Gemini Omni 1.2 Flash ya está disponible: videos de 15 segundos y edición por turnos

Google DeepMind anunció el modelo de generación de video Gemini Omni 1.2 Flash el 5 de noviembre de 2026. El modelo ya está disponible de forma general en Gemini API y Google Cloud, con funciones para generar clips más largos, seguir mejor las imágenes de referencia y editar el mismo video mediante conversaciones. Google fija el precio de generación de video en 0,07 dólares por segundo en 720p y señala que es un 30 % inferior al de Gemini Omni 1.1.

¿Cómo cambian la duración de los clips y el costo de generación?

La duración máxima de los videos, que en la versión anterior era de 10 segundos, aumenta a 15 segundos en Gemini Omni 1.2 Flash. La generación se puede configurar entre 3 y 15 segundos, en incrementos de un segundo. Según Google, esto permite preparar narraciones más largas, presentaciones de productos o anuncios para redes sociales en una sola generación.

Los primeros borradores se pueden generar en 360p o 720p. Después, los resultados que gusten se pueden escalar a una resolución de 1080p o 4K. La empresa afirma que el costo puede reducirse no solo gracias al precio más bajo, sino también porque es posible enviar una instrucción de edición sobre el video existente para cambiar un detalle, en lugar de volver a generar el clip completo.

Referencias y método de edición

El modelo puede combinar imágenes de referencia de personajes, productos o estilos con clips breves de movimiento de hasta tres segundos y referencias de audio. Google afirma que busca mantener estas referencias de forma más coherente a lo largo del video y reducir los cambios visuales durante los movimientos de escena o cámara. En los ejemplos de la empresa se destaca la conservación del mismo personaje, producto y escena desde distintos ángulos.

Una vez generado un clip, se pueden realizar cambios mediante conversaciones, como modificar el fondo, ajustar la iluminación o las condiciones meteorológicas, o cambiar la relación de aspecto. Así, no hace falta preparar una nueva instrucción inicial para cada variante. Google también menciona mejoras en la fluidez del habla, la sincronización labial y la dirección de varios interlocutores.

Entre los ejemplos de movimientos de cámara que ofrece el modelo hay movimientos continuos de vuelo y acercamiento. En el escenario que Google muestra con imágenes arquitectónicas de referencia, la cámara realiza un único recorrido desde una plaza hasta las puertas y el interior de una cúpula. Se trata de ejemplos compartidos por el fabricante; el anuncio no ofrece una métrica numérica de éxito que permita saber cómo cambiarán los resultados con distintas instrucciones y referencias.

Efectos en los flujos de trabajo de arquitectura y visualización

Para los estudios de arquitectura y los artistas de visualización, el límite de 15 segundos puede ser útil al preparar breves recorridos espaciales o avances para presentaciones. El uso conjunto de imágenes de referencia y descripciones de movimiento puede servir para probar formas de mantener el lenguaje de diseño o una composición de escena determinada. La edición conversacional también podría agilizar la creación de alternativas mediante cambios en elementos como el fondo y la iluminación.

Sin embargo, estas funciones no demuestran que el modelo vaya a conservar de forma exacta la geometría arquitectónica o el aspecto de los materiales que se buscan en todos los proyectos. Antes de producir, conviene comprobar la coherencia con las referencias y la continuidad del movimiento. Los equipos que utilicen la API deben calcular el costo según la resolución y la duración del clip; el precio indicado es de 0,07 dólares por segundo en 720p. Por otro lado, se señala que en Google Vids se pueden generar clips de 15 segundos sin costo adicional.