Pada 27 Agustus, Google merilis model video Gemini Omni 1.1 Flash untuk pengembang. Google AI Studio dibuka hari itu juga, API platform Agent Gemini Enterprise ikut terhubung secara bersamaan, sementara Google Flow dan aplikasi Gemini mulai tersedia bagi pelanggan Plus, Pro, dan Ultra. Dalam blog resminya, Google memberi pernyataan posisi untuk versi ini:
"Omni 1.1 is production-ready for professional use via the Gemini API."
(Omni 1.1, melalui Gemini API, sudah mencapai tingkat yang siap dipakai untuk produksi profesional.)
Jendela sambungan video melompat dari 1 detik ke 10 detik
Perubahan paling substansial ada pada kesinambungan adegan. Versi akhir Juni hanya membaca detik terakhir video saat menyambungkan klip, sehingga informasi yang diterima model kurang lebih setara satu bingkai statis: ke arah mana kamera sedang bergerak, atau sampai tahap mana gerakan tangan karakter berlangsung, sama sekali tidak bisa diketahui. Akibatnya, segmen lanjutan sering terlihat seperti berpindah lokasi syuting—konsistensi karakter lintas adegan sulit dipertahankan, hal yang diakui sendiri oleh Google dalam dokumentasi versi sebelumnya.
1.1 memperpanjang jendela ini menjadi 10 detik pertama. Proses penyambungan tetap berjalan per segmen 10 detik, tetapi total panjangnya kini bisa ditumpuk hingga 40 detik. Fitur baru yang menyertainya memungkinkan penentuan bingkai pertama dan terakhir sekaligus, sehingga transisi berubah dari "hasilkan dulu, baru pilih" menjadi "kunci dua ujungnya lebih dulu, biarkan model mengisi bagian tengah". Bagi orang yang biasa membuat storyboard, logika ini tidak asing: begitu keyframe terkunci, gerakan di tengah baru punya dasar untuk diekstrapolasi.
Mode draf, upscale 4K, dan referensi video 3 detik
Perubahan lainnya semuanya menyasar alur kerja: ada mode draf 360p baru yang menghasilkan output hingga 60% lebih cepat dibanding 720p, berguna untuk menyaring komposisi dengan cepat; setelah potongan final ditentukan, bisa di-upscale ke 4K; pada sisi input multimodal ditambahkan referensi video, satu klip referensi bisa berdurasi hingga 3 detik, yang sebelumnya hanya bisa menerima teks dan gambar. Output akhir tersedia dalam dua tingkat, 1080p dan 4K.
Referensi video mengubah cara mengekspresikan input. Sebelumnya, jika ingin model mempelajari suatu gerakan kamera tertentu, satu-satunya cara adalah deskripsi teks seperti "geser perlahan ke kiri, sedikit goyangan handheld", dan sejauh mana model benar-benar menangkap maksud itu sepenuhnya bergantung pada keberuntungan. Sekarang, klip contoh berdurasi 3 detik bisa langsung dimasukkan. Tiga detik memang tidak cukup untuk menampung satu adegan utuh, tetapi cukup untuk menampung satu gerakan kamera lengkap atau satu putaran aksi, dan bagi karya serial yang membutuhkan bahasa visual yang konsisten, ini jauh lebih hemat usaha dibanding menulis sepuluh baris prompt. Tingkat draf 360p dirancang berpasangan dengan fitur ini: gunakan resolusi rendah lebih dulu untuk mengunci elemen struktural seperti ritme, komposisi, dan gerakan kamera, baru kemudian beralih ke resolusi tinggi untuk melengkapi detail, tanpa harus membayar harga penuh di setiap putaran.
Berapa biaya untuk satu klip 40 detik
Kali ini Google tidak mencantumkan harga per detik untuk masing-masing resolusi secara terpisah, hanya meninggalkan satu basis konversi dalam dokumen harga: output video ditagih per token, 720p setara dengan 5.792 token per detik, dan output video tingkat standar dikenakan biaya 17,50 dolar AS per juta token—jika dihitung mundur, itu setara sekitar 0,10 dolar AS per detik. Angka ini sama persis dengan versi akhir Juni, tidak berubah selama dua bulan.
Dengan perkiraan kasar berdasarkan tarif 720p, satu klip 40 detik yang berkesinambungan menghabiskan sekitar 4 dolar AS. Biaya mode draf harus dihitung terpisah: jika lebih dulu memakai 360p untuk menyaring 10 opsi komposisi menjadi 3, lalu membawa ketiga opsi tersisa ke 720p atau 1080p untuk hasil akhir, anggaran yang sama bisa dipakai untuk dua putaran percobaan bahasa kamera tambahan. Harga sebenarnya untuk 1080p dan 4K belum diumumkan Google; berdasarkan aturan penagihan per token, semakin tinggi resolusi biasanya semakin banyak token yang terpakai per satuan waktu dan semakin mahal harganya, tetapi kelipatan pastinya masih menunggu dokumentasi dilengkapi.
Batas durasi terus didorong mundur
Jika lini produk Omni dirangkai, polanya cukup jelas. Versi pratinjau akhir Juni membatasi satu segmen maksimal 10 detik dengan harga 0,1 dolar AS per detik, dan keterbatasan itu dinyatakan secara gamblang. Dua bulan kemudian, panjang satu segmen tidak berubah, tetapi kini bisa disambung tiga kali lagi, sehingga total durasi menjadi empat kali lipat, sementara jendela konteksnya membesar sepuluh kali lipat. Jalan yang ditempuh Google adalah penyambungan segmen: bukan menumpuk panjang satu kali proses generasi, melainkan mengandalkan setiap segmen yang tersambung secara akurat ke segmen berikutnya untuk mengumpulkan total durasi. Pendekatan ini lebih ramah terhadap VRAM dan biaya inferensi, tetapi konsekuensinya stabilitas di titik sambungan harus ditopang paksa oleh jendela konteks—perluasan jendela dari 1 detik menjadi 10 detik justru dimaksudkan untuk menambal celah ini.
Empat puluh detik memang belum cukup untuk menyunting satu iklan yang utuh, tetapi untuk video pendek berdurasi 10 hingga 20 detik yang mendominasi platform media sosial, satu segmen sudah cukup, dan dua segmen memberi ruang untuk penyuntingan. Ketika Google menuliskan "siap dipakai untuk produksi profesional" di blognya, taruhannya memang ada pada jenis pekerjaan bervolume besar, bernilai per klip tidak tinggi, namun tetap membutuhkan konsistensi dasar seperti ini.
Sumber: Google Developer Blog, Google DeepMind, CocoLoop, dokumen harga Gemini API; konversi harga per detik diverifikasi berdasarkan tarif 720p sebesar 5.792 token per detik dan harga output video tingkat standar 17,50 dolar AS per juta token.