Google presentó el 5 de noviembre el modelo de generación y edición de vídeo Gemini Omni 1.2 Flash, que pasó a estar disponible de forma general ese mismo día. El blog del lanzamiento sitúa tres cambios al principio: el límite nativo por clip sube de 10 a 15 segundos, la fidelidad a las imágenes de referencia es mayor y el vídeo en 720p baja a 0,07 dólares por segundo, un 30% menos que la versión 1.1.
El texto lo firma Anish Nangia, product manager de Google DeepMind. Los desarrolladores pueden usar el modelo mediante la Gemini API en Google AI Studio; los clientes empresariales, a través de Vertex AI de Google Cloud, que además ofrece capacidad reservada (Provisioned Throughput). Para el público general, las vías de acceso son Flow, Google Vids y la app de Gemini: el vídeo de 15 segundos en la app de Gemini se está abriendo poco a poco solo a suscriptores de Google AI Ultra; en Google Vids, generar un clip de 15 segundos con una cuenta de Google o una suscripción de Workspace no tiene coste adicional. Google Ads también ha incorporado esta versión para producir en masa material de anuncios en vídeo.
Duración y coherencia
La duración se puede elegir de 3 a 15 segundos, en pasos de 1 segundo. La versión 1.1, de agosto, limitaba cada clip a 10 segundos; para películas más largas había que recurrir a la función de continuación y encadenar tramos. La 1.2 alarga el clip individual, conserva la continuación y la interpolación entre primer y último fotograma y, según el blog, reduce la deriva y la deformación de personas, objetos y escenas entre el fotograma inicial y el final.
Hay tres tipos de entrada de referencia: imágenes de personajes, productos y estilos; clips de referencia de movimiento de hasta 3 segundos; e indicaciones de audio. Google pone como ejemplos la prueba virtual de ropa y la exhibición de productos en 360 grados, y afirma que la nueva versión mantiene coherentes los rostros, la ropa, las tipografías de los envases y los colores de marca desde distintos ángulos de cámara.
La edición en varias rondas ahora abarca el clip completo de 15 segundos: cambiar el producto, el fondo, la iluminación y el clima, o la relación de aspecto, todo se puede seguir modificando sobre el resultado de la ronda anterior, sin regenerar el clip entero. En la voz se añade el control de varios hablantes, que asigna voces distintas a cada personaje, y también mejora la sincronización labial. En cuanto a los movimientos de cámara, el blog menciona planos continuos como el vuelo FPV, el alejamiento y la órbita, y asegura que hay menos cortes bruscos y una proporción de imagen más estable.
Todas las salidas llevan una marca de agua invisible SynthID.
Echando cuentas con 720p
Google solo ha publicado el precio por segundo de un nivel, el de 720p; para 1080p y 4K hay que consultar la página de precios. El flujo que recomienda el blog es generar borradores en 360p o 720p, afinarlos con edición en varias rondas y ampliar a 1080p o 4K solo al final.
Un cálculo aproximado con las cifras públicas:
| Clip | Versión 1.1 (720p, unos 0,10 dólares/s) | 1.2 Flash (720p, 0,07 dólares/s) |
|---|---|---|
| Un clip de 15 s | unos 1,5 dólares, con continuación | unos 1,05 dólares |
| Película de 30 s (dos clips) | unos 3 dólares | unos 2,1 dólares |
El precio por segundo de la versión 1.1 es una cifra aproximada que calculamos antes a partir del criterio por tokens de la documentación de precios; los 0,07 dólares de la 1.2 los da Google directamente. La diferencia entre ambos encaja, en lo esencial, con el 30% que menciona el blog.
La tabla solo cuenta una generación. El blog no dice cuánto se gasta probando una y otra vez en la fase de borrador, si cada ronda de edición se factura por la duración completa del clip ni cuánto se cobra de más por ampliar a 4K, así que la factura real será superior a la de la tabla. Para los equipos de vídeo corto de comercio electrónico que sigan el flujo de «borrador con varias rondas de edición y ampliación solo al cerrar», el coste por vídeo dependerá sobre todo de cuántas rondas se hagan; el precio de lista es solo el punto de partida.
Las limitaciones que enumera la propia Google
El blog señala tres áreas en las que aún se está mejorando: acciones deportivas de movimiento rápido, guiones con diálogos que cambian con frecuencia y efectos físicos complejos. Todas las descripciones de rendimiento proceden de ejemplos elegidos por Google, entre ellos una secuencia de carteles y comparativas de primer y último fotograma; no hay puntuaciones de evaluación cuantitativas ni pruebas de terceros.
Para los desarrolladores de China continental, la Gemini API y Vertex AI no ofrecen servicio en el país, y para usarlos hace falta una entidad y una cuenta en el extranjero. Los equipos chinos ya cuentan con modelos de vídeo como Kling y Jimeng; cuando Kling 4.0 salió en octubre, ya generaba 30 segundos por vídeo. La combinación de 15 segundos y 0,07 dólares presiona sobre todo a las API extranjeras equivalentes que cobran por segundo.
Fuentes: blog oficial de Google, página de precios de la Gemini API, CocoLoop; se verificaron los 0,07 dólares por segundo en 720p, los clips de 3 a 15 segundos y la rebaja del 30% respecto a la versión 1.1.