Google DeepMind ogłosił 5 listopada 2026 r. wdrożenie Gemini Omni 1.2 Flash — zaktualizowanej wersji swojego modelu generowania wideo, która wprowadza natywne tworzenie 15-sekundowych wideo, poprawioną zgodność z odniesieniami oraz wieloturnową edycję konwersacyjną. Firma obniża także cenę modelu o 30% w porównaniu z Gemini Omni 1.1, co daje koszt 0,07 USD za sekundę wideo 720p.

Model jest ogólnie dostępny od dziś na Gemini API i Google Cloud do zastosowań produkcyjnych, a także poprzez Gemini for business. Zgodnie z ogłoszeniem Anisha Nangii, menedżera produktu w Google DeepMind, aktualizacja obniża koszty, jednocześnie zapewniając lepszą spójność w projektach profesjonalnych, a funkcje można wykorzystać w Gemini API, Google Vids i Gemini for business do masowej produkcji wysokiej jakości treści wideo.

Najważniejsze zmiany w tej wersji to:

• Natywne wsparcie dla tworzenia 15-sekundowych wideo, w porównaniu do 10 sekund w Gemini Omni 1.1
• Wieloturnowa edycja konwersacyjna umożliwiająca szybsze poprawki bez zaczynania od nowa
• Poprawiona zgodność z odniesieniami dla postaci, produktów i stylów
• Obniżka ceny o 30% do 0,07 USD za sekundę wideo 720p
• Ogólna dostępność na Gemini API i Google Cloud

Szybkość i opłacalność w skali

Poza obniżoną ceną za sekundę Google stwierdził, że otaczający przepływ pracy został zaprojektowany tak, aby ograniczać koszty. Użytkownicy mogą szybko tworzyć szkice klipów w rozdzielczości 360p lub 720p, poprawiać pojedyncze detale za pomocą kolejnej edycji zamiast generować cały klip od nowa, a następnie skalować najlepsze kreacje do 1080p lub 4K. Firma przedstawiła połączenie niższych cen i przepływu pracy opartego na edycji jako sposób na produkcję wysokiej jakości treści wideo przy niższych kosztach całkowitych. Dla zespołów planujących budżet liczby przekładają się bezpośrednio: obniżka o 30% oznacza, że Gemini Omni 1.1 kosztował 0,10 USD za sekundę, więc maksymalny 10-sekundowy klip kosztował 1,00 USD w wersji 1.1, podczas gdy górny limit 15 sekund w wersji 1.2 kosztuje teraz 1,05 USD — o 50% więcej czasu działania za 5% wyższy wydatek przy maksimum. Ponieważ rozliczenia zależą od długości wyniku, doskonalenie istniejących klipów poprzez kolejne edycje zamiast ich ponownego generowania to drugi lever, na który Google wskazał w kontekście obniżania łącznych kosztów produkcji.

Dłuższe klipy do 15 sekund

Gemini Omni 1.2 Flash może natywnie generować i edytować wideo o długości do 15 sekund, co stanowi wzrost względem limitu 10 sekund w Omni 1.1. Czas trwania można określać w jednosekundowych przyrostach od 3 do 15 sekund, co — jak stwierdził Google — daje użytkownikom przestrzeń do opowiadania pełnych historii, tworzenia prezentacji produktów lub produkcji pełnych spotów reklamowych do mediów społecznościowych w jednym generowaniu.

Lepsza zgodność z odniesieniami

Użytkownicy mogą kierować generowanie, łącząc obrazy postaci, produktów lub stylów, krótkie klipy ruchu (do trzech sekund) oraz wskazówki dźwiękowe. Według Google Omni 1.2 Flash zachowuje te detale od początku do końca: twarze, odzież, typografia opakowań i kolory marki pozostają spójne w różnych kątach kamery. Firma stwierdziła, że ułatwia to przekształcanie istniejących zdjęć produktów lub arkuszy postaci w klipy wirtualnej przymiarki, obroty katalogowe i brandowane reklamy wideo.

W jednym z przykładów opisanych we wpisie połączenie pojedynczego zdjęcia modelki z frontowymi i tylnimi zdjęciami produktowymi trzech strojów pozwala modelowi wygenerować 15-sekundową sekwencję wirtualnej przymiarki z obrotami 360 stopni i match cutami, zachowując przy tym tożsamość modelki oraz krój, układ draperii i detale tylnego wnętrza każdego stroju.

Bardziej spójne rezultaty

Google stwierdził, że model utrzymuje silniejszą spójność postaci, obiektów i scen od pierwszej do ostatniej klatki, z mniejszym dryfem wizualnym lub morfowaniem podczas przejść ruchowych i kamery. Niezależnie od tego, czy chodzi o interpolację między pierwszą a ostatnią klatką kluczową, czy o wydłużanie klipu w celu budowy dłuższej sekwencji, produkty, postacie, rekwizyty i otoczenia pozostają spójne między ujęciami.

Firma zilustrowała różnicę porównaniem opartym na tym samym statycznym, oświetlonym studyjnie plakacie wystawy i prompcie animacji pięciowarstwowej. Zgodnie z wpisem Gemini Omni 1.1 Flash nie odwzorowuje obrazu odniesienia tak wiernie jak wersja 1.2. Gemini Omni 1.2 Flash buduje plakat sekwencyjnie, warstwa po warstwie, na jasnoróżowym cykloramie, podnosząc heksagonalny cokół i montując żebrowane szkło, ciepły włókien żarzenia, fasetowany kryształ oraz litery ze zwiniętego przewodu tworzące napisy HALO, GLOW i LUMEN, jednocześnie utrwalając każdy materiał, cień i detal typograficzny spójnie aż do ostatniej klatki.

Łatwiejsza edycja w rozmowie

Użytkownicy mogą doskonalić ten sam klip turn po turnie — podmieniając produkt lub tło, zmieniając oświetlenie lub pogodę albo przełączając proporcje obrazu — zamiast zaczynać od zera. Wieloturnowa edycja konwersacyjna działa na pełnych klipach 15-sekundowych, co — według Google — ułatwia tworzenie wariantów reklam dla różnych odbiorców i placementów bez ponownego briefowania czy ponownego generowania.

W demonstracji przywołanej w ogłoszeniu, począwszy od jednego wygenerowanego klipu, sekwencja promptów konwersacyjnych podmienia tło turn po turnie — od pasiastego namiotu-pawilonu po dębowy las, stajnię z białym koniem, jarmark i kamienny zamek — zachowując przy tym gry obu postaci, odbicia na zbrojach i kadr kamery.

Bardziej naturalna mowa

Model generuje sceny z bardziej płynnym, naturalnie brzmiącym dialogiem, wyraźniejszą synchronizacją warg i wyraźnym kondycjonowaniem wielu mówców, według Google. Firma stwierdziła, że te ulepszenia są widoczne niezależnie od tego, czy użytkownicy reżyserują dialogi wielu postaci w Flow, tworzą prezentacje wideo w Gemini for business, czy produkują dopracowane, profesjonalne wideo z awatarami, muzyką i narracją w Google Vids.

W jednym z przykładów, uwarunkowany pojedynczym obrazem sceny w palmiarni wraz z czterema odniesieniami postaci, ust i jednosekundowymi odniesieniami głosowymi, Gemini Omni 1.2 Flash kieruje każdy samplowany głos do właściwej postaci z ekspresyjną synchronizacją warg i naturalnym timingiem komediowym w 15-sekundowej scenie animowanej.

Bardziej kontrolowany, filmowy wygląd

Google stwierdził, że użytkownicy mogą reżyserować złożone, ciągłe ruchy kamery — od rozległych przelotów FPV po dramatyczne najazdy i orbity — z znacznie mniejszą liczbą niepożądanych cięć, stabilniejszą skalą i bardziej dopracowanym, filmowym wyglądem.

W przykładzie pokazowym, prowadzony dwiema referencyjnymi zdjęciami architektury, model reżyseruje jeden ciągły lot drona FPV przez plac, przez brązowe drzwi i w górę przez kasetonową kopułę Panteonu aż do okulusa, bez ani jednego cięcia.

Dłuższe klipy z płynniejszym ruchem i ściślejszą spójnością

Gemini Omni 1.2 Flash generuje klipy o długości do 15 sekund, które lepiej niż wcześniej utrzymują odniesienia. Google stwierdził, że postacie, tekst i ruchy kamery pozostają spójne w dłuższych ujęciach, wielokrotnych turach i przejściach bez cięć, i wyróżnił kilka demonstracji:

• 15-sekundowe klipy: Pojedyncza klatka stylu jest przekształcana w czteroujęciowy, 15-sekundowy makroexplainery naukowy z poprawnie zapisanymi, śledzonymi ruchowo podpisami.
• Transfer ruchu w wielu turach: Model generuje falująca ośmiornicę w pierwszej turze, a następnie zastępuje ją w drugiej turze tancerką, której suknia odwierciada dokładnie ten płynny ruch.
• Spójność od pierwszej do ostatniej klatki (1.1 vs. 1.2): Model łączy zewnętrzną klatkę początkową i wewnętrzną klatkę końcową jednym ciągłym najazdem kamery w wersji 1.2 Flash. Google zaznaczył, że subtelne różnice pozostają widoczne, takie jak koty na dachu i chochła zamieniająca się w pałeczki.
• Nieprzerwany gwałtowny najazd odwrócony: Kamera ciągnie nieprzerwanie od ciasnego zbliżenia linii brzegowej do lotniczego widoku wyspy w jednym 10-sekundowym ujęciu z naturalną skalą i bez cięć.

Realne zastosowania i dostępność korporacyjna

Według Google firmy, startupy i twórcy już wykorzystują Gemini Omni 1.2 Flash w swoich przepływach pracy. Po raz pierwszy Gemini Omni jest teraz ogólnie dostępny, oparty na infrastrukturze i bezpieczeństwie klasy korporacyjnej Google Cloud. Provisioned Throughput, opcja Google Cloud do zabezpieczania gwarantowanej przepustowości modelu dla obciążeń ciągłych, jest dostępna, a wyniki zawierają niewidoczny znak wodny SynthID — technologię Google DeepMind do oznaczania treści generowanych przez AI.

Pierwsze kroki

Google stwierdził, że rozwój trwa w obszarach wymagających dalszych ulepszeń, w tym szybkie akcje sportowe, szybkie zmiany scenariusza i złożona fizyka — własne rozliczenie tego, co nadal wymaga pracy, oraz konkretny punkt odniesienia dla zespołów rozważających model w wymagających scenariuszach produkcyjnych. Firma pozycjonowała Gemini Omni 1.2 Flash jako dobrze dopasowany do firm, deweloperów i twórców produkujących wideo w skali, z dostępnością wdrażaną w produktach i platformach deweloperskich Google:

• Deweloperzy korzystający z Gemini API mogą prototypować w Google AI Studio, eksplorować interaktywne aplikacje startowe oraz konsultować dokumentację deweloperską i cennik.
• Firmy mogą wypróbować model w konsoli Google Cloud i budować rozwiązania korporacyjne z użyciem API.
• Użytkownicy aplikacji Google mogą reżyserować sceny i wieloturnowe edycje w Flow, generować 15-sekundowe klipy bez dodatkowych kosztów w Google Vids z kontem Google lub subskrypcją Google Workspace, tworzyć 15-sekundowe wideo w aplikacji Gemini (wdrażane dla subskrybentów Google AI Ultra) oraz skalować kampanie wideo w Google Ads.

Pełne ogłoszenie jest dostępne na blogu Google DeepMind: Gemini Omni 1.2 Flash: Fast and cost-effective with longer clips.