Apresentamos o Gemini Omni Flash: o novo modelo de vídeo do Google que você edita conversando

O que é o Gemini Omni Flash?

Em uma frase: o Gemini Omni Flash recebe texto, imagens, áudio e vídeo como entrada e produz vídeo de alta resolução com áudio sincronizado como saída — além de permitir editar esse vídeo por meio de uma conversa de ida e volta.

Essa última parte é toda a proposta, portanto vale separá-la do material de demonstração. Um modelo como o Veo ou o Sora é desenvolvido para renderizar um clipe forte a partir de um prompt. O Omni Flash parte do pressuposto de que seu primeiro clipe é um rascunho. A forma como o Google apresenta o modelo é que ele "raciocina sobre o que deve acontecer em seguida", em vez de apenas pintar pixels — ele se apoia no conhecimento de mundo do Gemini e em uma "compreensão intuitiva de forças como gravidade, energia cinética e dinâmica de fluidos" para decidir como uma cena deve continuar. Considere isso como alegações do Google, não como conclusões independentes: o cartão do modelo lista os benchmarks como a serem divulgados, portanto ninguém ainda avaliou esse raciocínio.

Por que ele existe, antes de explicar como funciona

O problema que o Omni Flash pretende resolver não é "gerar um vídeo mais bonito". É o custo da edição. Em um gerador de tentativa única, toda alteração exige uma nova renderização — você acerta 90% de um clipe, pede um gesto diferente e renderiza tudo novamente, torcendo para que os bons 90% permaneçam. Isso é lento, caro e não determinístico.

A resposta do Omni Flash é um ciclo com estado e várias etapas. Você gera, analisa e depois diz "transforme o fundo em um pôr do sol" ou "faça com que ela se vire" — e o modelo mantém a cena anterior em vez de reconstruí-la. O Google disponibiliza isso aos desenvolvedores com um previous_interaction_id que você encadeia a cada etapa, para que as edições formem uma sequência. Dentro do aplicativo Gemini, essa interface conversacional é justamente o recurso que Veo e Sora não oferecem.

Uma frase para guardar: o Omni Flash é menos um "gerador melhor" e mais uma "camada de edição" — ele se torna interessante quando já existe um clipe-base.

O que ele pode fazer (com os números que são realmente públicos)

Veja o que está confirmado no cartão do modelo e na documentação da API do Google, limitado aos detalhes que realmente importam:

• Entradas: texto, imagens, áudio e vídeo. Na versão inicial, a entrada de áudio é limitada a referências de voz; outros tipos de áudio estão planejados.
• Saída: vídeo de alta resolução com áudio nativo e sincronizado gerado na mesma etapa — não inserido posteriormente.
• Duração do clipe: aproximadamente 10 segundos no lançamento. O Google apresenta esse limite como uma escolha de implementação, e não como uma limitação rígida do modelo, e afirma que durações maiores estão a caminho — portanto, considere 10 s como "o limite de hoje", não como algo "para sempre".
• Proporções: 9:16 e 16:9 (16:9 por padrão).
• Consistência: o modelo foi projetado para manter a identidade de personagens, objetos e estilos entre cortes e edições, além de sincronizar textos e gráficos na tela com o movimento.
• Proveniência: todo clipe contém uma marca-d'água imperceptível SynthID, com credenciais de conteúdo C2PA ativadas por padrão. Não há opção de desativação.

A resolução é a única especificação sobre a qual o Google é evasivo — o cartão do modelo apenas diz "alta resolução", sem informar o número de pixels, e o suporte a resoluções maiores pela API empresarial aparece como "disponível em breve". Se a resolução exata for importante para seu fluxo de trabalho, essa é uma lacuna a acompanhar, não um número a presumir.

Preços

O Gemini Omni Flash custa $0,10 por segundo de vídeo gerado. Esse é o único número concreto publicado pelo Google, e ele é simples: um clipe de 10 segundos custa cerca de um dólar, permitindo calcular o custo de um lote sem precisar fazer estimativas.

A questão que os desenvolvedores perceberam imediatamente é o que essa tarifa significa durante a edição. Como comentou uma pessoa na página do modelo no Product Hunt, se você gerar um clipe de 20 segundos e depois disser "deixe a segunda tomada mais lenta", será cobrado novamente pelo clipe inteiro a cada etapa ou o sistema compara com a renderização anterior? O Google ainda não explicou isso publicamente e, em um modelo conversacional, é exatamente aí que os custos podem crescer silenciosamente. Minha interpretação: faça seu orçamento como se cada etapa de edição fosse uma nova renderização, até que o Google documente o contrário.

Para referência, os US$ 0,10/s aparentemente correspondem ao Veo 3.1 Fast — uma comparação feita pela própria equipe do Google, embora eu a considere uma informação relatada, não uma comparação lado a lado publicada.

Como usar: uma chamada real de imagem para vídeo via GPT Proto

Estamos adicionando o Gemini Omni Flash ao GPT Proto para que você possa chamá-lo com a mesma chave e cobrança que já usa para o restante do catálogo — o acesso está sendo liberado agora. O GPT Proto segue o formato de requisição no estilo Vertex do Google, portanto uma geração de imagem para vídeo é um único POST; depois, você consulta a operação retornada e baixa o resultado. Veja o fluxo completo em Python (substitua pela sua própria chave do painel do 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")

Ou a mesma primeira etapa em 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"}
  }'

Algumas observações práticas da documentação: a geração de vídeo é uma operação de longa duração, portanto a etapa de consulta não é opcional; os arquivos gerados são mantidos por alguns dias, então faça o download rapidamente; e os erros seguem os códigos HTTP padrão — 401 para uma chave inválida, 403 para saldo ou permissão insuficiente, e 429 para limites de frequência.

Um guia rápido de prompts

O Omni Flash oferece deliberadamente poucos controles — a API não é compatível com prompts negativos, temperatura, top-p ou instruções de sistema. Isso muda a maneira de orientá-lo:

Coloque o controle no prompt, não nos parâmetros. Descreva explicitamente o movimento e a física ("a bolinha de gude rola rapidamente, tomada contínua e suave"), em vez de depender das configurações. Não tente incluir todos os requisitos em um mega-prompt — primeiro gere um clipe-base sólido e depois faça alterações pontuais por meio da conversa, que é o fluxo para o qual o modelo foi realmente desenvolvido. Para manter a continuidade do personagem, forneça uma imagem de referência em vez de descrever um rosto com palavras. E mantenha as expectativas realistas: o próprio cartão do Google admite que movimentos complexos, textos perfeitamente precisos e consistência total entre edições ainda são pontos fracos; portanto, prompts que dependem dos três simultaneamente são os mais propensos a decepcionar.

A avaliação honesta: onde ele se destaca e onde oscila

A verdadeira novidade aqui é o ciclo de edição conversacional. Iterar conversando com um clipe é significativamente mais rápido do que refazer prompts, e é uma interface que Veo e Sora não oferecem. Esse é o motivo para escolhê-lo.

Mas as primeiras reações foram ponderadas, não exageradas, e vale a pena relatá-las com honestidade. O veredito recorrente da comunidade é que o Omni Flash é um editor forte e um gerador puro apenas aceitável — vários testadores práticos disseram que ele brilha ao remodelar um clipe que já é bom, mas convence menos ao criar o original do zero; física, movimento e consistência temporal foram apontados como pontos fracos. Isso é coerente com as próprias admissões do Google. Também há limitações mais severas: na API, referências de vídeo de até três segundos são "aceitas pelo esquema, mas não processadas corretamente", não há suporte para referências a vários vídeos, e a edição de áudio e fala foi deliberadamente deixada de fora no lançamento — o Google cita o risco de deepfakes. Portanto, trata-se de um lançamento para experimentar com um protótipo, não de algo para colocar em produção sem testes.

A recepção no lado empresarial foi mais calorosa: o lançamento mencionou os primeiros adotantes em produção (Figma e WPP entre os nomes divulgados), o que sugere que a matemática do preço por segundo já atende aos requisitos de fluxos criativos reais. Eu consideraria isso um sinal sobre o preço, não sobre a qualidade da saída.

Gemini Omni Flash vs. Veo 3.1: qual você deve usar?

Essa é a pergunta que a maioria das pesquisas realmente quer responder, e o consenso — inclusive do Google — é que eles são complementares, não substitutos. O Veo só foi substituído pelo Omni dentro do aplicativo Gemini; os desenvolvedores ainda chamam o Veo 3.1 diretamente pela API para trabalhos de alta fidelidade.

A regra prática: escolha o Veo 3.1 quando a resolução e uma saída cinematográfica limpa forem mais importantes; escolha o Omni Flash quando for mais importante alterar, refinar e remixar um clipe por meio de uma conversa. Em muitos fluxos reais, a resposta é usar os dois — gere a base com o gerador mais nítido e depois entregue-a ao Omni Flash para o ciclo de edição.

Para quem ele serve — e quem deve esperar

Escolha o Omni Flash se seu trabalho exigir muita edição: ajustes no estilo VFX, transformações baseadas em avatares e referências ou qualquer situação em que você vá iterar várias vezes sobre um clipe. Espere se precisar de alta resolução garantida hoje, clipes individuais com mais de ~10 segundos, entradas de referência de vídeo confiáveis ou qualquer edição de áudio/voz — esses recursos estão sem especificação, limitados ou desativados no lançamento.

Pronto para criar com ele? Obtenha uma chave e consulte o catálogo ativo no GPT Proto — o acesso ao Gemini Omni Flash está sendo liberado agora.