Gemini Omni Flash vorgestellt: Googles neues Videomodell, das Sie per Gespräch bearbeiten

Was ist Gemini Omni Flash?

In einem Satz: Gemini Omni Flash nimmt Text, Bilder, Audio und Video als Eingabe entgegen und erzeugt hochauflösendes Video mit synchronisiertem Audio als Ausgabe — und ermöglicht es Ihnen, dieses Video durch ein wechselseitiges Gespräch zu bearbeiten.

Der letzte Teil ist das gesamte Verkaufsargument und sollte daher von der Demo getrennt betrachtet werden. Ein Modell wie Veo oder Sora ist darauf ausgelegt, aus einem Prompt einen starken Clip zu rendern. Omni Flash basiert auf der Annahme, dass Ihr erster Clip ein Entwurf ist. Googles Darstellung zufolge „überlegt das Modell, was als Nächstes passieren sollte“, statt nur Pixel zu malen — es nutzt Geminis Weltwissen und ein „intuitives Verständnis von Kräften wie Schwerkraft, kinetischer Energie und Strömungsdynamik“, um zu entscheiden, wie eine Szene fortgesetzt werden sollte. Betrachten Sie das als Googles Behauptungen, nicht als unabhängige Erkenntnisse: Im Model Card sind die Benchmarks als forthcoming aufgeführt, daher hat noch niemand die Denkfähigkeiten bewertet.

Warum es existiert – bevor wir erklären, wie es funktioniert

Das Problem, auf das Omni Flash abzielt, lautet nicht „ein hübscheres Video generieren“. Es sind die Bearbeitungskosten. Bei einem One-Shot-Generator ist jede Änderung ein neuer Render-Vorgang — 90 % eines Clips stimmen, Sie bitten um eine andere Geste, rendern alles erneut und hoffen, dass die guten 90 % erhalten bleiben. Das ist langsam, teuer und nicht deterministisch.

Omni Flashs Antwort ist eine zustandsbehaftete Schleife über mehrere Gesprächsrunden. Sie generieren, prüfen und sagen dann „Mach den Hintergrund zu einem Sonnenuntergang“ oder „Lass sie sich umdrehen“ — und das Modell führt die vorherige Szene weiter, statt sie neu aufzubauen. Google stellt Entwicklern dies mit einer previous_interaction_id zur Verfügung, die Sie durch jede Runde weiterreichen, sodass die Bearbeitungen aufeinander aufbauen. In der Gemini-App ist diese Gesprächsoberfläche das, was Veo und Sora schlicht nicht anbieten.

Ein Satz zum Merken: Omni Flash ist weniger ein „besserer Generator“ und eher eine „Bearbeitungsebene“ — interessant wird es, sobald ein Basisclip bereits existiert.

Was es kann (mit den tatsächlich veröffentlichten Zahlen)

Das Folgende ist durch Googles Model Card und API-Dokumentation bestätigt und auf die wichtigen Details beschränkt:

• Eingaben: Text, Bilder, Audio und Video. Audioeingaben sind zum Start auf Sprachreferenzen beschränkt; weitere Audiotypen sind geplant.
• Ausgabe: hochauflösendes Video mit nativem, synchronisiertem Audio, das im selben Durchlauf erzeugt wird — nicht nachträglich zusammengeschnitten.
• Cliplänge: zum Start ungefähr 10 Sekunden. Google stellt die Begrenzung als Bereitstellungsentscheidung und nicht als harte Modellgrenze dar und sagt, dass längere Dauern folgen werden — betrachten Sie 10 Sekunden also als „heute“, nicht als „für immer“.
• Seitenverhältnisse: 9:16 und 16:9 (16:9 als Standard).
• Konsistenz: Das Modell soll die Identität von Figuren, Objekten und Stil über Schnitte und Bearbeitungen hinweg beibehalten und Bildschirmtext sowie Grafiken mit der Bewegung synchronisieren.
• Herkunft: Jeder Clip enthält ein nicht wahrnehmbares SynthID-Wasserzeichen sowie standardmäßig aktivierte C2PA-Content-Credentials. Es gibt keine Opt-out-Möglichkeit.

Bei der Auflösung hält sich Google bedeckt — die Model Card nennt lediglich „hohe Auflösung“ ohne Pixelangabe, und Unterstützung für höhere Auflösungen über die Enterprise-API wird als „bald verfügbar“ aufgeführt. Wenn die genaue Auflösung für Ihre Pipeline wichtig ist, sollten Sie diese Lücke beobachten und keine Zahl voraussetzen.

Preise

Gemini Omni Flash kostet $0.10 pro Sekunde Videoausgabe. Das ist die eine harte Zahl, die Google veröffentlicht hat, und sie ist eindeutig: Ein 10-Sekunden-Clip kostet etwa einen Dollar, und Sie können die Kosten eines Batch-Jobs berechnen, ohne raten zu müssen.

Der Haken, den Entwickler sofort bemerkten, betrifft die Bedeutung dieses Preises während der Bearbeitung. Wie ein Kommentator auf der Product-Hunt-Seite des Modells schrieb: Wenn Sie einen 20-Sekunden-Clip generieren und anschließend sagen „Mach die zweite Aufnahme langsamer“, wird dann in jeder Runde der gesamte Clip erneut berechnet oder mit dem vorherigen Render verglichen? Google hat dies öffentlich noch nicht klargestellt, und bei einem Gesprächsmodell können genau hier die Kosten unbemerkt in die Höhe schnellen. Meine Einschätzung: Kalkulieren Sie so, als wäre jede Bearbeitungsrunde ein neuer Render-Vorgang, bis Google etwas anderes dokumentiert.

Zum Vergleich: Die 0,10 $/Sekunde entsprechen Berichten zufolge Veo 3.1 Fast — ein Vergleich, den Googles eigenes Team gezogen hat, den ich jedoch eher als berichteten Wert denn als veröffentlichten direkten Vergleich einordnen würde.

So verwenden Sie es: ein echter Bild-zu-Video-Aufruf über GPT Proto

Wir fügen Gemini Omni Flash zu GPT Proto hinzu, damit Sie es mit demselben Schlüssel und derselben Abrechnung aufrufen können, die Sie bereits für den restlichen Katalog verwenden — der Zugriff wird derzeit schrittweise freigeschaltet. GPT Proto folgt Googles Vertex-ähnlichem Anfrageformat, sodass eine Bild-zu-Video-Generierung aus einem einzelnen POST besteht. Anschließend fragen Sie die zurückgegebene Operation ab und laden das Ergebnis herunter. Hier ist der vollständige Python-Ablauf (ersetzen Sie den Schlüssel durch Ihren eigenen aus dem GPT Proto-Dashboard):

import requests, json, base64, time

BASE = "https://gptproto.com/v1beta/models/gemini-omni-flash-preview:predictLongRunning"
HEADERS = {"x-goog-api-key": "GPTPROTO_API_KEY", "Content-Type": "application/json"}

# 1) Ein Standbild in einen bewegten Clip umwandeln
with open("frame.png", "rb") as f:
    image_b64 = base64.b64encode(f.read()).decode()

payload = {
    "instances": [{
        "prompt": "Das Motiv dreht sich langsam zur Kamera, während warmes Sonnenuntergangslicht den Raum erfüllt.",
        "image": {"mimeType": "image/png", "bytesBase64Encoded": image_b64}
    }],
    "parameters": {"aspectRatio": "9:16"}
}
op = requests.post(BASE, headers=HEADERS, data=json.dumps(payload)).json()
operation_name = op["name"]        # z. B. models/gemini-omni-flash-preview/operations/abc123

# 2) Abfragen, bis der Render-Vorgang abgeschlossen ist
POLL = f"https://api.gptproto.com/v1beta/{operation_name}"
while True:
    result = requests.get(POLL, headers=HEADERS).json()
    if result.get("done"):
        break
    time.sleep(10)

# 3) Das fertige Video herunterladen
uri = result["response"]["generateVideoResponse"]["generatedSamples"][0]["video"]["uri"]
video = requests.get(uri, headers=HEADERS)
open("output.mp4", "wb").write(video.content)
print("output.mp4 gespeichert")

Oder derselbe erste Schritt mit cURL:

curl --location 'https://gptproto.com/v1beta/models/gemini-omni-flash-preview:predictLongRunning' \
  --header 'x-goog-api-key: GPTPROTO_API_KEY' \
  --header 'Content-Type: application/json' \
  --data '{
    "instances": [{
      "prompt": "Das Motiv dreht sich langsam zur Kamera, während warmes Sonnenuntergangslicht den Raum erfüllt.",
      "image": {"mimeType": "image/png", "bytesBase64Encoded": "BASE64_ENCODED_IMAGE"}
    }],
    "parameters": {"aspectRatio": "9:16"}
  }'

Einige praktische Hinweise aus der Dokumentation: Die Videogenerierung ist eine lang laufende Operation, daher ist der Abfrageschritt nicht optional; generierte Dateien werden einige Tage aufbewahrt, laden Sie sie also zeitnah herunter; und Fehler folgen den Standard-HTTP-Codes — 401 bei einem ungültigen Schlüssel, 403 bei unzureichendem Guthaben oder fehlenden Berechtigungen und 429 bei Ratenbegrenzungen.

Eine kurze Prompt-Anleitung

Omni Flash bietet bewusst nur wenige Stellschrauben — die API unterstützt keine negativen Prompts, keine Temperatur, kein Top-p und keine Systemanweisungen. Das verändert die Art, wie Sie das Modell steuern:

Legen Sie die Steuerung in den Prompt, nicht in die Parameter. Beschreiben Sie Bewegung und Physik ausdrücklich („Marmor rollt schnell, kontinuierliche, fließende Aufnahme“), statt sich auf Einstellungen zu verlassen. Packen Sie nicht jede Anforderung in einen einzigen Mega-Prompt — generieren Sie zunächst einen soliden Basisclip und nehmen Sie anschließend im Gespräch gezielte Änderungen vor; genau für diesen Ablauf wurde das Modell entwickelt. Für die Kontinuität von Figuren sollten Sie ein Referenzbild anstelle einer Beschreibung des Gesichts in Worten verwenden. Und halten Sie Ihre Erwartungen realistisch: Googles eigene Karte räumt ein, dass komplexe Bewegungen, vollkommen korrekter Text und vollständige Konsistenz über Bearbeitungen hinweg weiterhin Schwachstellen sind. Prompts, die gleichzeitig auf allen drei Punkten beruhen, werden daher am ehesten enttäuschen.

Die ehrliche Einschätzung: Wo es überzeugt und wo es wackelt

Die wirklich neue Funktion ist hier die dialogbasierte Bearbeitungsschleife. Durch Gespräche mit einem Clip zu iterieren ist deutlich schneller als neue Prompts zu schreiben, und es ist eine Oberfläche, die Veo und Sora nicht anbieten. Das ist der Grund, zu Omni Flash zu greifen.

Die frühen Reaktionen waren jedoch abwägend und nicht von Hype geprägt, und es lohnt sich, sie ehrlich wiederzugeben. Das wiederkehrende Urteil der Community lautet, dass Omni Flash ein starker Editor und ein lediglich akzeptabler reiner Generator ist — mehrere Tester aus der Praxis sagten, dass es beim Umformen eines bereits guten Clips glänzt, bei der Erstellung des Originals von Grund auf jedoch weniger überzeugend ist. Als Schwachstellen wurden Physik, Bewegung und zeitliche Konsistenz genannt. Das deckt sich mit Googles eigenen Eingeständnissen. Zudem gibt es härtere Grenzen: In der API werden Videoreferenzen von bis zu drei Sekunden zwar „vom Schema akzeptiert“, aber „nicht korrekt verarbeitet“, die Referenzierung mehrerer Videos wird nicht unterstützt und die Bearbeitung von Audio und Sprache wurde beim Start bewusst zurückgehalten — Google verweist auf das Deepfake-Risiko. Dies ist also eine Veröffentlichung nach dem Motto „mit Vorsicht prototypisch einsetzen“, nicht „ungeprüft in die Produktion integrieren“.

Die Resonanz auf Unternehmensseite war wärmer: Beim Start wurden frühe Produktionsanwender genannt (unter den berichteten Namen waren Figma und WPP), was darauf hindeutet, dass die Kosten pro Sekunde bereits die Anforderungen echter kreativer Workflows erfüllen. Ich würde dies als Signal für die Preisgestaltung werten, nicht für die Ausgabequalität.

Gemini Omni Flash vs. Veo 3.1: Was sollten Sie verwenden?

Das ist die Frage, nach der die meisten Suchanfragen tatsächlich suchen, und der Konsens – auch bei Google – lautet, dass die beiden Modelle sich ergänzen und kein Ersatz füreinander sind. Veo wurde nur innerhalb der Gemini-App durch Omni ersetzt; Entwickler rufen Veo 3.1 für Arbeiten mit hoher Wiedergabetreue weiterhin direkt über die API auf.

Die praktische Faustregel: Wählen Sie Veo 3.1 , wenn Auflösung und ein sauberer, filmischer Output am wichtigsten sind; wählen Sie Omni Flash, wenn das Ändern, Verfeinern und Remixen eines Clips im Gespräch wichtiger ist. In vielen realen Pipelines lautet die Antwort: beide — generieren Sie die Basis mit dem schärferen Generator und übergeben Sie sie anschließend für die Bearbeitungsschleife an Omni Flash.

Für wen es gedacht ist – und wer warten sollte

Greifen Sie zu Omni Flash, wenn Ihre Arbeit stark bearbeitungsorientiert ist: VFX-ähnliche Anpassungen, avatar- und referenzbasierte Transformationen oder alles, bei dem Sie einen Clip mehrmals überarbeiten werden. Warten Sie, wenn Sie heute garantiert hohe Auflösung, einzelne Clips von mehr als etwa 10 Sekunden, zuverlässige Videoreferenz-Eingaben oder Audio-/Sprachbearbeitung benötigen — diese Funktionen sind entweder nicht spezifiziert, begrenzt oder zum Start deaktiviert.

Bereit, damit zu arbeiten? Holen Sie sich einen Schlüssel und durchsuchen Sie den aktuellen Katalog auf GPT Proto — der Zugriff auf Gemini Omni Flash wird derzeit schrittweise freigeschaltet.