A Gemini Omni da Google transforma a edição de vídeo numa conversa

O que a Omni Flash oferece hoje, na prática

A Google está a lançar o primeiro modelo de uma nova família — a Gemini Omni Flash — apresentando-a como sucessora do trabalho de imagem Nano Banana do ano passado. A proposta é um único modelo que recebe imagens, áudio, vídeo e texto como input e produz vídeo de alta qualidade como output.

A Omni é o nosso novo modelo, capaz de criar qualquer coisa a partir de qualquer input — a começar pelo vídeo.Montana Labs

A expressão "a começar pelo vídeo" tem aqui um peso considerável. No lançamento, o output é exclusivamente vídeo; a Google afirma que o output de imagem e áudio chegará "com o tempo". Assim, apesar da promessa de "qualquer coisa a partir de qualquer input", a Omni Flash é atualmente um sistema de input universal mas com uma única modalidade de output.

O ciclo de edição conversacional é a verdadeira proposta de valor

O diferencial mais concreto do anúncio é a edição com estado, em várias interações sucessivas. O carrossel de exemplos da Google percorre um clip de um violinista que é progressivamente transportado para um novo ambiente, tem o violino tornado invisível e depois muda para um ângulo de câmara sobre o ombro — cada instrução constrói sobre a anterior.

A Google descreve o valor de forma direta: "Cada instrução constrói sobre a anterior. As personagens mantêm-se consistentes, a física é coerente e a cena recorda o que aconteceu antes." Esse comportamento de memória entre interações é o que distingue uma ferramenta de edição de um gerador de disparo único, e é a capacidade que as demonstrações pretendem comprovar.

A empresa também recorre à física e ao conhecimento do mundo como fator de distinção, citando melhorias na gestão da gravidade, energia cinética e dinâmica de fluidos, além de exemplos como uma explicação em claymation sobre o enrolamento de proteínas e uma montagem com um alfabeto de 26 letras. O argumento recorrente é que a Omni raciocina sobre o que deve acontecer a seguir, em vez de se limitar a reconhecer padrões.

Os inputs de áudio e os avatares são lançados de forma deliberadamente limitada

A narrativa dos inputs tem ressalvas explícitas. Dos quatro tipos de input, o áudio é o mais restrito: "inicialmente só serão suportadas referências de voz para o áudio", prometendo-se outros tipos de input de áudio mais tarde. Vários dos prompts apresentados — como sincronizar sons de harpa com folhas de feto tocadas, ou mudanças de estilo ajustadas ao ritmo — dependem de um input de áudio mais rico que ainda não está totalmente disponível.

Quanto à semelhança, a Google está a lançar os Avatars, permitindo aos utilizadores gerar vídeo com a sua própria voz, mas retém explicitamente a capacidade mais ampla de editar áudio e fala em vídeos arbitrários, afirmando que "ainda está a testar e a tentar compreender melhor como pode disponibilizar esta funcionalidade aos utilizadores de forma responsável". Todos os vídeos da Omni incluem a marca de água impercetível SynthID, verificável através da app Gemini, da Gemini no Chrome e da Google Search.

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

O plano de lançamento é a parte que merece uma leitura atenta. A Omni Flash chega aos subscritores pagantes do Google AI Plus, Pro e Ultra através da app Gemini e do Google Flow, mas chega também "sem custos" ao YouTube Shorts e à YouTube Create App já esta semana.

Colocar um modelo de geração de vídeo no Shorts gratuitamente é uma aposta do lado da procura: semeia o output da Omni diretamente numa das maiores plataformas de vídeo curto antes de desenvolvedores e clientes empresariais terem acesso à API, algo que a Google diz acontecer "nas próximas semanas".

A implicação concreta: a persistência de estado na edição é o que importa testar

Para as equipas que estão a avaliar a Omni, o aspeto relevante não é o fotorrealismo — é saber se a cena "recorda genuinamente o que aconteceu antes" ao longo de várias edições, sem perder consistência na identidade das personagens, na física ou na continuidade. Essa persistência, se se confirmar além das demonstrações cuidadosamente preparadas, é o que tornaria a Omni utilizável como ferramenta de edição, e não apenas como gerador que se reformula do zero a cada pedido.

A leitura honesta do lançamento de hoje: a geração vídeo-para-vídeo com refinamento conversacional já está disponível e amplamente distribuída, enquanto inputs de áudio mais ricos, outputs que não sejam vídeo, edição de fala em geral e acesso à API ficam reservados para mais tarde. A distância entre "criar qualquer coisa a partir de qualquer input" e o que a Omni Flash faz esta semana é o roteiro que a Google está a pedir aos utilizadores para preencherem com o tempo.