Em 27 de agosto, o Google liberou o modelo de vídeo Gemini Omni 1.1 Flash para desenvolvedores. O Google AI Studio abriu o acesso no mesmo dia, a API da plataforma Gemini Enterprise Agent foi integrada simultaneamente, e o Google Flow e o app Gemini entraram no ar para assinantes dos planos Plus, Pro e Ultra. No blog, o Google descreveu a nova versão assim:
"Omni 1.1 is production-ready for professional use via the Gemini API."
(O Omni 1.1, via API do Gemini, já está pronto para uso profissional em produção.)
A janela de continuação passa de um segundo para dez
A mudança mais concreta está na continuidade de cena. Na versão do final de junho, ao continuar um vídeo, o modelo lia apenas o último segundo — a informação recebida equivalia basicamente a um quadro estático: para onde a câmera estava se movendo, em que ponto o movimento da mão do personagem havia parado, nada disso o modelo conseguia inferir. O segundo trecho, por isso, costumava parecer outra locação — a consistência do personagem entre cenas não se mantinha, algo que o próprio Google já havia reconhecido na documentação da versão anterior.
A 1.1 estende essa janela para os dez segundos anteriores. A continuação ainda avança em blocos de dez segundos, mas a duração acumulada pode chegar a quarenta segundos. Um recurso novo permite especificar tanto o primeiro quanto o último quadro, mudando a transição de 'gerar e depois escolher' para 'fixar as duas pontas e deixar o modelo preencher o meio'. Quem trabalha com storyboard conhece bem essa lógica: com os quadros-chave fixados, o movimento intermediário passa a ter uma base para se apoiar.
Modo rascunho, upscaling para 4K e referência de vídeo de três segundos
As demais mudanças miram o fluxo de trabalho: um novo modo rascunho em 360p, com velocidade de geração até 60% mais rápida que em 720p, usado para testar composições rapidamente; depois de definido o corte final, é possível fazer upscaling para 4K. Na entrada multimodal, foi adicionada a referência de vídeo, com no máximo três segundos por trecho — antes só era possível enviar texto e imagens. A saída final sai em 1080p e 4K.
A referência de vídeo muda a forma de expressão do lado da entrada. Antes, para ensinar o modelo um movimento de câmera, só havia a descrição em texto — 'panorâmica lenta para a esquerda, leve tremido de câmera na mão' — e o quanto o modelo captava disso dependia da sorte; agora dá para enviar diretamente um clipe de amostra de três segundos. Três segundos não comportam uma cena inteira, mas comportam um movimento de câmera completo ou um ciclo de ação, e para séries que exigem uma linguagem visual uniforme, isso economiza bem mais trabalho do que escrever dez linhas de prompt. O modo rascunho em 360p forma um par com esse recurso: primeiro se define em baixa resolução os elementos estruturais — ritmo, composição, movimento de câmera —, depois se muda para alta resolução para acrescentar detalhe, sem precisar pagar o preço cheio a cada rodada.
Quanto custa um clipe de quarenta segundos
Desta vez o Google não listou o preço por segundo para cada resolução separadamente, deixando apenas uma referência de conversão na documentação de preços: a saída de vídeo é cobrada por token, um segundo em 720p equivale a 5792 tokens, a saída de vídeo do nível padrão custa US$ 17,50 por milhão de tokens, o que, calculado ao contrário, dá cerca de US$ 0,10 por segundo. Esse número é igual ao da versão de final de junho, sem alteração há dois meses.
Fazendo a conta aproximada em 720p, um clipe contínuo de quarenta segundos custa cerca de US$ 4. A conta do modo rascunho é separada: se primeiro se usa o 360p para filtrar dez composições até três, e depois se renderiza as três restantes em 720p ou 1080p para o corte final, o mesmo orçamento permite testar mais duas rodadas de linguagem visual. O preço real de 1080p e 4K o Google não divulgou; pela lógica da cobrança por token, dá para inferir que quanto maior a resolução, mais tokens por unidade de tempo e, portanto, maior o preço — o multiplicador exato ainda depende da documentação completa.
A linha da duração continua sendo empurrada para frente
Olhando a linha de produtos Omni como um todo, o ritmo fica claro. A versão preview de final de junho limitava cada segmento a dez segundos, a US$ 0,1 por segundo, com a limitação declarada abertamente. Dois meses depois, a duração de cada segmento não mudou, mas agora é possível encadear mais três vezes, a duração total quadruplicou, e a janela de contexto multiplicou por dez. O Google segue pela via de encadear segmentos: em vez de aumentar o comprimento de uma única geração, acumula a duração total fazendo com que cada segmento seja retomado com precisão pelo seguinte. Esse caminho é mais amigável para memória de vídeo e custo de inferência, e o preço a pagar é que a estabilidade nas emendas precisa se apoiar fortemente na janela de contexto — a janela passar de um para dez segundos é justamente o remendo para essa brecha.
Quarenta segundos não dá para montar um comercial completo, mas para aquele lote de vídeos curtos de dez a vinte segundos nas redes sociais, um trecho já basta, e dois trechos dão folga para edição. Ao escrever 'pronto para produção' no blog, o Google está apostando justamente nesse tipo de trabalho: alto volume, valor unitário baixo por clipe, mas com uma exigência básica de continuidade.
Fontes: blog de desenvolvedores do Google, Google DeepMind, CocoLoop, documentação de preços da API do Gemini; a referência de conversão do preço por segundo foi verificada com base em 5792 tokens por segundo em 720p e US$ 17,50 por milhão de tokens na saída de vídeo do nível padrão.