Gemini Omni 1.2 Flash chega à disponibilidade geral com vídeo de 15 segundos e API 30% mais barata

O Google anunciou em 5 de novembro de 2026 a disponibilidade geral (GA, a sigla para general availability, quando um recurso deixa de ser experimental e passa a ter suporte garantido para produção) do Gemini Omni 1.2 Flash, modelo de geração de vídeo por IA. A novidade está disponível na Gemini API, no Google Cloud, no Google Vids, no Flow e, em rollout, no app Gemini para assinantes do Google AI Ultra, segundo o post oficial no blog do Google.

Para quem constrói produto em cima de modelo de IA, a notícia não é só "mais um modelo de vídeo". É a primeira vez que a linha Gemini Omni sai do estágio de preview e vira GA, o que muda o nível de suporte, SLA e previsibilidade que dá para prometer a um cliente que depende dessa API em produção.

O que muda na prática para quem chama a API

A versão anterior, Gemini Omni 1.1, gerava vídeo nativo de até 10 segundos. O Omni 1.2 Flash sobe esse teto para 15 segundos, com a duração configurável em incrementos de 1 segundo, de 3 a 15. Isso dá folga para quem monta pipeline de anúncio em vídeo, explicativo de produto ou spot social inteiro numa única chamada, sem precisar encadear clipes menores depois.

O preço caiu 30% em relação ao Omni 1.1: agora custa $0.07 por segundo de vídeo em 720p. Fazendo a conta a partir do próprio anúncio do Google, isso indica que o Omni 1.1 cobrava algo próximo de $0.10 por segundo na mesma resolução (0.07 / 0.7), já que o Google não publicou o valor antigo diretamente, só a variação percentual.

Na prática, um clipe de 15 segundos em 720p sai por $1,05. É esse número que entra na planilha de custo de quem vai rodar isso em escala, por exemplo gerando variações de anúncio para dezenas de públicos.

Como fica o workflow de quem precisa controlar custo

O Google recomenda um fluxo específico para não pagar caro por iteração:

• Rascunhar em 360p ou 720p, que são as resoluções mais baratas;
• Corrigir detalhes com uma edição de acompanhamento (follow-up edit) em vez de regenerar o clipe inteiro do zero;
• Fazer upscale só da versão final aprovada para 1080p ou 4K.

Esse desenho importa porque cada regeneração completa de um clipe de 15 segundos custa o valor cheio outra vez. Quem monta agente ou pipeline automatizado de criação de vídeo ganha ao estruturar o prompt inicial em draft barato e só escalar resolução depois de validar o resultado, lógica parecida com a de quem já otimiza custo de token em modelo de texto escolhendo quando usar a versão mais cara.

Edição conversacional sem recomeçar o clipe

A peça técnica mais relevante para quem integra via API é a edição multi-turn (várias rodadas de conversa): dá para trocar produto, fundo, iluminação, clima ou proporção de tela mantendo o resto do clipe intacto, em vez de reescrever o prompt inteiro e gerar tudo de novo.

O Google descreve um caso de uso onde, a partir de um único clipe gerado, o fundo é trocado turno a turno (de uma tenda para uma floresta, depois um estábulo, uma feira e um castelo) preservando a performance dos personagens, os reflexos da armadura e o enquadramento de câmera. Para quem precisa produzir variantes de anúncio por praça ou público, isso elimina o retrabalho de re-briefing a cada versão.

Aderência a referência: o que resolve para quem monta produto com marca

O modelo aceita combinação de imagens de referência (personagem, produto ou estilo), clipes curtos de movimento (até 3 segundos) e pistas de áudio, e promete manter rosto, roupa, tipografia de embalagem e cor de marca consistentes entre ângulos de câmera.

Isso é relevante para quem constrói ferramenta de catálogo de e-commerce ou provador virtual: o anúncio cita a geração de uma sequência de prova de roupa de 15 segundos a partir de uma foto de modelo e fotos de frente e verso de três roupas diferentes, mantendo identidade do modelo e detalhes de corte e caimento de cada peça.

A comparação entre Omni 1.1 e 1.2 mostrada pelo Google, com um pôster de exposição montado camada por camada, indica que o ganho de consistência entre primeiro e último frame é o principal diferencial técnico desta versão, mais do que a duração em si.

GA de verdade: Provisioned Throughput e marca d'água

Como o modelo agora é GA e não mais preview, o Google Cloud oferece Provisioned Throughput, mecanismo de capacidade reservada que garante throughput (volume de requisições processadas por tempo) previsível para quem precisa rodar geração de vídeo em escala sem depender de limite de fila compartilhado.

Todo output carrega marca d'água SynthID, tecnologia do Google DeepMind que embute um sinal imperceptível a olho nu no conteúdo gerado, permitindo verificar depois que aquele vídeo saiu de um modelo de IA. Para quem distribui vídeo gerado em canal de mídia paga ou em plataforma com política de transparência sobre conteúdo sintético, isso é um dado técnico a verificar antes de assumir compliance automático: o SynthID identifica a origem, mas não substitui rotulagem exigida por lei ou por política da plataforma de destino.

O que ainda não funciona bem

O próprio Google lista o que está fora do escopo desta versão: ação esportiva rápida, mudanças rápidas de roteiro dentro do mesmo clipe e física complexa continuam em desenvolvimento. Vale documentar isso antes de prometer a um cliente que o modelo resolve qualquer cena de ação ou simulação física mais sofisticada.

Onde testar

Desenvolvedor pode prototipar direto no Google AI Studio e conferir documentação e preços oficiais antes de subir para produção via Gemini API ou console do Google Cloud. Quem só quer gerar vídeo sem integrar API tem acesso gratuito a clipes de 15 segundos pelo Google Vids com conta Google ou assinatura Workspace, e pelo Flow para edição multi-turn guiada.

Fontes: Google The Keyword (AI) · Google DeepMind Blog