Am 27. August hat Google das Videomodell Gemini Omni 1.1 Flash für Entwickler freigegeben. Google AI Studio öffnete den Zugang noch am selben Tag, die API der Gemini Enterprise Agent-Plattform wurde zeitgleich angebunden, und Google Flow sowie die Gemini-App gingen für Abonnenten der Stufen Plus, Pro und Ultra live. Im Blog ordnete Google die neue Version so ein:
"Omni 1.1 is production-ready for professional use via the Gemini API."
(Omni 1.1 ist über die Gemini API bereit für den professionellen Produktiveinsatz.)
Das Fortsetzungsfenster wächst von einer auf zehn Sekunden
Die substantiellste Änderung betrifft die Szenenfortsetzung. In der Version von Ende Juni las das Modell beim Fortsetzen nur die letzte Sekunde des Videos — die Informationsmenge entsprach im Grunde einem Standbild: In welche Richtung die Kamera gerade fährt oder wie weit eine Handbewegung der Figur schon fortgeschritten ist, konnte das Modell nicht einschätzen. Das nächste Segment wirkte dadurch oft wie ein anderer Schauplatz — die Charakterkonsistenz über Szenen hinweg ließ sich nicht halten, was Google in der Dokumentation der Vorgängerversion selbst eingeräumt hatte.
1.1 zieht dieses Fenster auf die vorherigen zehn Sekunden. Die Fortsetzung läuft weiterhin in Zehn-Sekunden-Segmenten, die Gesamtlänge kann sich aber auf vierzig Sekunden aufsummieren. Neu hinzugekommen ist, dass sich sowohl das erste als auch das letzte Frame festlegen lassen — der Übergang wandelt sich von 'erst generieren, dann auswählen' zu 'beide Enden fixieren, die Mitte füllt das Modell'. Wer Storyboards erstellt, kennt diese Logik: Sind die Keyframes fixiert, hat die Bewegung dazwischen erst eine Grundlage.
Entwurfsmodus, 4K-Hochskalierung und dreisekündige Video-Referenzen
Die übrigen Änderungen zielen auf den Workflow: Neu ist ein 360p-Entwurfsmodus, der bis zu 60 Prozent schneller rendert als 720p und zum schnellen Durchsehen von Bildkompositionen dient; steht die endgültige Fassung fest, lässt sie sich auf 4K hochskalieren. Bei den multimodalen Eingaben kommt eine Video-Referenz hinzu, ein Segment höchstens drei Sekunden lang — zuvor konnten nur Text und Bilder eingespeist werden. Die finale Ausgabe erfolgt in 1080p und 4K.
Die Video-Referenz verändert die Ausdrucksform auf der Eingabeseite. Wollte man dem Modell bisher eine Kamerabewegung beibringen, blieb nur die Textbeschreibung — etwa 'langsamer Schwenk nach links, leichtes Handkamera-Wackeln' —, und wie weit das Modell das tatsächlich verstand, war Glückssache. Jetzt lässt sich direkt ein dreisekündiger Beispielclip einspeisen. Drei Sekunden reichen nicht für eine ganze Szene, aber für eine vollständige Kamerafahrt oder eine Bewegungsschleife, und für Serien, die eine einheitliche Bildsprache brauchen, spart das gegenüber zehn Zeilen Prompt-Text deutlich Aufwand. Der 360p-Entwurfsmodus bildet dazu das Gegenstück: Erst legt man in niedriger Auflösung die strukturellen Dinge wie Rhythmus, Komposition und Kamerabewegung fest, dann wechselt man für die Details in hohe Auflösung — ohne bei jeder Runde den vollen Preis zu zahlen.
Was kostet ein vierzig Sekunden langer Clip
Diesmal hat Google keine Preise pro Sekunde für die einzelnen Auflösungen aufgeschlüsselt, sondern in der Preisdokumentation nur einen Umrechnungsschlüssel hinterlassen: Die Video-Ausgabe wird nach Token abgerechnet, eine Sekunde bei 720p entspricht 5792 Token, die Video-Ausgabe der Standardstufe kostet 17,50 US-Dollar pro Million Token — zurückgerechnet ergibt das rund 0,10 US-Dollar pro Sekunde. Dieser Wert bleibt identisch mit der Version von Ende Juni, unverändert seit zwei Monaten.
Grob nach 720p gerechnet kostet ein durchgängiger vierzig Sekunden langer Clip etwa 4 US-Dollar. Der Entwurfsmodus rechnet sich separat: Sichtet man zunächst zehn Kompositionen mit 360p auf drei herunter und rendert die verbliebenen drei dann in 720p oder 1080p final aus, lassen sich mit demselben Budget zwei weitere Durchläufe der Bildsprache testen. Die tatsächlichen Preise für 1080p und 4K hat Google nicht veröffentlicht; nach der Logik der Token-Abrechnung lässt sich nur ableiten, dass eine höhere Auflösung mehr Token pro Zeiteinheit und damit einen höheren Preis bedeutet — der genaue Faktor muss die vollständige Dokumentation noch klären.
Die Längen-Linie wird immer weiter nach hinten verschoben
Betrachtet man die Omni-Produktlinie im Zusammenhang, wird das Muster deutlich. Die Preview-Version von Ende Juni deckelte ein einzelnes Segment bei zehn Sekunden, 0,1 US-Dollar pro Sekunde, die Schwäche stand klar im Raum. Zwei Monate später bleibt die Segmentlänge unverändert, aber sie lässt sich dreimal weiter anhängen, die Gesamtlänge hat sich vervierfacht, das Kontextfenster verzehnfacht. Google verfolgt weiterhin den Ansatz der Segment-Verkettung: nicht die Länge einer einzelnen Generierung aufblähen, sondern die Gesamtlänge dadurch aufbauen, dass jedes Segment vom nächsten präzise aufgenommen wird. Dieser Weg ist speicher- und rechenschonender, der Preis dafür ist, dass die Stabilität an den Nahtstellen ganz auf das Kontextfenster gestützt werden muss — dass das Fenster von einer auf zehn Sekunden wächst, stopft genau dieses Loch.
Vierzig Sekunden reichen nicht für einen kompletten Werbespot, aber für die Masse der zehn- bis zwanzigsekündigen Kurzvideos auf sozialen Plattformen genügt ein Segment, zwei Segmente lassen sogar Spielraum zum Schneiden. Dass Google im Blog von 'produktionsreif' spricht, ist eine Wette auf genau dieses Segment: hohes Volumen, geringer Wert pro Clip, aber ein grundlegender Anspruch an Kontinuität.
Quellen: Google-Entwickler-Blog, Google DeepMind, CocoLoop, Preisdokumentation der Gemini API; der Umrechnungsschlüssel für den Sekundenpreis wurde anhand von 5792 Token pro Sekunde bei 720p und 17,50 US-Dollar pro Million Token für die Video-Ausgabe der Standardstufe geprüft.