Gemini Omni Flash: o Modelo de Vídeo da Google Que Se Edita a Falar
O modelo any-to-any da Google que gera vídeo em 720p com áudio sincronizado — e permite editá-lo falando ao longo da conversa.
Gemini Omni Flash: O Modelo de Vídeo da Google Que Se Edita a Falar Com Ele
O Gemini Omni Flash é o primeiro modelo de geração de vídeo multimodal "any-to-any" da 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 avançarmos, vamos esclarecer esta confusão, porque isso molda tudo aquilo que deve pensar sobre este modelo.
Quando a OpenAI lançou o GPT-4o, chamaram-lhe "omni" para sinalizar entrada de voz + visão em tempo real num único modelo. O uso que a Google faz de "Omni" significa algo estruturalmente diferente: descreve uma nova família de modelos concebida para aceitar qualquer modalidade de entrada (texto, imagens, áudio, vídeo) e gerar qualquer modalidade de saída numa única passagem — começando pelo vídeo, com saídas de geração de imagem e áudio a chegarem mais tarde no roteiro. O Omni da Google é uma arquitetura generativa. O "omni" da OpenAI era uma história de perceção. Não são o mesmo conceito.
Este enquadramento é importante porque o verdadeiro superpoder do Gemini Omni Flash não é a interação por voz — é a edição de vídeo conversacional e com estado, ao longo de várias interações. Pode gerar um clipe, dizer-lhe para mudar a iluminação, pedir para prolongar a cena, trocar o traje de uma personagem e ajustar o ângulo de câmara — tudo numa sessão contínua onde o modelo se lembra do que construiu. Essa capacidade, aliada ao áudio sincronizado integrado e à geração de Avatares de IA, torna-o algo genuinamente novo no panorama da geração de vídeo.
O Que "Omni" Realmente Significa na Google
A Google DeepMind anunciou a família Omni na Google I/O, a 19 de maio de 2026, com o lançamento da disponibilidade geral para programadores/API a 30 de junho de 2026. A arquitetura Omni é construída sobre o princípio de que um único modelo deve processar todas as modalidades de forma nativa — não através de modelos especializados encadeados com adaptadores acoplados, mas num espaço de representação unificado.
No lançamento, o lado "qualquer saída" dessa equação começa especificamente pelo vídeo. O modelo produz clipes MP4 a 720p, 24fps, em 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 autónoma estão no roteiro, mas ainda não estão disponíveis.
"Flash" é o patamar de velocidade e custo, em consonância com a nomenclatura da Google em toda a família Gemini. Está planeado um Gemini Omni Pro, que presumivelmente avançará para territórios de resolução mais elevada e maior duração. Por agora, o Omni Flash está disponível através da Gemini API (identificador do modelo em pré-visualização pública: gemini-omni-flash-preview), do Google AI Studio, Flow, YouTube, da aplicação Gemini e — para quem quer executá-lo lado a lado com mais de 150 outros modelos de media sem tocar 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 aceites pela API mas não são funcionais no lançamento:
A funcionar no lançamento:
- Prompts de texto (suporte total)
- Imagens — até 7 imagens de referência para consistência de personagem/produto ou transferência de estilo
- Áudio como referência de voz para Avatares de IA (replicação de rosto/voz)
Aceite pelo esquema, MAS NÃO funcional no lançamento:
- Referências de vídeo como entrada
- Entrada de áudio genérica (casos de uso que não sejam Avatar)
Esta é uma ressalva importante. "Edição de vídeo a partir de vídeo de referência" soa como um caso de uso central, e o esquema aceita-o tecnicamente — mas se enviar uma referência de vídeo à espera que o modelo a reestilize ou prolongue, obterá resultados imprevisíveis. O caminho fiável 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 amadurece.
A Funcionalidade Definidora: Edição Conversacional Multi-Turno
Todos os outros modelos de geração de vídeo — Veo 3.1, Seedance 2.0, Sora 2 (antes da sua descontinuação para consumidores), Runway, Kling — operam num modelo de prompt-por-clipe. Escreve um prompt, obtém um clipe. Não gosta, escreve um novo prompt, obtém 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 Gemini API, mantém contexto com estado ao longo das interações. Gera um clipe, o modelo guarda-o em memória, e as instruções seguintes modificam-no — não do zero, mas como edições sobre o resultado existente.
Na prática, um fluxo de trabalho tem este aspeto:
- "Gera um clipe de 6 segundos de uma mulher num café a ler uma carta, luz quente da manhã, profundidade de campo reduzida."
- "Muda o café para um terraço de cobertura com o horizonte da cidade."
- "Agora afasta um pouco a câmara e adiciona ruído de rua ambiente."
- "O casaco da mulher deve ser azul-marinho escuro, não cinzento."
Cada interação preserva o que veio antes e aplica a alteração incremental. Isto é, funcionalmente, o que parece trabalhar com um editor de vídeo humano — exceto que cada ida-e-volta custa aproximadamente $0,10-$1,00, consoante a duração do clipe, e responde em segundos.
A ressalva honesta: a deriva instala-se por volta da 4ª-5ª interação. O modelo mantém coerência de forma fiável ao longo de aproximadamente quatro interações de edição; a partir da quinta, a consistência da personagem, a continuidade da iluminação e as relações espaciais começam a deteriorar-se. Para sequências complexas, o padrão que emergiu entre os profissionais é: gerar uma base de alta fidelidade no Seedance 2.0 ou Veo 3.1, e depois trazê-la para uma sessão de edição do Omni Flash para refinamento — tratando o Omni Flash como uma ferramenta de acabamento de precisão, e não como o motor generativo principal. Voltaremos a este ponto.
Diagrama: Como funciona a edição multi-turno com estado no Gemini Omni Flash. Cada interação emite uma instrução; o modelo encadeia o contexto através de previous_interaction_id para aplicar edições direcionadas sem regenerar do zero.
Áudio: O Outro Diferenciador Que a Maioria Está a Ignorar
Todos os vídeos gerados pelo Gemini Omni Flash incluem áudio sincronizado, produzido na mesma passagem de inferência. Isto não é um passo de pós-processamento nem um modelo de áudio separado acoplado a um clipe silencioso — o modelo gera vídeo e som em conjunto, usando simulação de som modelada por física.
O que isto significa na prática: se o prompt descreve ondas a rebentar numa costa, obtém sons de ondas. Uma cena de café gera conversa ambiente e ruído de máquina de café. Uma personagem a falar gera diálogo com sincronização labial. A sincronização é precisa — confortavelmente abaixo de um segundo — e para clipes com menos de seis a sete segundos, a qualidade mantém-se. Para além disso, a deriva na sincronização labial torna-se percetível, o que reforça o ponto ideal de 4-10 segundos para o qual o modelo está atualmente otimizado.
Para criadores de conteúdo que têm andado a costurar vídeo + áudio de arquivo + pós-processamento em três ferramentas separadas, obter tudo isso numa 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.
Avatares de IA: O Caso de Uso Discreto
O Gemini Omni Flash inclui uma capacidade distinta chamada Avatares de IA: dada uma imagem de referência de um rosto e uma amostra de voz (para clonagem de voz), gera um vídeo fotorrealista desse avatar a falar. 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 equipas de marketing, produtores de e-learning e comunicações com clientes em grande escala, a funcionalidade de Avatar é imediatamente acionável. Gerar um vídeo de porta-voz de marca, localizá-lo trocando a clonagem de voz + prompt de texto, executá-lo novamente em trinta segundos. Adobe Firefly, Invideo e WPP estão entre os primeiros adotantes empresariais que citam especificamente os Avatares como uma integração de fluxo de trabalho primária.
Há salvaguardas importantes: a política de conteúdo bloqueia nomes reais e semelhanças de indivíduos que não deram consentimento, 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 aparenta dizer — é totalmente retida, como uma escolha deliberada de prevenção de deepfakes. Todas as saídas transportam uma marca de água SynthID não desativável (impercetível a espetadores humanos, legível por máquina), além de Credenciais de Conteúdo C2PA. Esta é uma pilha de proveniência mais abrangente do que qualquer outro modelo de vídeo atualmente disponível.
Benchmarks: O Que a Google Alega vs. O Que Foi Verificado de Forma Independente
As avaliações internas de avaliadores humanos da Google afirmam que o Omni Flash ocupa o primeiro lugar em:
- Preferência de edição de vídeo e seguimento de instruções
- Qualidade texto-para-vídeo (MovieGenBench)
- Consistência referência-para-vídeo
- Imagem-para-vídeo (empatado em 1º lugar, VBench I2V)
Estes são números convincentes, mas a leitura honesta é que todos eles são avaliações internas da Google. Até à data desta publicação, não foram publicados benchmarks independentes comparativos. Notavelmente, o Omni Flash ainda não foi submetido à Artificial Analysis Video Arena, onde o Seedance 2.0 lidera atualmente em movimento humano realista e física. Até que essa submissão aconteça e cheguem resultados de terceiros, os benchmarks devem ser tratados como indicativos, e não definitivos.
O consenso dos primeiros testadores profissionais alinha-se com o que seria de esperar: forte precisão semântica, boa sincronização de áudio, uma edição conversacional genuinamente inovadora — mas com fraquezas visíveis na física do movimento (sensação "flutuante", simulação de peso insuficiente), consistência facial que se quebra em viragens de cabeça, falhas em texto não latino (hiragana e caracteres chineses de muitos traços foram especialmente pouco fiáveis em análises práticas), e o teto de quatro interações de edição já mencionado.
Gemini Omni Flash vs. a Concorrência
Eis uma comparação honesta entre os modelos que provavelmente está a avaliar em paralelo com o Omni Flash:
| Gemini Omni Flash | Veo 3.1 | Seedance 2.0 | Sora 2 | |
|---|---|---|---|---|
| Resolução máxima | 720p | Até 4K | Até 1080p | N/D (descontinuado) |
| Edição multi-turno | Sim (com estado, ~4 interações) | Não | Não | Não |
| Geração de áudio | Sim (na mesma passagem, modelada por física) | Sim | Não | Não |
| Avatares de IA | Sim | Não | Não | Não |
| Custo aprox./segundo | ~$0,10 | ~$0,40–$0,75 | Variável | N/D (API descontinuada em set. 2026) |
| Melhor em | Fluxo de trabalho/edição, Avatares, áudio | Qualidade cinematográfica, formato longo | Movimento humano realista, física | N/D |
| Fraquezas | Teto de 720p, física do movimento, deriva ao fim de 4 interações | Sem edição com estado, 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 não pretende iterar de forma conversacional. Diretores de fotografia e produção comercial de alta gama devem começar por aí. O Omni Flash vence quando 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, normalmente é).
vs. Seedance 2.0: O Seedance lidera atualmente nas pontuações independentes de classificação para realismo de movimento humano. Se está a gerar imagens de pessoas em movimento — a caminhar, a dançar, movimento atlético — a simulação física do Seedance ainda tem vantagem. O fluxo de trabalho emergente: gerar o clipe base no Seedance, depois refiná-lo de forma conversacional no Omni Flash. Obtém a qualidade de movimento de um modelo especializado mais a flexibilidade de edição da interface multi-turno do Omni.
vs. Sora 2: Menos relevante agora. A aplicação de consumo Sora da OpenAI foi descontinuada em abril de 2026, e a API tem descontinuação prevista para setembro de 2026. O Sora não é uma escolha viável a longo prazo.
Esta comparação também coloca o preço do Omni Flash em contexto. A cerca de $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 a 7 vezes mais barato do que o Veo 3.1. A edição multi-turno implica executar várias passagens de geração, pelo que uma sessão de edição com quatro interações num clipe de 10 segundos poderia custar $4,00 — ainda razoável para produção profissional, mas que vale a pena ter em conta nas estimativas de volume.
Onde o Omni Flash Realmente Encaixa Num Fluxo de Trabalho de Produção Real
O erro a evitar é tratar o Omni Flash como um substituto de todos os modelos de vídeo que utiliza. Não é a opção de maior fidelidade no lançamento, e não foi concebido para o ser. A tese de design é: editar vídeo deve parecer falar com um colaborador, não submeter um novo pedido cada vez que se quer uma alteração.
Os fluxos de trabalho onde vence claramente, hoje:
1. Conteúdo social em volume. 720p é suficiente para TikTok, YouTube Shorts, Instagram Reels. A funcionalidade de Avatar mais a edição conversacional significam que pode produzir uma série de vídeos curtos localizados mais depressa do que qualquer outra pilha tecnológica. Gerar → refinar a falar → publicar.
2. Vídeo de demonstração de produto. Imagens de referência de um produto + direção de texto + refinamento conversacional = um fluxo de trabalho convincente para equipas 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 geração dispendiosa de alta resolução. Use-o como uma camada de pré-visualização.
4. Refinamento sobre saídas de modelos especializados. Gere a 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 tem, e depois use a camada conversacional do Omni Flash para ajustar detalhes. Este é o padrão para o qual os primeiros adotantes empresariais estão a convergir.
Os fluxos de trabalho onde deve recorrer primeiro a um especialista:
- 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 pelo Omni Pro
Executar o Gemini Omni Flash na Happycapy (Sem a Configuração do Google Cloud)
Executar o Gemini Omni Flash diretamente através da Gemini API exige um projeto no Google Cloud, provisionamento de chave de API, compreensão do identificador do modelo em pré-visualização pública e, tipicamente, alguma iteração sobre o esquema da API. Trata-se de um investimento razoável para uma equipa de engenharia a construir um fluxo de trabalho dedicado — mas é um atrito se quiser testar o modelo rapidamente ou executá-lo lado a lado com outros geradores de vídeo para comparação.
A Happycapy aloja 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, e outros — numa sandbox na cloud baseada no navegador. Sem necessidade de conta Google Cloud. Sem chave de API separada por fornecedor. Pode executar uma geração do 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 é mais forte — tudo numa única interface.
Para equipas a explorar fluxos de trabalho de IA agêntica em torno da produção de vídeo, a capacidade de encadear chamadas a modelos — gerar no Seedance, refinar no Omni Flash, sintetizar um relatório ou legenda num modelo de linguagem — sem costurar integrações de API separadas, representa uma poupança de tempo significativa.
O Veredicto Honesto
O Gemini Omni Flash não é o modelo de vídeo com o aspeto mais nítido que pode executar hoje. Se estiver a comparar qualidade de frame em bruto à mesma resolução, o Seedance 2.0 vence em física do movimento, e o Veo 3.1 vence em polimento cinematográfico. Essa é uma limitação real, e o teto de 720p, a deriva de edição após quatro interações e as falhas em texto não latino são pontos de atrito genuínos para alguns fluxos de trabalho.
Mas essas comparações não captam aquilo que o Omni Flash está realmente a tentar fazer. O modelo está a apostar que a fluência do fluxo de trabalho importa mais do que ganhos marginais de fidelidade — e essa aposta confirma-se com mais frequência do que não em ambientes de produção reais. A capacidade de dizer "escurece o fundo", obter um resultado, dizer "agora torna a gradação de cor mais quente", e obter outro resultado — numa 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 aposta arquitetónica plurianual na Google DeepMind. O Omni Pro está a caminho. A entrada de vídeo (atualmente aceite mas não funcional) será resolvida. A resolução vai escalar. O modelo de edição conversacional vai ganhar mais interações antes da deriva. O que está a avaliar hoje é o primeiro modelo de uma família — um que já conquista o seu lugar numa pilha multi-modelo, mesmo que ainda não substitua os especialistas.
Para profissionais: execute-o em paralelo, não isoladamente. Use-o onde as 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 Avatares. Essa combinação é mais forte do que qualquer modelo isolado hoje.
Para um olhar mais aprofundado sobre como a arquitetura multimodal da Google se compara com modelos de geração de imagem como o GPT Image 2, ou para contexto sobre o aspeto das integrações de servidor MCP num pipeline de produção de vídeo, esses recursos valem a leitura.
Aceda ao Gemini Omni Flash juntamente com a biblioteca completa de modelos — sem configuração do Google Cloud, sem chaves de API por fornecedor:
Perguntas Frequentes
O que é o Gemini Omni Flash?
O Gemini Omni Flash é o primeiro modelo da nova família "Omni" da Google DeepMind, concebido para aceitar qualquer modalidade de entrada (texto, imagens, áudio, vídeo) e gerar qualquer modalidade de saída num único modelo. No lançamento, produz vídeo com áudio sincronizado. A sua funcionalidade definidora é a edição conversacional multi-turno: pode gerar um clipe de vídeo e depois refiná-lo ao longo de várias interações de instrução em linguagem natural, com o modelo a manter contexto com estado entre cada edição. Tornou-se disponível através da Gemini API a 30 de junho de 2026.
Em que difere o Gemini Omni Flash do "omni" do GPT-4o?
A nomenclatura é confusa, mas as arquiteturas são fundamentalmente diferentes. Quando a OpenAI chamou "omni" ao GPT-4o, quis dizer que este conseguia perceber múltiplas modalidades simultaneamente (voz + visão) como entrada. O "Omni" da Google refere-se a uma arquitetura generativa: um único modelo que tanto percebe como gera através de modalidades. O Gemini Omni Flash não se limita a processar entradas multimodais — gera saídas multimodais (vídeo e áudio em conjunto). A família Omni da Google é um sistema generativo multimodal; a marca "omni" da OpenAI era sobre entrada percetiva.
Gemini Omni Flash vs Veo 3 — qual é melhor?
Estão otimizados para coisas diferentes. O Veo 3.1 produz saídas de maior resolução e mais cinematográficas (até 4K, contra os 720p do Omni Flash) e é a melhor escolha para produção de vídeo polida e de alta fidelidade. O Gemini Omni Flash vence no fluxo de trabalho: é o único modelo de vídeo com edição multi-turno com estado, inclui geração de Avatares de IA, produz áudio na mesma passagem de inferência e custa aproximadamente 4 a 7 vezes 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 difusão, 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 existe nenhum plano de API gratuito. No entanto, o Gemini Omni Flash está disponível sem custos para utilizadores elegíveis no YouTube Shorts e no YouTube Create (18+), e através das subscrições de consumidor Google AI Plus, Pro e Ultra. O acesso empresarial está disponível através da Gemini Enterprise Agent Platform.
Que resolução gera o Gemini Omni Flash?
720p no lançamento, a 24fps. As proporções suportadas são 16:9, 9:16 e 1:1. A duração dos clipes é de 4 a 10 segundos. Resoluções mais elevadas (1080p e superior) estão no roteiro, provavelmente associadas 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, isto traduz-se em aproximadamente $0,10 por segundo de vídeo gerado em 720p, ou cerca de $1,00 por um clipe completo de 10 segundos. As sessões de edição multi-turno envolvem várias chamadas de geração, pelo que uma sessão de refinamento com quatro interações num 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 o Gemini Omni e o Gemini Flash?
O Gemini Flash é uma linha de modelos de linguagem rápidos e económicos para texto e visão — o nível Flash dentro da família Gemini padrão. O Gemini Omni é uma família de modelos separada e nova, construída sobre uma arquitetura diferente, concebida para geração multimodal "any-to-any", começando pela 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 na família Omni. Estas são linhas de modelos arquitetonicamente distintas, não o mesmo modelo em tamanhos diferentes. Um Gemini Omni Pro (maior fidelidade, provavelmente maior resolução) está no roteiro separadamente dos modelos de texto Gemini Flash.
Fontes
- Google Blog: Anúncio do Gemini Omni
- Google AI Developers: Documentação da API do Gemini Omni
- Google DeepMind: Página do modelo Gemini Omni
- Preços da Gemini API
- Google Blog: Gemini Omni Flash / Nano / Banana 2 Lite
Diagrama: A arquitetura do Gemini Omni Flash de relance — processamento de entrada unificado através de texto, imagens e referência de áudio, com saída sincronizada de vídeo+áudio a 720p, 24fps, em formatos 16:9 / 9:16 / 1:1, 4-10 segundos por clipe.
