Memperkenalkan Gemini Omni Flash: Model Video Baru Google yang Bisa Anda Edit dengan Berbicara

Apa itu Gemini Omni Flash?

Singkatnya: Gemini Omni Flash menerima teks, gambar, audio, dan video sebagai input, lalu menghasilkan video beresolusi tinggi dengan audio tersinkronisasi sebagai output — dan memungkinkan Anda mengedit video tersebut melalui percakapan bolak-balik.

Klausa terakhir itu adalah inti penawarannya, jadi perlu dibedakan dari cuplikan demo. Model seperti Veo atau Sora dirancang untuk menghasilkan satu klip yang kuat dari satu prompt. Omni Flash dirancang dengan asumsi bahwa klip pertama Anda adalah draf. Google menjelaskan bahwa model ini "bernalar tentang apa yang seharusnya terjadi selanjutnya", bukan hanya menggambar piksel — model ini memanfaatkan pengetahuan Gemini tentang dunia dan "pemahaman intuitif tentang gaya seperti gravitasi, energi kinetik, dan dinamika fluida" untuk menentukan kelanjutan sebuah adegan. Anggap itu sebagai klaim Google, bukan temuan independen: kartu model mencantumkan tolok ukur sebagai forthcoming, jadi belum ada yang menilai kemampuan penalarannya.

Mengapa fitur ini ada, sebelum membahas cara kerjanya

Masalah yang ingin diatasi Omni Flash bukanlah "membuat video yang lebih bagus". Masalahnya adalah biaya penyuntingan. Pada generator sekali jadi, setiap perubahan berarti render baru — jika 90% klip sudah sesuai, lalu Anda meminta satu gestur yang berbeda, Anda harus membuat ulang semuanya dan berharap 90% yang sudah bagus tetap sama. Proses ini lambat, mahal, dan hasilnya tidak deterministik.

Solusi Omni Flash adalah alur multi-putaran yang mempertahankan status. Anda membuat, memeriksa, lalu meminta "ubah latar belakang menjadi suasana matahari terbenam" atau "buat dia berbalik" — dan model meneruskan adegan sebelumnya alih-alih membangunnya ulang. Google menyediakan fitur ini bagi pengembang melalui previous_interaction_id yang diteruskan di setiap putaran, sehingga rangkaian edit saling terhubung. Di aplikasi Gemini, antarmuka percakapan ini adalah fitur yang tidak tersedia di Veo maupun Sora.

Satu hal yang perlu diingat: Omni Flash bukan sekadar "generator yang lebih baik", melainkan lebih seperti "lapisan penyuntingan" — fitur ini mulai menarik setelah ada klip dasar.

Kemampuannya (berdasarkan angka yang benar-benar tersedia untuk publik)

Berikut hal-hal yang telah dikonfirmasi dalam kartu model dan dokumentasi API Google, dengan fokus pada detail yang penting:

• Input: teks, gambar, audio, dan video. Saat peluncuran, input audio terbatas pada referensi suara; dukungan untuk jenis audio lainnya direncanakan.
• Output: video beresolusi tinggi dengan audio bawaan yang tersinkronisasi dan dibuat dalam proses yang sama — bukan ditambahkan belakangan.
• Durasi klip: sekitar 10 seconds saat peluncuran. Google menjelaskan batas ini sebagai pilihan penerapan, bukan batas keras model, dan menyebutkan bahwa durasi yang lebih panjang akan tersedia — jadi anggap 10 detik sebagai batas "saat ini", bukan "selamanya".
• Rasio aspek: 9:16 dan 16:9 (default 16:9).
• Konsistensi: model ini dirancang untuk mempertahankan identitas karakter, objek, dan gaya di seluruh transisi dan edit, serta menyelaraskan teks dan grafis di layar dengan gerakan.
• Asal-usul konten: setiap klip dilengkapi tanda air SynthID yang tidak terlihat, dengan kredensial konten C2PA yang aktif secara default. Tidak ada opsi untuk menonaktifkannya.

Resolusi adalah satu-satunya spesifikasi yang tidak dijelaskan secara gamblang oleh Google — kartu model hanya menyebut "resolusi tinggi" tanpa angka piksel, dan dukungan resolusi yang lebih tinggi melalui API enterprise tercantum sebagai "segera tersedia". Jika resolusi yang tepat penting bagi alur kerja Anda, ini adalah hal yang perlu dipantau, bukan angka yang bisa diasumsikan.

Harga

Harga Gemini Omni Flash adalah $0.10 per second of video output. Itulah satu-satunya angka pasti yang diumumkan Google, dan perhitungannya sederhana: klip 10 detik berharga sekitar satu dolar, sehingga Anda dapat menghitung biaya pekerjaan batch tanpa menebak-nebak.

Hal yang langsung disadari para developer adalah arti tarif tersebut saat melakukan penyuntingan. Seperti yang ditulis salah satu komentator di halaman Product Hunt model ini, jika Anda membuat klip berdurasi 20 detik lalu berkata, "perlambat adegan kedua", apakah Anda dikenai biaya lagi untuk seluruh klip setiap kali, ataukah sistem hanya membandingkannya dengan hasil render sebelumnya? Google belum menjelaskan hal ini secara terbuka, dan pada model percakapan, biaya bisa membengkak diam-diam tepat di bagian ini. Menurut saya, anggarkan biaya seolah-olah setiap giliran penyuntingan adalah render baru sampai Google menyatakan sebaliknya.

Sebagai gambaran, tarif $0.10/detik itu kabarnya sama dengan Veo 3.1 Fast — perbandingan yang pernah dibuat oleh tim Google sendiri, meski saya akan menganggapnya sebagai laporan, bukan perbandingan langsung yang dipublikasikan.

Cara menggunakannya: panggilan image-to-video sungguhan melalui GPT Proto

Kami menambahkan Gemini Omni Flash ke GPT Proto agar Anda dapat mengaksesnya dengan kunci dan penagihan yang sama seperti yang sudah Anda gunakan untuk katalog lainnya — aksesnya mulai tersedia sekarang. GPT Proto menggunakan format permintaan bergaya Vertex milik Google, jadi pembuatan image-to-video dilakukan dengan satu POST, lalu Anda melakukan polling pada operasi yang dikembalikan dan mengunduh hasilnya. Berikut alur Python lengkapnya (ganti dengan kunci Anda sendiri dari dasbor GPT Proto):

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) Turn a still image into a moving clip
with open("frame.png", "rb") as f:
    image_b64 = base64.b64encode(f.read()).decode()

payload = {
    "instances": [{
        "prompt": "The subject slowly turns to face the camera as warm sunset light fills the room.",
        "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"]        # e.g. models/gemini-omni-flash-preview/operations/abc123

# 2) Poll until the render is done
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) Download the finished video
uri = result["response"]["generateVideoResponse"]["generatedSamples"][0]["video"]["uri"]
video = requests.get(uri, headers=HEADERS)
open("output.mp4", "wb").write(video.content)
print("Saved output.mp4")

Atau gunakan cURL untuk langkah pertama yang sama:

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": "The subject slowly turns to face the camera as warm sunset light fills the room.",
      "image": {"mimeType": "image/png", "bytesBase64Encoded": "BASE64_ENCODED_IMAGE"}
    }],
    "parameters": {"aspectRatio": "9:16"}
  }'

Beberapa catatan praktis dari dokumentasi: pembuatan video adalah operasi yang berjalan lama, jadi langkah polling wajib dilakukan; file yang dihasilkan disimpan selama beberapa hari, jadi segera unduh; dan kesalahan mengikuti kode HTTP standar — 401 untuk kunci yang tidak valid, 403 untuk saldo atau izin yang tidak mencukupi, 429 untuk batas laju permintaan.

Panduan singkat untuk prompt

Omni Flash sengaja menyediakan sedikit opsi — API ini tidak mendukung prompt negatif, temperature, top-p, atau instruksi sistem. Hal ini mengubah cara Anda mengarahkannya:

Tempatkan kendali dalam prompt, bukan pada parameter. Jelaskan gerakan dan fisika secara eksplisit ("kelereng menggelinding cepat, pengambilan gambar mulus tanpa jeda") alih-alih bergantung pada pengaturan. Jangan menjejalkan semua persyaratan ke dalam satu prompt raksasa — buat dulu klip dasar yang solid, lalu lakukan perubahan terarah lewat percakapan. Memang begitulah alur kerja yang dirancang untuk model ini. Untuk menjaga kesinambungan karakter, berikan gambar referensi alih-alih mendeskripsikan wajah dengan kata-kata. Dan sesuaikan ekspektasi: kartu informasi Google sendiri mengakui bahwa gerakan kompleks, teks yang benar-benar akurat, dan konsistensi penuh di antara editan masih menjadi kelemahan. Jadi, prompt yang mengandalkan ketiganya sekaligus kemungkinan besar akan mengecewakan.

Ulasan jujur: keunggulan dan kelemahannya

Hal yang benar-benar baru di sini adalah proses penyuntingan percakapan. Mengedit klip dengan mengobrol jauh lebih cepat daripada membuat prompt baru, dan Veo maupun Sora belum menawarkan fitur seperti ini. Itulah alasan untuk memilihnya.

Namun, tanggapan awal sejauh ini terukur, bukan berlebihan, dan penting untuk menyampaikannya dengan jujur. Kesimpulan yang berulang dari komunitas adalah bahwa Omni Flash merupakan editor yang andal, tetapi hanya generator murni yang cukup baik — beberapa penguji langsung mengatakan bahwa model ini unggul saat membentuk ulang klip yang sudah bagus, tetapi kurang meyakinkan saat membuat klip dari nol. Fisika, gerakan, dan konsistensi temporal disebut sebagai titik lemahnya. Hal itu sejalan dengan pengakuan Google sendiri. Ada pula batasan yang lebih ketat: di API, referensi video hingga tiga detik "diterima oleh skema, tetapi tidak diproses dengan benar", referensi ke beberapa video tidak didukung, dan penyuntingan audio/ucapan sengaja belum disediakan saat peluncuran — Google menyebut risiko deepfake sebagai alasannya. Jadi, perlakukan ini sebagai rilis yang masih berupa prototipe, bukan sesuatu yang bisa langsung dipasang ke produksi tanpa pengujian.

Sambutan dari kalangan bisnis lebih hangat: saat peluncuran, Google menyoroti para pengguna awal di lingkungan produksi (nama yang dilaporkan mencakup Figma dan WPP). Ini menunjukkan bahwa hitungan biaya per detiknya sudah memenuhi kebutuhan alur kerja kreatif sungguhan. Saya akan menganggapnya sebagai sinyal soal harga, bukan kualitas hasil.

Gemini Omni Flash vs Veo 3.1: mana yang sebaiknya Anda gunakan?

Inilah pertanyaan yang sebenarnya ingin dijawab oleh sebagian besar pencarian, dan kesimpulannya — termasuk dari Google — adalah bahwa keduanya saling melengkapi, bukan saling menggantikan. Veo hanya digantikan oleh Omni di dalam aplikasi Gemini; para pengembang masih menggunakan Veo 3.1 secara langsung melalui API untuk pekerjaan yang membutuhkan fidelitas tinggi.

Aturan praktisnya: pilih Veo 3.1 jika resolusi dan hasil sinematik yang bersih menjadi prioritas utama; pilih Omni Flash jika mengubah, menyempurnakan, dan meremiks klip lewat percakapan lebih penting. Dalam banyak alur kerja nyata, jawabannya adalah keduanya — buat versi dasar dengan generator yang lebih tajam, lalu serahkan ke Omni Flash untuk proses penyuntingan.

Untuk siapa fitur ini cocok — dan siapa yang sebaiknya menunggu

Pilih Omni Flash jika pekerjaan Anda banyak melibatkan penyuntingan: penyesuaian bergaya VFX, transformasi avatar dan berbasis referensi, atau apa pun yang mengharuskan Anda mengiterasi klip beberapa kali. Tunggulah jika saat ini Anda membutuhkan resolusi tinggi yang terjamin, klip tunggal yang lebih panjang dari ~10 detik, input referensi video yang andal, atau penyuntingan audio/suara — semua itu belum ditentukan spesifikasinya, dibatasi, atau dinonaktifkan saat peluncuran.

Siap mulai menggunakannya? Dapatkan kunci dan jelajahi katalog langsung di GPT Proto — akses Gemini Omni Flash kini mulai diluncurkan.