Gemini Omni 1.2 Flash od Google jest już ogólnie dostępny

5 listopada 2026 r. Google ogłosiło Gemini Omni 1.2 Flash i udostępniło szeroko model do generowania i edycji wideo. Aktualizacja wydłuża natywny klip do 15 sekund, wprowadza konwersacyjną edycję wieloetapową i obniża cenę wideo 720p o 30%, do około 0,07 USD za sekundę.

Model generuje zsynchronizowane wideo i natywny dźwięk na podstawie tekstu, obrazu i materiałów wideo. Dłuższy czas trwania ma umożliwić zmieszczenie pełnych historii, prezentacji produktów i kompletnych spotów reklamowych do mediów społecznościowych w ramach jednej generacji.

Dłuższe klipy i edycja konwersacyjna

Dokumentacja dla deweloperów opisuje obsługę czasu trwania określanego co do pełnej sekundy, od 3 do 15 sekund, wobec maksymalnie 10 sekund w Omni 1.1; domyślnie ustawiono 10 sekund. Domyślny format wyjściowy to 720p i poziomy kadr 16:9, obsługiwany jest też pionowy format 9:16. Zespoły mogą przygotowywać wersje robocze w rozdzielczości 360p lub 720p, a wybrane wyniki skalować do 1080p lub 4K.

Edycja konwersacyjna pozwala zmienić produkt lub tło, modyfikować oświetlenie lub pogodę albo zmienić proporcje obrazu, zachowując bez zmian elementy, o których nie wspomniano. Identyfikator poprzedniej interakcji zachowuje kontekst między żądaniami API, dzięki czemu nie trzeba ponownie przesyłać wcześniejszego wideo. W każdym żądaniu można też użyć maksymalnie sześciu obrazów referencyjnych, w tym do trzech obrazów na postać, dla maksymalnie dwóch postaci.

Rozszerzanie wideo to odrębna funkcja od natywnego generowania: w każdej turze dodaje od 3 do 10 sekund, wykorzystując ostatnie 10 sekund jako kontekst, i pozwala uzyskać łącznie do 30 sekund. Nie można dodawać materiału na początku ani wstawiać go w środek klipu, a interpolacja między pierwszą i ostatnią klatką nadal jest ograniczona do wyników o długości od 3 do 10 sekund.

Ceny i migracja

W płatnym Gemini API cena wynosi 12 USD za milion tokenów wyjściowych wideo, rozliczanych po 5792 tokeny na sekundę filmu w 720p. Podane koszty to około 0,70 USD za klip 10-sekundowy i 1,04 USD za klip 15-sekundowy. Dane wejściowe w postaci tekstu, obrazów i wideo kosztują 1,50 USD za milion tokenów, a model nie jest dostępny w bezpłatnym planie.

Gemini Omni 1.1 Flash pozostanie dostępny przez czterotygodniowy okres przejściowy. 3 grudnia 2026 r. żądania API kierowane do wersji 1.1 będą automatycznie przekierowywane do wersji 1.2, bez konieczności wprowadzania zmian w kodzie, i rozliczane według niższych stawek wersji 1.2. Istniejące integracje mają więc określoną datę migracji, ale nie wymagają natychmiastowego przepisania kodu.

Deklaracje dotyczące jakości i ograniczenia w zastosowaniach produkcyjnych

Google twierdzi, że aktualizacja lepiej zachowuje wygląd twarzy i odzieży, typografię na opakowaniach oraz kolory marki przy zmianach ujęć i przejściach, ograniczając niepożądane zmiany obrazu i zniekształcenia. Jednocześnie zapewnia wyraźniejszą synchronizację ruchu warg, bardziej naturalne dialogi, odrębne sterowanie wieloma mówcami oraz ciągły ruch kamery z mniejszą liczbą niepożądanych gwałtownych cięć.

Porównania bezpośrednie przeprowadzone przez Google DeepMind wskazują, że Omni 1.2 wygrywa w 62% przypadków pod względem spójności obrazu, wobec 38% dla Omni 1.1, w testach generowania wideo na podstawie tekstu. W porównaniu generowania wideo na podstawie materiałów referencyjnych wersja 1.2 osiąga 63% wygranych pod względem spójności tożsamości przy wielu materiałach referencyjnych, wobec 37%.

Istnieją również wyraźne ograniczenia techniczne. Trwają prace nad ulepszeniem obsługi szybkich akcji sportowych, szybkich zmian scenariusza i złożonej fizyki. Gemini API w pełni obsługuje język angielski, ale nie oceniano go pod kątem innych języków. Obecne API nie obsługuje edycji głosu, przesyłania dźwięku jako danych wejściowych ani referencji audio. Czas generowania zależy od czasu trwania, rozdzielczości i obciążenia API, a filtry bezpieczeństwa obejmują zarówno polecenia, jak i wygenerowane wideo.

Dostępność i zastosowanie w produkcji

Deweloperzy mogą tworzyć prototypy w Google AI Studio i korzystać z płatnego Gemini API. Szersze wdrożenie obejmuje Flow do reżyserii scen i edycji wieloetapowej, dłuższe klipy w Google Vids bez dodatkowych opłat dla osób z kontem Google lub subskrypcją Workspace, udostępnianie aplikacji Gemini subskrybentom Google AI Ultra oraz tworzenie kampanii w Google Ads. Każde wideo wygenerowane za pośrednictwem API ma niewidoczny znak wodny SynthID, który można wykryć programowo w celu weryfikacji pochodzenia materiału.

Ogłoszenie Google Cloud o ogólnej dostępności obejmuje dostęp przez konsolę i API, infrastrukturę i zabezpieczenia dla przedsiębiorstw oraz Provisioned Throughput; referencje audio są dostępne wyłącznie po dodaniu do listy dozwolonych. Matt Rouif, dyrektor generalny Photoroom, powiedział, że wydłużenie limitu generowania było jedną z najczęściej zgłaszanych próśb użytkowników, a ogólna dostępność wraz z umowami SLA pozwoli firmie wykorzystywać Gemini Omni Flash w środowisku produkcyjnym na potrzeby sprzedawców i klientów korporacyjnych. Model napędza narzędzia Photoroom Video Ad Maker i Product Animator.

W informacji o wydaniu niższe ceny powiązano ze zmianą procesu produkcyjnego: zamiast generować cały materiał od nowa, można wprowadzać ukierunkowane poprawki, a renderowanie w wyższej rozdzielczości rezerwować dla wybranych wyników. Wartość modelu w zastosowaniach produkcyjnych zależy zatem od deklarowanej poprawy spójności, ponieważ zachowanie postaci, produktów i scen przy kolejnych poprawkach sprawia, że edycja iteracyjna staje się praktyczną alternatywą dla rozpoczynania pracy od początku.