Gemini Omni Flash: o Modelo de Vídeo do Google Que Você Edita Conversando
O modelo any-to-any do Google que gera vídeos em 720p com áudio sincronizado — e permite editá-los conversando entre turnos.
Gemini Omni Flash: o Modelo de Vídeo do Google que Você Edita Conversando com Ele
Gemini Omni Flash é o primeiro modelo de geração de vídeo multimodal any-to-any do Google DeepMind — não é uma interface de voz, não é uma atualização de chatbot, e definitivamente não é a mesma coisa que a arquitetura "omni" da OpenAI. Antes de irmos adiante, vamos esclarecer essa confusão, porque ela molda tudo sobre como você deve pensar sobre esse modelo.
Quando a OpenAI lançou o GPT-4o, eles o chamaram de "omni" para sinalizar entrada de voz e visão em tempo real em um único modelo. O uso de "Omni" pelo Google significa algo estruturalmente diferente: descreve uma nova família de modelos projetada para aceitar qualquer modalidade de entrada (texto, imagens, áudio, vídeo) e gerar qualquer modalidade de saída em uma única passagem — começando com vídeo, com saídas de geração de imagem e áudio chegando mais adiante no roadmap. O Omni do Google é uma arquitetura generativa. O "omni" da OpenAI era uma história de percepção. Não são o mesmo conceito.
Esse enquadramento importa porque o verdadeiro superpoder do Gemini Omni Flash não é a interação por voz — é a edição de vídeo conversacional e stateful ao longo de múltiplos turnos. Você pode gerar um clipe, dizer para ele mudar a iluminação, pedir para estender a cena, trocar a roupa de um personagem e ajustar o ângulo de câmera — tudo em uma sessão contínua em que o modelo lembra o que construiu. Essa capacidade, somada à geração de áudio sincronizado integrada e ao AI Avatar, torna-o algo genuinamente novo no cenário de geração de vídeo.
O Que "Omni" Realmente Significa no Google
O Google DeepMind anunciou a família Omni no Google I/O em 19 de maio de 2026, com disponibilidade geral para desenvolvedores/API lançada em 30 de junho de 2026. A arquitetura Omni é construída sobre o princípio de que um único modelo deve processar todas as modalidades nativamente — não por meio de modelos especialistas encadeados com adaptadores acoplados, mas em um espaço de representação unificado.
No lançamento, o lado do "qualquer saída" dessa equação começa especificamente com vídeo. O modelo gera clipes em MP4 a 720p, 24fps, nas proporções 16:9, 9:16 ou 1:1, com duração entre 4 e 10 segundos — com áudio sincronizado gerado na mesma passagem. A saída de imagem e a saída de áudio independente estão no roadmap, mas não estão disponíveis ainda.
"Flash" é o nível de velocidade e custo, consistente com a nomenclatura do Google em toda a família Gemini. Um Gemini Omni Pro está planejado, que presumivelmente avançará para território de resolução mais alta e duração mais longa. Por enquanto, o Omni Flash está disponível via API do Gemini (string do modelo em preview público: gemini-omni-flash-preview), Google AI Studio, Flow, YouTube, o app Gemini e — para profissionais que querem executá-lo junto com mais de 150 outros modelos de mídia sem mexer no Google Cloud IAM — Happycapy.
Modalidades de Entrada: O Que Funciona Agora, O Que Não Funciona
A documentação oficial descreve um esquema de entrada rico, e vale a pena ser preciso aqui porque algumas entradas são aceitas pela API mas não funcionais no lançamento:
Funcionando no lançamento:
- Prompts de texto (suporte completo)
- Imagens — até 7 imagens de referência para consistência de personagem/produto ou transferência de estilo
- Áudio como referência de voz para AI Avatars (replicação de rosto/voz)
Aceito pelo esquema, NÃO funcionando no lançamento:
- Referências de vídeo como entrada
- Entrada de áudio genérica (casos de uso fora de Avatar)
Essa é uma ressalva importante. "Edição de vídeo-para-vídeo por referência" soa como um caso de uso central, e o esquema tecnicamente o aceita — mas se você enviar uma referência de vídeo esperando que o modelo o reestilize ou estenda, terá resultados imprevisíveis. O caminho confiável hoje é: usar imagens de referência para consistência visual, usar texto para direção de cena e usar o fluxo de edição multi-turno para iteração. A entrada de vídeo é uma limitação conhecida que presumivelmente será resolvida à medida que o Omni amadurecer.
O Recurso Definidor: Edição Conversacional Multi-Turno
Todo outro modelo de geração de vídeo — Veo 3.1, Seedance 2.0, Sora 2 (antes de sua descontinuação para consumidores), Runway, Kling — opera em um modelo de prompt-por-clipe. Você escreve um prompt, recebe um clipe. Não gostou, escreve um novo prompt, recebe um novo clipe. A iteração é uma série de eventos de geração desconectados.
O Gemini Omni Flash quebra esse modelo. Usando o parâmetro previous_interaction_id na API do Gemini, ele mantém contexto stateful entre turnos. Você gera um clipe, o modelo o mantém em memória, e as instruções seguintes o modificam — não do zero, mas como edições sobre o resultado existente.
Na prática, um fluxo de trabalho se parece com:
- "Gere um clipe de 6 segundos de uma mulher em um café lendo uma carta, luz quente da manhã, profundidade de campo rasa."
- "Mude o café para um terraço na cobertura com o horizonte da cidade."
- "Agora afaste um pouco a câmera e adicione ruído ambiente de rua."
- "A jaqueta da mulher deve ser azul-marinho escuro, não cinza."
Cada turno preserva o que veio antes e aplica o delta. Isso é, funcionalmente, o que trabalhar com um editor de vídeo humano parece — exceto que cada ida e volta custa aproximadamente $0,10-$1,00 dependendo da duração do clipe, e responde em segundos.
A ressalva honesta: a deriva (drift) começa por volta do turno 4-5. O modelo mantém coerência de forma confiável por aproximadamente quatro turnos de edição; a partir do quinto turno, a consistência de personagem, a continuidade de iluminação e as relações espaciais começam a se degradar. Para sequências complexas, o padrão que emergiu entre profissionais é: gerar uma base de alta fidelidade no Seedance 2.0 ou Veo 3.1, e então trazê-la para uma sessão de edição do Omni Flash para refinamento — tratando o Omni Flash como uma ferramenta de acabamento de precisão em vez do motor generativo principal. Voltaremos a isso.
Diagrama: Como funciona a edição multi-turno stateful no Gemini Omni Flash. Cada turno emite uma instrução; o modelo encadeia o contexto por meio do previous_interaction_id para aplicar edições direcionadas sem regenerar do zero.
Áudio: O Outro Diferencial Que a Maioria das Pessoas Está Ignorando
Todo vídeo gerado pelo Gemini Omni Flash inclui áudio sincronizado, renderizado na mesma passagem de inferência. Isso não é uma etapa de pós-processamento nem um modelo de áudio separado costurado a um clipe silencioso — o modelo gera vídeo e som juntos, usando simulação de som modelada por física.
O que isso significa na prática: se o seu prompt descreve ondas quebrando na praia, você recebe sons de ondas. Uma cena de café gera conversas ambientes e ruído de máquina de café. Um personagem falando gera diálogo sincronizado labial. A sincronização é precisa — confortavelmente abaixo de um segundo — e para clipes com menos de seis a sete segundos, a qualidade se mantém. Além disso, a deriva de sincronização labial se torna perceptível, o que reforça a faixa ideal de 4-10 segundos na qual o modelo está atualmente otimizado.
Para criadores de conteúdo que vêm costurando vídeo + áudio de banco + pós-processamento em três ferramentas separadas, obter tudo isso em uma única chamada de geração é genuinamente valioso. Nem sempre é perfeito — mas é um ponto de partida forte que remove uma camada inteira de sobrecarga de produção.
AI Avatars: O Caso de Uso Surpresa
O Gemini Omni Flash inclui uma capacidade distinta chamada AI Avatars: dada uma imagem de referência de um rosto e uma amostra de voz (para clonagem de voz), ele gera um vídeo fotorrealista desse avatar falando. Este é o único caso de uso em que o áudio-como-entrada realmente funciona no lançamento — especificamente como referência de voz para o Avatar.
Para equipes de marketing, produtores de e-learning e comunicações com clientes em escala, o recurso de Avatar é imediatamente acionável. Gere um vídeo de porta-voz da marca, localize-o trocando o clone de voz + prompt de texto, execute novamente em trinta segundos. Adobe Firefly, Invideo e WPP estão entre os primeiros adotantes empresariais que citam especificamente os Avatars como uma integração primária de fluxo de trabalho.
Há barreiras importantes: a política de conteúdo bloqueia nomes reais e semelhanças de indivíduos não consentidos, simulações de envelhecimento, cenas de luta e qualquer coisa que possa razoavelmente constituir um deepfake de uma pessoa real. A edição de fala — modificar retroativamente o que alguém parece dizer — é totalmente vetada, como uma escolha deliberada de prevenção de deepfake. Toda saída carrega uma marca d'água SynthID não desativável (imperceptível para observadores humanos, legível por máquina), além de Credenciais de Conteúdo C2PA. Essa é uma pilha de proveniência mais abrangente do que qualquer outro modelo de vídeo atualmente disponível.
Benchmarks: O Que o Google Alega vs. O Que Foi Verificado de Forma Independente
As avaliações internas do Google com avaliadores humanos alegam que o Omni Flash ocupa o #1 em:
- Preferência de edição de vídeo e cumprimento de instruções
- Qualidade de texto-para-vídeo (MovieGenBench)
- Consistência de referência-para-vídeo
- Imagem-para-vídeo (empatado em #1, VBench I2V)
Esses são números convincentes, mas a leitura honesta é que todos são avaliações internas do Google. Nenhum benchmark independente cabeça a cabeça foi publicado até o momento desta redação. Notavelmente, o Omni Flash ainda não foi submetido ao Artificial Analysis Video Arena, onde o Seedance 2.0 atualmente lidera em movimento humano realista e física. Até que essa submissão aconteça e resultados de terceiros cheguem, os benchmarks devem ser tratados como indicativos, não definitivos.
O consenso entre os primeiros testadores profissionais se alinha com o que seria esperado: forte precisão semântica, boa sincronização de áudio, edição conversacional genuinamente nova — mas com fraquezas visíveis na física de movimento (sensação "flutuante", simulação de peso insuficiente), consistência facial se quebrando em giros de cabeça, falhas em texto não latino (hiragana e caracteres chineses de muitos traços foram especialmente instáveis em análises práticas) e o teto de quatro turnos de edição mencionado acima.
Gemini Omni Flash vs. a Concorrência
Aqui está uma comparação honesta entre os modelos que você provavelmente está avaliando junto com o Omni Flash:
| Gemini Omni Flash | Veo 3.1 | Seedance 2.0 | Sora 2 | |
|---|---|---|---|---|
| Resolução máxima | 720p | Até 4K | Até 1080p | N/A (descontinuado) |
| Edição multi-turno | Sim (stateful, ~4 turnos) | Não | Não | Não |
| Geração de áudio | Sim (na mesma passagem, modelado por física) | Sim | Não | Não |
| AI Avatars | Sim | Não | Não | Não |
| Custo aprox./segundo | ~$0,10 | ~$0,40–$0,75 | Variável | N/A (API descontinuada em set/2026) |
| Melhor para | Fluxo de trabalho/edição, Avatars, áudio | Qualidade cinematográfica, formato longo | Movimento humano realista, física | N/A |
| Fraquezas | Teto de 720p, física de movimento, deriva em 4 turnos | Sem edição stateful, mais caro | Sem edição conversacional, sem áudio | Descontinuado |
vs. Veo 3.1: O Veo é a escolha certa quando a qualidade cinematográfica é o entregável principal e você não planeja iterar conversacionalmente. Cineastas e produção comercial de alto padrão devem começar por ali. O Omni Flash vence quando você precisa de velocidade de iteração, áudio integrado ou a capacidade de Avatar — e quando 720p é aceitável para o caso de uso (o que, para YouTube Shorts, conteúdo social e demonstrações de produto, geralmente é).
vs. Seedance 2.0: O Seedance atualmente lidera em pontuações de leaderboard independentes para realismo de movimento humano. Se você está gerando cenas de pessoas se movendo — andando, dançando, movimento atlético — a simulação de física do Seedance ainda tem vantagem. O fluxo de trabalho emergente: gere seu clipe base no Seedance, depois refine-o conversacionalmente no Omni Flash. Você obtém a qualidade de movimento de um modelo especialista mais a flexibilidade de edição da interface multi-turno do Omni.
vs. Sora 2: Menos relevante agora. O app Sora para consumidores da OpenAI foi descontinuado em abril de 2026, e a API tem descontinuação programada para setembro de 2026. O Sora não é uma escolha viável a longo prazo.
Essa comparação também contextualiza o preço do Omni Flash. A aproximadamente $0,10 por segundo ($1,50/M tokens de entrada, $17,50/M tokens de saída de vídeo), um clipe de 10 segundos custa aproximadamente $1,00. Isso é 4-7x mais barato que o Veo 3.1. A edição multi-turno de fato significa executar múltiplas passagens de geração, então uma sessão de edição de quatro turnos em um clipe de 10 segundos pode custar $4,00 — ainda razoável para produção profissional, mas vale considerar nas estimativas de volume.
Onde o Omni Flash Realmente Se Encaixa em um Fluxo de Produção Real
O erro a evitar é tratar o Omni Flash como um substituto para todo modelo de vídeo que você usa. Não é a opção de maior fidelidade no lançamento, e não foi projetado para ser. A tese de design é: editar vídeo deveria parecer conversar com um colaborador, não abrir um novo chamado toda vez que você quer uma mudança.
Os fluxos de trabalho em que ele vence claramente, hoje:
1. Conteúdo social em volume. 720p é suficiente para TikTok, YouTube Shorts, Instagram Reels. O recurso de Avatar somado à edição conversacional significa que você pode produzir uma série de vídeos curtos localizados mais rápido do que qualquer outra pilha. Gerar → refinar conversando → publicar.
2. Vídeo de demonstração de produto. Imagens de referência de um produto + direção de texto + refinamento conversacional = um fluxo de trabalho atraente para equipes de e-commerce e SaaS. Sem necessidade de produção de áudio separada.
3. Prototipagem e storyboarding. O baixo custo e a iteração rápida tornam o Omni Flash ideal para visualizar conceitos antes de se comprometer com uma geração cara de alta resolução. Use-o como uma camada de pré-visualização.
4. Refinamento sobre saídas de modelos especialistas. Gere sua base de alta qualidade no Veo 3.1 ou Seedance 2.0. Importe-a como referência (quando a entrada de vídeo estiver disponível) ou descreva o que você tem, e então use a camada conversacional do Omni Flash para ajustar detalhes. Este é o padrão para o qual os primeiros adotantes empresariais estão convergindo.
Os fluxos de trabalho em que você deve recorrer a um especialista primeiro:
- Conteúdo cinematográfico em 4K → Veo 3.1
- Movimento humano realista / atletismo → Seedance 2.0
- Formato longo (>10s) com personagens consistentes → Veo 3.1 ou aguardar o Omni Pro
Executando o Gemini Omni Flash na Happycapy (Sem a Configuração do Google Cloud)
Colocar o Gemini Omni Flash em funcionamento via API do Gemini diretamente exige um projeto do Google Cloud, provisionamento de chave de API, entendimento da string do modelo em preview público e, tipicamente, alguma iteração sobre o esquema da API. Esse é um investimento razoável para uma equipe de engenharia construindo um fluxo de trabalho dedicado — mas é um atrito se você quer testar o modelo rapidamente ou executá-lo junto com outros geradores de vídeo para comparação.
O Happycapy hospeda o Gemini Omni Flash como um de mais de 150 modelos — incluindo Veo 3.1, Seedance 2.0, modelos de geração de imagem como Seedream 4.5, entre outros — em um sandbox em nuvem baseado em navegador. Nenhuma conta do Google Cloud é necessária. Nenhuma chave de API separada por provedor. Você pode executar uma geração no Gemini Omni Flash, compará-la com uma saída do Seedance 2.0 no mesmo prompt e construir um fluxo de trabalho multi-modelo que usa cada modelo onde ele é mais forte — tudo em uma única interface.
Para equipes explorando fluxos de trabalho de IA agêntica em torno da produção de vídeo, a capacidade de encadear chamadas de modelo — gerar no Seedance, refinar no Omni Flash, sintetizar um relatório ou legenda em um modelo de linguagem — sem costurar integrações de API separadas é uma economia de tempo significativa.
O Veredito Honesto
O Gemini Omni Flash não é o modelo de vídeo com a aparência mais nítida que você pode executar hoje. Se você está comparando qualidade de quadro bruta em resolução equivalente, o Seedance 2.0 vence em física de movimento, e o Veo 3.1 vence em acabamento cinematográfico. Essa é uma limitação real, e o teto de 720p, a deriva de edição em quatro turnos e as falhas de texto não latino são pontos de atrito genuínos para alguns fluxos de trabalho.
Mas essas comparações perdem o que o Omni Flash está realmente tentando fazer. O modelo está apostando que a fluência do fluxo de trabalho importa mais do que ganhos marginais de fidelidade — e essa aposta se sustenta mais vezes do que não em ambientes de produção reais. A capacidade de dizer "escureça o fundo", obter um resultado, dizer "agora deixe a correção de cor mais quente" e obter outro resultado — em uma sessão contínua, a $0,10/segundo — é uma relação fundamentalmente diferente com a geração de vídeo do que qualquer outra coisa atualmente disponível.
A família Omni é claramente uma jogada arquitetônica de vários anos no Google DeepMind. O Omni Pro está a caminho. A entrada de vídeo (atualmente aceita mas não funcional) será resolvida. A resolução vai escalar. O modelo de edição conversacional ganhará mais turnos antes da deriva. O que você está avaliando hoje é o primeiro modelo de uma família — um que já conquista seu lugar em uma pilha multi-modelo, mesmo que ainda não substitua os especialistas.
Para profissionais: execute-o em paralelo, não isoladamente. Use-o onde suas vantagens de fluxo de trabalho são reais, use especialistas onde a fidelidade é primordial. A pilha é Seedance 2.0 + Veo 3.1 para qualidade de geração, Omni Flash para refinamento conversacional e Avatars. Essa combinação é mais forte do que qualquer modelo isolado hoje.
Para um olhar mais aprofundado sobre como a arquitetura multimodal do Google se compara a modelos de geração de imagem como o GPT Image 2, ou para contexto sobre como são as integrações de servidor MCP em um pipeline de produção de vídeo, esses recursos valem a leitura.
Acesse o Gemini Omni Flash junto com a biblioteca completa de modelos — sem configuração do Google Cloud, sem chaves de API por provedor:
Perguntas Frequentes
O que é o Gemini Omni Flash?
O Gemini Omni Flash é o primeiro modelo da nova família "Omni" do Google DeepMind, projetado para aceitar qualquer modalidade de entrada (texto, imagens, áudio, vídeo) e gerar qualquer modalidade de saída em um único modelo. No lançamento, ele gera vídeo com áudio sincronizado. Seu recurso definidor é a edição conversacional multi-turno: você pode gerar um clipe de vídeo e depois refiná-lo ao longo de múltiplos turnos de instrução em linguagem natural, com o modelo mantendo contexto stateful entre cada edição. Ficou disponível via API do Gemini em 30 de junho de 2026.
Como o Gemini Omni Flash é diferente do "omni" do GPT-4o?
A nomenclatura é confusa, mas as arquiteturas são fundamentalmente diferentes. Quando a OpenAI chamou o GPT-4o de "omni", eles quiseram dizer que ele podia perceber múltiplas modalidades simultaneamente (voz + visão) como entrada. O "Omni" do Google se refere a uma arquitetura generativa: um único modelo que tanto percebe quanto gera entre modalidades. O Gemini Omni Flash não apenas processa entradas multimodais — ele gera saídas multimodais (vídeo e áudio juntos). A família Omni do Google é um sistema multimodal generativo; a marca "omni" da OpenAI era sobre entrada perceptual.
Gemini Omni Flash vs Veo 3 — qual é melhor?
Eles são otimizados para coisas diferentes. O Veo 3.1 produz saída de resolução mais alta e mais cinematográfica (até 4K contra os 720p do Omni Flash) e é a melhor escolha para produção de vídeo refinada e de alta fidelidade. O Gemini Omni Flash vence em fluxo de trabalho: é o único modelo de vídeo com edição multi-turno stateful, inclui geração de AI Avatar, produz áudio na mesma passagem de inferência e custa aproximadamente 4-7x menos por segundo do que o Veo 3.1. Para conteúdo social, demonstrações de produto e prototipagem iterativa, o Omni Flash é a melhor ferramenta. Para saída cinematográfica ou de qualidade de transmissão, o Veo 3.1 é a escolha certa.
O Gemini Omni Flash é gratuito?
Não via API. O preço da API é $1,50/M tokens de entrada e $17,50/M tokens de saída de vídeo — aproximadamente $0,10 por segundo de vídeo em 720p, ou cerca de $1,00 para um clipe de 10 segundos. Não há camada gratuita de API. No entanto, o Gemini Omni Flash está disponível sem custo para usuários elegíveis no YouTube Shorts e YouTube Create (18+), e por meio das assinaturas de consumidor Google AI Plus, Pro e Ultra. O acesso empresarial está disponível via Gemini Enterprise Agent Platform.
Qual resolução o Gemini Omni Flash gera?
720p no lançamento, a 24fps. As proporções suportadas são 16:9, 9:16 e 1:1. A duração do clipe é de 4 a 10 segundos. Resoluções mais altas (1080p e acima) estão no roadmap, provavelmente ligadas ao futuro nível Gemini Omni Pro, mas não estão disponíveis no lançamento.
Qual é o preço do Gemini Omni Flash?
Tokens de entrada: $1,50 por milhão. Tokens de saída de vídeo: $17,50 por milhão. Em termos práticos, isso equivale a aproximadamente $0,10 por segundo de vídeo em 720p gerado, ou cerca de $1,00 para um clipe completo de 10 segundos. Sessões de edição multi-turno envolvem múltiplas chamadas de geração, então uma sessão de refinamento de quatro turnos em um clipe de 10 segundos custaria aproximadamente $4,00. Os detalhes completos de preços estão publicados em ai.google.dev/gemini-api/docs/pricing.
Qual é a diferença entre Gemini Omni e Gemini Flash?
Gemini Flash é uma linha de modelos de linguagem rápidos e econômicos de texto e visão — o nível Flash dentro da família Gemini padrão. Gemini Omni é uma família de modelos separada e nova, construída sobre uma arquitetura diferente projetada para geração multimodal any-to-any, começando com saída de vídeo. "Gemini Omni Flash" combina a arquitetura Omni com o nível de velocidade/custo Flash, posicionando-o como o ponto de entrada acessível para a família Omni. Essas são linhas de modelo arquitetonicamente distintas, não o mesmo modelo em tamanhos diferentes. Um Gemini Omni Pro (maior fidelidade, provavelmente maior resolução) está no roadmap separadamente dos modelos de texto Gemini Flash.
Fontes
- Blog do Google: anúncio do Gemini Omni
- Google AI Developers: documentação da API do Gemini Omni
- Google DeepMind: página do modelo Gemini Omni
- Preços da API do Gemini
- Blog do Google: Gemini Omni Flash / Nano / Banana 2 Lite
Diagrama: A arquitetura do Gemini Omni Flash em uma visão geral — processamento de entrada unificado entre texto, imagens e referência de áudio, com saída de vídeo+áudio sincronizada a 720p, 24fps, nos formatos 16:9 / 9:16 / 1:1, de 4 a 10 segundos por clipe.
