O Google lançou em 5 de novembro o modelo de geração e edição de vídeo Gemini Omni 1.2 Flash, que passou à disponibilidade geral no mesmo dia. O blog de lançamento coloca três mudanças logo no início: o limite nativo por clipe passou de 10 para 15 segundos, a fidelidade às imagens de referência é maior e o vídeo em 720p caiu para US$ 0,07 por segundo, 30% abaixo da versão 1.1.
O post é assinado por Anish Nangia, gerente de produto do Google DeepMind. Os desenvolvedores podem chamar o modelo pela Gemini API no Google AI Studio; os clientes corporativos usam o Vertex AI, do Google Cloud, que também oferece capacidade reservada (Provisioned Throughput). Para o público em geral, as portas de entrada são Flow, Google Vids e o app Gemini: o vídeo de 15 segundos no app Gemini está sendo liberado aos poucos apenas para assinantes do Google AI Ultra; no Google Vids, gerar um clipe de 15 segundos com uma conta Google ou uma assinatura do Workspace não tem custo adicional. O Google Ads também incorporou essa versão, para produzir em grande volume materiais de anúncios em vídeo.
Duração e consistência
A duração pode ser escolhida de 3 a 15 segundos, em passos de 1 segundo. A versão 1.1, de agosto, limitava cada clipe a 10 segundos; filmes mais longos dependiam da função de continuação, que ia encadeando trechos. A 1.2 alonga o clipe único, mantém a continuação e a interpolação entre primeiro e último quadro e, segundo o blog, reduz o desvio e a deformação de pessoas, objetos e cenários entre o quadro inicial e o final.
Há três tipos de entrada de referência: imagens de personagens, produtos e estilos; clipes de referência de movimento de até 3 segundos; e instruções de áudio. O Google cita como exemplos a prova virtual de roupas e a exibição de produtos em 360 graus, e afirma que a nova versão mantém rostos, roupas, tipografia de embalagens e cores de marca consistentes em diferentes ângulos de câmera.
A edição em várias rodadas agora cobre o clipe completo de 15 segundos: trocar o produto, mudar o fundo, ajustar iluminação e clima, alterar a proporção da tela, tudo pode ser refeito sobre o resultado da rodada anterior, sem gerar o clipe inteiro de novo. Na parte de voz, entrou o controle de vários falantes, que atribui vozes diferentes a cada personagem, e a sincronia labial também melhorou. Quanto aos movimentos de câmera, o blog destaca planos contínuos como voo FPV, afastamento e órbita, e diz que há menos cortes secos e proporções de imagem mais estáveis.
Todas as saídas levam marca d’água invisível SynthID.
Fazendo a conta em 720p
O Google só divulgou o preço por segundo de uma faixa, a de 720p; para 1080p e 4K é preciso consultar a página de preços. O fluxo sugerido no blog é gerar rascunhos em 360p ou 720p, refinar com edição em várias rodadas e só no fim ampliar para 1080p ou 4K.
Uma conta aproximada com base nos números públicos:
| Clipe | Versão 1.1 (720p, cerca de US$ 0,10/s) | 1.2 Flash (720p, US$ 0,07/s) |
|---|---|---|
| Clipe único de 15 s | cerca de US$ 1,5, com continuação | cerca de US$ 1,05 |
| Filme de 30 s (dois clipes) | cerca de US$ 3 | cerca de US$ 2,1 |
O preço por segundo da versão 1.1 é um valor aproximado que calculamos antes a partir do critério por tokens da documentação de preços; já os US$ 0,07 da 1.2 foram informados diretamente pelo Google. A diferença entre os dois bate, em linhas gerais, com os 30% citados no blog.
A tabela considera apenas uma geração. O blog não diz quanto se gasta testando repetidamente na fase de rascunho, se cada rodada de edição é cobrada pela duração inteira do clipe nem quanto se cobra a mais pela ampliação para 4K, de modo que a fatura real ficará acima da tabela. Para equipes de vídeos curtos de e-commerce que seguem o fluxo “rascunho com várias rodadas, ampliação só no definitivo”, o custo por vídeo depende sobretudo de quantas rodadas de edição forem feitas; o preço de tabela é apenas o ponto de partida.
As limitações que o próprio Google lista
O blog aponta três áreas que ainda estão em melhoria: movimentos esportivos rápidos, roteiros com falas que mudam com frequência e efeitos físicos complexos. Todas as descrições de desempenho vêm de exemplos escolhidos pelo Google, incluindo uma sequência de pôsteres e comparações entre primeiro e último quadro; não há notas de avaliação quantitativas nem testes de terceiros.
Para desenvolvedores na China continental, a Gemini API e o Vertex AI não oferecem serviço no país, e o uso exige uma entidade e uma conta no exterior. As equipes chinesas já contam com modelos de vídeo como Kling e Jimeng; quando o Kling 4.0 foi lançado, em outubro, já gerava 30 segundos por vídeo. A combinação de 15 segundos com US$ 0,07 pressiona sobretudo as APIs concorrentes no exterior que cobram por segundo.
Fontes: blog oficial do Google, página de preços da Gemini API, CocoLoop; foram conferidos US$ 0,07 por segundo em 720p, clipes de 3 a 15 segundos e a redução de 30% em relação à versão 1.1.