Google hat am 5. November das Modell zur Videogenerierung und -bearbeitung Gemini Omni 1.2 Flash vorgestellt und noch am selben Tag allgemein verfügbar gemacht. Der Ankündigungsblog stellt drei Änderungen an den Anfang: Die native Obergrenze pro Clip steigt von 10 auf 15 Sekunden, Referenzbilder werden originalgetreuer umgesetzt, und 720p-Video kostet nur noch 0,07 US-Dollar pro Sekunde, 30 Prozent weniger als bei Version 1.1.
Der Blogbeitrag stammt von Anish Nangia, Produktmanager bei Google DeepMind. Entwickler können das Modell über die Gemini API in Google AI Studio nutzen, Unternehmenskunden über Vertex AI von Google Cloud, wo zusätzlich reservierter Durchsatz (Provisioned Throughput) angeboten wird. Für Endnutzer gibt es Flow, Google Vids und die Gemini App: In der Gemini App wird das 15-Sekunden-Video derzeit nur schrittweise für Abonnenten von Google AI Ultra freigeschaltet; in Google Vids lassen sich 15-Sekunden-Clips mit einem Google-Konto oder einem Workspace-Abo ohne Aufpreis erzeugen. Auch Google Ads hat diese Version eingebunden, um Videoanzeigen-Material in großen Mengen zu produzieren.
Länge und Konsistenz
Die Dauer lässt sich von 3 bis 15 Sekunden in Ein-Sekunden-Schritten wählen. Version 1.1 vom August war pro Clip auf 10 Sekunden begrenzt; längere Filme mussten über die Fortsetzungsfunktion Stück für Stück verlängert werden. Version 1.2 macht den einzelnen Clip länger, behält Fortsetzung und die Interpolation zwischen Start- und Endbild bei und soll laut Blog zwischen erstem und letztem Bild weniger Drift und Verformung bei Personen, Objekten und Szenen zeigen.
Es gibt drei Arten von Referenzeingaben: Bilder von Figuren, Produkten und Stilen, Bewegungsreferenz-Clips von bis zu 3 Sekunden Länge sowie Audio-Prompts. Google nennt als Beispiele virtuelle Anproben und 360-Grad-Produktansichten und erklärt, die neue Version halte Gesichter, Kleidung sowie Schrift und Markenfarben auf Verpackungen über verschiedene Kamerapositionen hinweg konsistent.
Die mehrstufige Bearbeitung deckt diesmal den kompletten 15-Sekunden-Clip ab: Produkt tauschen, Hintergrund wechseln, Licht und Wetter ändern, Seitenverhältnis anpassen – alles lässt sich auf dem Ergebnis der vorigen Runde fortsetzen, ohne den ganzen Clip neu zu generieren. Bei der Sprache kommt eine Steuerung für mehrere Sprecher hinzu, die verschiedenen Figuren unterschiedliche Stimmen zuweist; auch die Lippensynchronität wurde verbessert. Bei der Kameraführung nennt der Blog durchgehende Einstellungen wie FPV-Flüge, Rückwärtsfahrten und Umkreisungen und verspricht weniger harte Schnitte und stabilere Bildverhältnisse.
Alle Ausgaben tragen ein unsichtbares SynthID-Wasserzeichen.
Eine Rechnung auf Basis von 720p
Google veröffentlicht nur für 720p einen Sekundenpreis; für 1080p und 4K muss man auf die Preisseite schauen. Der im Blog empfohlene Ablauf: zuerst Entwürfe in 360p oder 720p erzeugen, per mehrstufiger Bearbeitung nachbessern und erst am Ende auf 1080p oder 4K hochskalieren.
Eine grobe Rechnung nach den öffentlichen Angaben:
| Clip | Version 1.1 (720p, ca. 0,10 US-Dollar/s) | 1.2 Flash (720p, 0,07 US-Dollar/s) |
|---|---|---|
| Einzelner 15-Sekunden-Clip | ca. 1,5 US-Dollar, mit Fortsetzung | ca. 1,05 US-Dollar |
| 30-Sekunden-Film (zwei Clips) | ca. 3 US-Dollar | ca. 2,1 US-Dollar |
Der Sekundenpreis von Version 1.1 ist ein Näherungswert, den wir zuvor aus der Token-Rechnung der Preisdokumentation abgeleitet haben; die 0,07 US-Dollar für 1.2 nennt Google selbst. Die Differenz passt im Wesentlichen zu den im Blog genannten 30 Prozent.
Die Tabelle berücksichtigt nur eine einzige Generierung. Wie oft man in der Entwurfsphase probiert, ob jede Runde der mehrstufigen Bearbeitung mit der vollen Clip-Länge neu berechnet wird und was das Hochskalieren auf 4K zusätzlich kostet, sagt der Blog nicht – die tatsächliche Rechnung fällt also höher aus als in der Tabelle. Wer Kurzvideos für den Onlinehandel nach dem Muster „Entwurf mehrfach überarbeiten, final hochskalieren“ produziert, hat Kosten pro Video, die vor allem von der Zahl der Überarbeitungen abhängen; der Listenpreis ist nur der Ausgangspunkt.
Die Schwächen, die Google selbst nennt
Der Blog nennt drei Bereiche, in denen noch nachgebessert wird: schnelle Sportbewegungen, Drehbücher mit häufig wechselnden Dialogen und komplexe Physikeffekte. Alle Leistungsbeschreibungen stammen aus von Google ausgewählten Beispielen, darunter eine Plakatsequenz und ein Vergleich von Start- und Endbild; quantitative Benchmarks gibt es nicht, ebenso wenig unabhängige Tests.
Für Entwickler in der Volksrepublik China gilt: Gemini API und Vertex AI werden auf dem chinesischen Festland nicht angeboten, die Nutzung setzt eine ausländische Gesellschaft und ein ausländisches Konto voraus. Chinesische Teams haben bereits Videomodelle wie Kling und Jimeng; Kling 4.0 konnte bei seinem Start im Oktober schon 30 Sekunden pro Video erzeugen. Die Kombination aus 15 Sekunden und 0,07 US-Dollar setzt vor allem ausländische Vergleichs-APIs unter Druck, die pro Sekunde abrechnen.
Quellen: Offizieller Google-Blog, Preisseite der Gemini API, CocoLoop; geprüft wurden 0,07 US-Dollar pro Sekunde für 720p, Clip-Längen von 3 bis 15 Sekunden und die Preissenkung von 30 Prozent gegenüber Version 1.1.