere Schritte hinweg unterscheidet ein Bearbeitungswerkzeug von einem Einmal-Generator – und ist die Fähigkeit, die die Demos beweisen sollen.

Das Unternehmen stellt außerdem Physik- und Weltverständnis als Unterscheidungsmerkmal heraus und verweist auf verbesserten Umgang mit Schwerkraft, kinetischer Energie und Strömungsdynamik sowie auf Beispiele wie eine Knetanimation zur Proteinfaltung und eine Montage mit allen 26 Buchstaben des Alphabets. Das wiederkehrende Argument: Omni überlegt, was als Nächstes logisch passieren sollte, statt nur Muster nachzubilden.

Audio-Eingaben und Avatare starten bewusst eingeschränkt

Bei den Eingaben gibt es klare Einschränkungen. Von den vier Eingabetypen ist Audio am stärksten begrenzt: „Zum Start werden nur Sprachreferenzen für Audio unterstützt“, weitere Audio-Eingabetypen sollen später folgen. Mehrere gezeigte Prompts – etwa das Synchronisieren von Harfenklängen mit berührten Farnblättern oder taktgenaue Stilwechsel – setzen reichhaltigere Audio-Eingaben voraus, die noch nicht vollständig verfügbar sind.

Bei der eigenen Erscheinung bringt Google Avatare, mit denen Nutzer Videos in ihrer eigenen Stimme erzeugen können, hält aber die umfassendere Fähigkeit zurück, Audio und Sprache in beliebigen Videos zu bearbeiten. Man arbeite noch daran, „dies zu testen und besser zu verstehen, wie wir diese Fähigkeit Nutzern verantwortungsvoll zur Verfügung stellen können“. Jedes Omni-Video trägt das nicht wahrnehmbare SynthID-Wasserzeichen, das sich über die Gemini-App, Gemini in Chrome und die Google-Suche verifizieren lässt.

Der Vertriebsschachzug: kostenlos auf YouTube Shorts, kostenpflichtig in Flow

Der Rollout-Plan lohnt einen genaueren Blick. Omni Flash steht zahlenden Google-AI-Plus-, -Pro- und -Ultra-Abonnenten über die Gemini-App und Google Flow zur Verfügung, ist aber ab dieser Woche auch „kostenlos“ auf YouTube Shorts und in der YouTube-Create-App verfügbar.

Ein Videogenerierungsmodell kostenlos in Shorts einzubauen, ist eine Wette auf die Nachfrageseite: Es platziert Omni-Ausgaben direkt auf einer der größten Plattformen für Kurzvideos, noch bevor Entwickler und Unternehmenskunden Zugang zur API erhalten – laut Google „in den kommenden Wochen“.

Die konkrete Konsequenz: Die Zustandsbehaftung der Bearbeitung ist der entscheidende Testpunkt

Für Teams, die Omni evaluieren, ist nicht der Fotorealismus der entscheidende Anspruch – sondern ob sich die Szene über viele Bearbeitungsschritte hinweg tatsächlich „daran erinnert, was vorher geschah“, ohne bei Figurenidentität, Physik oder Kontinuität abzudriften. Diese Beständigkeit – sofern sie über kuratierte Demos hinaus Bestand hat – würde Omni zu einem echten Bearbeitungswerkzeug machen, statt zu einem Generator, den man von Grund auf neu anweisen muss.

Die ehrliche Einordnung des heutigen Launches: Video-Eingabe/Video-Ausgabe mit dialogbasierter Verfeinerung ist live und breit verfügbar, während reichhaltigere Audio-Eingaben, Nicht-Video-Ausgaben, allgemeine Sprachbearbeitung und API-Zugang für später vorgesehen sind. Die Lücke zwischen „alles aus jeder Eingabe erzeugen“ und dem, was Omni Flash diese Woche tatsächlich leistet, ist die Roadmap, die Google seinen Nutzern über die Zeit zu füllen aufgibt.