Google lança Gemini Omni 1.2 Flash com vídeos de 15 segundos e preço 30% mais barato

O Google DeepMind tornou geral a disponibilidade do Gemini Omni 1.2 Flash, seu modelo de geração de vídeo por IA, nesta quinta-feira (5 de novembro de 2026). A novidade central para quem constrói produtos em cima desse modelo é dupla: os clipes agora podem durar até 15 segundos, contra um teto de 10 segundos na versão anterior, e o preço cai 30%, segundo o anúncio divulgado pelo The Decoder.

O modelo está saindo do lado consumidor e chegando à infraestrutura: Gemini API, Google AI Studio, Google Cloud Console, Flow, Google Vids, o app Gemini para assinantes do Google AI Ultra e o Google Ads. Para quem desenvolve, o que importa é o primeiro item dessa lista. É pela API que dá para plugar geração de vídeo num produto próprio, seja um app de marketing, um gerador de anúncios ou uma ferramenta de prova virtual de roupa.

Quanto custa gerar 15 segundos de vídeo

O preço cai para $0,07 por segundo de vídeo em 720p. Fazendo a conta, um clipe no teto de 15 segundos sai por $1,05. Como o anúncio fala em corte de 30% sobre o preço anterior, dá para estimar que a versão anterior cobrava algo perto de $0,10 por segundo, embora o valor exato do modelo antigo não apareça no comunicado do Google.

Para quem monta pipeline de produto, essa queda de preço muda a conta de unidade econômica de qualquer feature que gere vídeo em lote, como variações de anúncio ou miniaturas dinâmicas. Gerar dez variações de um clipe de 10 segundos no modelo anterior custava, pela estimativa acima, cerca de $10. No Omni 1.2 Flash, dez clipes de 15 segundos saem por cerca de $10,50, ou seja, mais vídeo e mais tempo de clipe por um preço praticamente igual.

Edição conversacional evita recriar o clipe inteiro

A peça nova do anúncio é o que o Google chama de edição conversacional. Em vez de escrever um novo prompt e gerar o vídeo do zero toda vez que algo precisa mudar, dá para pedir ajustes pontuais: trocar o fundo, a iluminação ou a proporção de tela (aspect ratio) mantendo o resto do clipe intacto. O Google diz que isso funciona ao longo dos 15 segundos inteiros, não só em um trecho.

Essa função está amarrada a um fluxo de trabalho em camadas pensado para reduzir custo:

1. O rascunho é gerado em resolução menor, 360p ou 720p.
2. Os ajustes pontuais acontecem nessa resolução de rascunho, via edição conversacional.
3. Só o resultado final é ampliado (upscale) para 1080p ou 4K.

Na prática, isso empurra o desenvolvedor a desenhar o pipeline de geração em etapas separadas: gerar barato, iterar barato, e pagar o upscale só uma vez no final. Quem hoje gera direto em alta resolução a cada iteração de prompt está pagando mais do que precisa para chegar ao mesmo resultado.

Consistência de referência: rosto, roupa e identidade visual da marca

O Google promete também mais aderência a referências visuais. O modelo aceita como entrada imagens de personagem, fotos de produto, clipes de movimento de até três segundos e pistas de áudio. Segundo o anúncio, rosto, roupa, tipografia de embalagem e cores de marca devem se manter consistentes mesmo quando a câmera muda de ângulo.

O exemplo dado pelo próprio Google é uma prova virtual de roupa: a partir de uma única foto de uma pessoa e fotos de três peças de roupa, o modelo gera uma sequência de 15 segundos com giros de 360 graus, preservando a identidade da pessoa e o caimento de cada peça. É o tipo de caso de uso que interessa direto a quem constrói e-commerce ou ferramenta de marketing de moda: dá para montar um fluxo que recebe foto de catálogo e devolve vídeo de produto sem contratar sessão de filmagem.

O Google também afirma ter reduzido o que chama de deriva visual (visual drift), o efeito de morphing ou distorção que aparece em transições de câmera e movimento ao longo do clipe. Vale notar que essas comparações de qualidade vêm do próprio anúncio do Google, sem benchmark independente publicado até agora.

Diálogo, lip-sync e movimentos de câmera mais complexos

Fora a parte de preço e edição, o modelo também ganhou capacidades de áudio e câmera. O Google diz que o Omni 1.2 Flash produz diálogo mais fluido e natural, com sincronia labial (lip-sync) mais clara e capacidade de diferenciar múltiplos falantes num mesmo clipe. Isso é relevante para quem monta vídeos com personagens conversando, como anúncios ou conteúdo educacional com avatar.

O modelo também lida melhor com movimentos de câmera contínuos e complexos, como voo de drone em primeira pessoa (FPV) ou zoom dramático de afastamento, com menos cortes bruscos indesejados no meio do movimento. Para quem automatiza geração de conteúdo de vídeo em escala, menos artefato significa menos retrabalho manual de correção depois que o clipe sai do modelo.

Marca d'água e o que fica em aberto

Todo vídeo gerado carrega uma marca d'água imperceptível chamada SynthID, usada pelo Google para indicar que o conteúdo foi gerado por IA. Para quem distribui vídeo gerado por essa API dentro de um produto próprio, isso tem peso de conformidade: a origem sintética do arquivo pode ser verificada depois, mesmo que o olho humano não note a marca.

O anúncio não traz números de latência (quanto tempo leva para gerar um clipe de 15 segundos) nem detalhes sobre limites de taxa (rate limits) da API para uso em produção, dois dados que normalmente pesam mais do que o preço por segundo na hora de decidir se um pipeline de vídeo gerado por IA é viável em escala. Esses detalhes devem aparecer na documentação técnica à medida que o modelo se torna disponível para mais contas.

Fonte: The Decoder