Presentazione di Gemini Omni Flash: il nuovo modello video di Google che si modifica parlando

Che cos'è Gemini Omni Flash?

In una frase: Gemini Omni Flash accetta testo, immagini, audio e video come input e produce video ad alta risoluzione con audio sincronizzato come output — e consente di modificare quel video attraverso una conversazione a botta e risposta.

Quest'ultima parte è l'intera proposta, quindi vale la pena distinguerla dal video dimostrativo. Un modello come Veo o Sora è progettato per generare una singola clip di qualità a partire da un prompt. Omni Flash parte dal presupposto che la prima clip sia una bozza. Google spiega che il modello «ragiona su cosa dovrebbe accadere dopo», invece di limitarsi a dipingere pixel — fa leva sulla conoscenza del mondo di Gemini e su una «comprensione intuitiva di forze come la gravità, l'energia cinetica e la fluidodinamica» per decidere come dovrebbe proseguire una scena. Consideratele affermazioni di Google, non risultati verificati in modo indipendente: la scheda del modello indica che i benchmark sono in arrivo, quindi il ragionamento non è ancora stato valutato.

Perché esiste, prima di come funziona

Il problema a cui mira Omni Flash non è «generare un video più bello». È il costo dell'editing. Con un generatore che crea tutto in una sola volta, ogni modifica richiede una nuova generazione — porti al 90% una clip, chiedi di cambiare un gesto e devi rigenerare tutto, sperando che quel 90% riuscito resti intatto. È lento, costoso e non deterministico.

La risposta di Omni Flash è un ciclo multi-turno che mantiene lo stato. Generi, esamini e poi dici «trasforma lo sfondo in un tramonto» oppure «falla voltare» — e il modello porta avanti la scena precedente invece di ricostruirla. Google offre questa possibilità agli sviluppatori tramite un previous_interaction_id da passare a ogni turno, così le modifiche si concatenano. Nell'app Gemini, questa modalità conversazionale è ciò che Veo e Sora semplicemente non offrono.

Un concetto da tenere a mente: Omni Flash è meno un «generatore migliore» e più un «livello di editing» — diventa interessante quando esiste già una clip di base.

Cosa può fare (con i dati effettivamente disponibili al pubblico)

Ecco ciò che è confermato dalla scheda del modello e dalla documentazione API di Google, limitandoci ai dettagli più importanti:

• Input: testo, immagini, audio e video. Al lancio, l'input audio è limitato a riferimenti vocali; sono previsti altri tipi di audio.
• Output: video ad alta risoluzione con audio nativo e sincronizzato, generato nello stesso passaggio — non aggiunto in un secondo momento.
• Durata delle clip: circa 10 secondi al lancio. Google presenta il limite come una scelta di distribuzione, non come un vincolo intrinseco del modello, e afferma che arriveranno durate maggiori — quindi considera i 10 secondi un limite «attuale», non «per sempre».
• Proporzioni: 9:16 e 16:9 (16:9 come impostazione predefinita).
• Coerenza: il modello è progettato per mantenere coerenti identità di personaggi, oggetti e stile tra tagli e modifiche, e per sincronizzare testo e grafiche sullo schermo con il movimento.
• Provenienza: ogni clip include una filigrana impercettibile SynthID, con le credenziali dei contenuti C2PA attive per impostazione predefinita. Non è possibile disattivarle.

La risoluzione è l'unica specifica su cui Google è reticente — la scheda del modello si limita a dire «alta risoluzione», senza indicare il numero di pixel, e il supporto a risoluzioni superiori tramite l'API enterprise è indicato come «disponibile a breve». Se la risoluzione esatta è importante per il tuo flusso di lavoro, è un dato mancante da tenere d'occhio, non un numero da dare per scontato.

Prezzi

Gemini Omni Flash costa $0.10 per secondo di video generato. È l'unico dato preciso pubblicato da Google, ed è semplice da interpretare: una clip di 10 secondi costa circa un dollaro e puoi calcolare il costo di un'elaborazione in batch senza fare supposizioni.

Il problema che gli sviluppatori hanno notato subito è cosa comporta quella tariffa durante le modifiche. Come ha scritto un commentatore sulla pagina del modello su Product Hunt, se generi una clip di 20 secondi e poi dici "rallenta la seconda inquadratura", ti viene addebitato di nuovo l'intero video a ogni passaggio oppure il sistema confronta la modifica con il rendering precedente? Google non ha chiarito pubblicamente questo aspetto e, con un modello conversazionale, è proprio qui che i costi possono lievitare senza che te ne accorga. La mia conclusione: considera ogni passaggio di modifica come un nuovo rendering, finché Google non documenta il contrario.

Per fare un confronto, a quanto riportato, quei 0,10 $ al secondo corrispondono al prezzo di Veo 3.1 Fast: un paragone fatto anche dal team di Google, ma lo considererei un dato riportato, non un confronto diretto pubblicato.

Come usarlo: una vera chiamata da immagine a video tramite GPT Proto

Stiamo aggiungendo Gemini Omni Flash a GPT Proto, così potrai usarlo con la stessa chiave e lo stesso sistema di fatturazione che già utilizzi per il resto del catalogo: l'accesso è in fase di attivazione. GPT Proto segue il formato di richiesta in stile Vertex di Google, quindi la generazione da immagine a video si esegue con una singola POST, dopodiché puoi interrogare l'operazione restituita e scaricare il risultato. Ecco il flusso completo in Python (sostituisci la chiave con la tua, disponibile nella dashboard di 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")

Oppure, lo stesso primo passaggio con 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": "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"}
  }'

Alcune indicazioni pratiche tratte dalla documentazione: la generazione video è un'operazione di lunga durata, quindi il passaggio di interrogazione è indispensabile; i file generati vengono conservati per un paio di giorni, quindi scaricali tempestivamente; gli errori seguono i codici HTTP standard: 401 per una chiave non valida, 403 per saldo o autorizzazioni insufficienti e 429 per i limiti di frequenza.

Una guida rapida ai prompt

Omni Flash offre volutamente poche opzioni: l'API non supporta prompt negativi, temperature, top-p né istruzioni di sistema. Questo cambia il modo in cui puoi guidarlo:

Metti il controllo nel prompt, non nei parametri. Descrivi esplicitamente il movimento e la fisica ("una biglia rotola velocemente, ripresa fluida e continua") invece di affidarti alle impostazioni. Non stipare ogni requisito in un unico mega-prompt: genera prima una buona clip di base, poi apporta modifiche mirate in modo conversazionale, seguendo il flusso di lavoro per cui il modello è stato effettivamente progettato. Per mantenere la continuità dei personaggi, fornisci un'immagine di riferimento invece di descrivere un volto a parole. E tieni le aspettative sotto controllo: la stessa scheda di Google ammette che i movimenti complessi, il testo perfettamente accurato e la coerenza assoluta tra le modifiche sono ancora punti deboli; i prompt che si basano su tutti e tre questi aspetti contemporaneamente sono quindi quelli che più probabilmente deluderanno.

La recensione sincera: cosa funziona e cosa è ancora incerto

La vera novità è il ciclo di modifica conversazionale. Iterare dialogando con una clip è decisamente più veloce che riscrivere il prompt, ed è una possibilità che Veo e Sora non offrono. Ecco perché vale la pena provarlo.

Ma le prime reazioni sono state misurate, non entusiastiche, ed è giusto riportarle con sincerità. Il giudizio ricorrente della community è che Omni Flash sia un ottimo strumento di editing e un generatore autonomo appena sufficiente: diversi tester che lo hanno provato hanno detto che dà il meglio di sé quando rielabora una clip già valida, ma convince meno quando deve creare il contenuto originale da zero; fisica, movimento e coerenza temporale sono stati indicati come punti deboli. È in linea con quanto ammesso da Google. Ci sono anche limiti più stringenti: nell'API, i riferimenti video fino a tre secondi sono «accettati dallo schema, ma non elaborati correttamente», il riferimento a più video non è supportato e la modifica di audio e parlato è stata deliberatamente esclusa al lancio: Google cita il rischio di deepfake. Quindi si tratta di un rilascio da provare come prototipo, non di qualcosa da integrare in produzione senza averlo testato.

L'accoglienza sul fronte aziendale è stata più calorosa: al lancio sono stati citati i primi clienti che lo hanno adottato in produzione (tra i nomi riportati figurano Figma e WPP), segno che il costo al secondo è già sostenibile per flussi di lavoro creativi reali. Lo considererei un indicatore dei prezzi, non della qualità dei risultati.

Gemini Omni Flash o Veo 3.1: quale dovresti usare?

È la domanda che la maggior parte delle persone cerca davvero di risolvere, e il consenso, anche da parte di Google, è che i due modelli siano complementari, non sostitutivi. Veo è stato sostituito da Omni solo nell'app Gemini; gli sviluppatori continuano a usare direttamente Veo 3.1 tramite API per i lavori ad alta fedeltà.

La regola pratica: scegli Veo 3.1 quando la risoluzione e un risultato cinematografico pulito sono la priorità; scegli Omni Flash quando è più importante modificare, perfezionare e remixare una clip conversando. In molti flussi di lavoro reali, la risposta è entrambe le cose — genera la base con il generatore più nitido, poi affidala a Omni Flash per il ciclo di editing.

A chi è rivolto — e chi dovrebbe aspettare

Scegli Omni Flash se il tuo lavoro prevede molte modifiche: ritocchi in stile VFX, trasformazioni di avatar e basate su riferimenti o qualsiasi attività in cui itererai più volte sulla stessa clip. Aspetta se oggi hai bisogno di una risoluzione elevata garantita, di clip singole più lunghe di circa 10 secondi, di input video di riferimento affidabili o di qualsiasi modifica audio/voce: al lancio, queste funzionalità non sono specificate, sono limitate o sono disattivate.

Pronto a creare con questo strumento? Richiedi una chiave e consulta il catalogo aggiornato su GPT Proto — l'accesso a Gemini Omni Flash è in fase di distribuzione.