Was Gemini Omni Flash tatsächlich ist
Gemini Omni Flash ist das erste Modell in Google DeepMinds neuer "Gemini Omni"-Familie, die die Modellkarte als "nächsten Schritt hin zu Modellen, die aus jedem Input heraus alles erstellen und bearbeiten können, angefangen mit Video" beschreibt. Auf einfache Worte gebracht: Es ist ein nativ multimodales Modell, das Text, Bilder, Audio und Video akzeptiert und hochauflösendes Video mit Ton ausgibt.
Googles eigener Einzeiler ist die klarste Beschreibung, die ich gesehen habe: "Stellen Sie sich Gemini Omni wie Nano Banana vor, nur für Video." Wenn Sie Googles Nano-Banana-Bildeditor genutzt haben, bei dem Sie ein Bild mit aufeinanderfolgenden Prompts anstoßen, ist genau das die Erfahrung, die hier auf Video übertragen wird.
Die Modellkarte ging am 19. Mai 2026 online, die Verbraucherversion rollte zunächst über die Gemini-App und YouTube aus, und Entwickler erhielten am 30. Juni 2026 API-Zugriff unter der Modell-ID gemini-omni-flash-preview. Es steht klar in derselben Liga wie Runway, Pika und ByteDances Seedance, und eine Stufe unter Googles eigenem Flaggschiff Veo.
Wie Gemini Omni Flash funktioniert
Unter der Haube ist es ein transformerbasiertes Modell mit nativer Unterstützung für Text, Bild, Video und Audio, trainiert auf Googles TPUs. Googles Verkaufsargument ist, dass es generative Medien mit Geminis Weltwissen paart, sodass der Output "physikalisch und logisch kohärent statt nur stilistisch plausibel" sein soll, gestützt auf ein "Verständnis von Physik" sowie Wissen über Geschichte, Wissenschaft und Kultur.
Die API stellt fünf Fähigkeits-Familien bereit: Text-zu-Video-Audio, Bild-zu-Video-Audio, Referenz-zu-Video-Audio, Videobearbeitung und Bildgenerierung. Ein Vorbehalt, den man klar aussprechen sollte: Google hat für keine davon Evaluationswerte veröffentlicht. Die Modellkarte verschiebt Benchmarks offen auf später und sagt, sie "werden geteilt, sobald wir für Entwickler und Unternehmenskunden über APIs ausrollen." Wer also behauptet, Omni Flash schlage einen Konkurrenten bei den Zahlen, rät nur, weil die Zahlen noch nicht existieren.
Konversationelle Bearbeitung ist die eigentliche Schlagzeile
Wenn ein Feature den Launch rechtfertigt, dann ist es das zustandsbehaftete Bearbeiten. Statt jedes Mal einen riesigen Prompt neu zu schreiben, wenn Sie eine Änderung wollen, erzeugen Sie einen Clip und verfeinern ihn dann Anweisung für Anweisung, während sich das Modell an den Rest der Szene erinnert.
Es läuft über Googles Interactions API, und der Mechanismus ist ein einziges Feld, previous_interaction_id, das eine Folgeanweisung an ein vorheriges Ergebnis anknüpft, "ohne das vorherige Video erneut hochzuladen." Googles eigenes durchgerechnetes Beispiel macht die Schleife deutlich:
# Turn 1: Generate initial video
res1 = client.interactions.create(model="gemini-omni-flash-preview", input="A woman playing violin outdoors.")
# Turn 2: Edit the previous video
res2 = client.interactions.create(
model="gemini-omni-flash-preview",
previous_interaction_id=res1.id,
input="Make the violin invisible."
)
Googles Prompting-Hinweise folgen derselben Idee: Bearbeitungen kurz halten ("Make this video anime", "Change the lighting to be more dramatic"), "Keep everything else the same" hinzufügen, um die Szene festzuhalten, und Entfernen der Über-Beschreibung vorziehen ("Make the phone invisible" schlägt einen ganzen Absatz). Es ist ein wirklich schönes Denkmodell, und das Nächste, was es gibt, um Video so zu bearbeiten, wie man ein Dokument bearbeiten würde.
Zwei Stolperfallen würde ich markieren, bevor Sie darauf aufbauen. Erstens: Wenn Sie store=false setzen, um die Generierung zu beschleunigen, ist der Clip in späteren Runden nicht mehr bearbeitbar, was den ganzen Sinn der Sache still und leise zunichtemacht. Zweitens: Das Bearbeiten selbst hochgeladener Videos ist im EWR, in der Schweiz und im Vereinigten Königreich nicht verfügbar, auch wenn das Bearbeiten modellgenerierter Clips überall funktioniert. Diese regionale Sperre übersieht man leicht, bis ein europäischer Nutzer darauf stößt.
Was Gemini Omni Flash kostet
Hier die reale Zahl vorab: Video-Output wird mit 17,50 $ pro 1 Mio. Token abgerechnet, und Google bepreist 720p-Video mit 5.792 Token pro Sekunde, was bei Standardpreisen auf etwa 0,10 $ pro Sekunde hinausläuft. Input über alle Modalitäten hinweg kostet pauschal 1,50 $ pro 1 Mio. Token.
| Posten | Kostenlose Stufe | Bezahlte Stufe |
|---|---|---|
| Input (Text / Bild / Video / Audio) | Nicht verfügbar | 1,50 $ / 1 Mio. Token |
| Output (Text) | Nicht verfügbar | 9,00 $ / 1 Mio. Token |
| Output (Video) | Nicht verfügbar | 17,50 $ / 1 Mio. Token (≈ 0,10 $/Sek. bei 720p) |
| Batch- / Flex- / Priority-Rabatt | Keiner | Keiner gelistet |
| Bereitgestellter Durchsatz | Nicht unterstützt | Nicht unterstützt |
| Wird zur Verbesserung von Googles Produkten genutzt | Ja | Nein |
Einiges sticht hervor. Es gibt keine kostenlose Stufe, Sie können also nicht ohne bezahlten Schlüssel experimentieren. Es gibt zudem keine Batch-, Flex- oder Priority-Tabelle für dieses Modell, anders als beim Großteil der Gemini-3.x-Reihe, sodass es keinen dokumentierten 50-%-Batch-Rabatt gibt, auf den man sich für Massenaufträge stützen könnte. Der Satz von 0,10 $/Sek. selbst ist vernünftig, aber es ist ein Meter pro Sekunde, der sich im großen Maßstab schnell summiert.
Zur Einordnung: Ein 10-sekündiger Clip kostet etwa 1 $, ein 30-sekündiger Clip etwa 3 $, und eine Minute Video rund 6 $, noch bevor Sie die Neu-Generierungen mitzählen, die jeder KI-Video-Workflow braucht. Beim Launch beschrieb Google eine Obergrenze von 10 Sekunden pro Generierung, wobei längere Laufzeiten "demnächst" kommen sollen, sodass dies heute ein Werkzeug für kurze Clips ist, nicht für ganze Szenen. Wenn Sie das breitere Preisbild vergleichen möchten, deckt mein Überblick über die Gemini-, OpenAI- und Anthropic-APIs ab, wie sich diese Abrechnungsmodelle zueinander verhalten.
Wo es einzuordnen ist: nicht Googles bestes Videomodell
Das ist die Einordnung, der ich in der Launch-Berichterstattung am stärksten widersprechen würde. Omni Flash wird ausdrücklich als die schnelle, erschwingliche Stufe positioniert, wobei Google anmerkt, dass der Satz von 0,10 $/Sek. Veo 3.1 Fast entspricht. "Fast" ist der Verräter: Das ist nicht das Modell, zu dem man greift, wenn man Googles absolut beste Bildqualität will, das ist Veo. Und gegen die aktuelle unabhängige Spitzengruppe war die Resonanz gedämpft.
Das lauteste Thema im Hacker-News-Launch-Thread (323 Punkte) war, dass Intensivnutzer es abwertend mit ByteDances Seedance verglichen. Jemand, der angibt, Tausende für Seedance ausgegeben zu haben, war unverblümt:
"Beim ersten Gebrauch bin ich nicht beeindruckt. Ich habe wohl bislang ein paar tausend Dollar für Seedance 2 ausgegeben, und ich kann nichts finden, was Googles Omni Flash bei ein paar Testläufen besser macht als Seedance."
Ein anderer stimmte zu und merkte an, dass Seedances nächste Version schon nahe ist:
"Wer Seedance 2.0 etwas benutzt hat, merkt, dass Gemini etwas hinterherhinkt, und Seedance 2.1 steht schon am Horizont."
Das ist das ehrliche Wettbewerbsbild: ein solides, günstiges Modell, das Intensivnutzer derzeit hinter der Spitzengruppe einordnen, verkauft über Workflow und Preis statt über rohe Qualität.
Die Einschränkungen, die man kennen sollte
Google ist in der Modellkarte erfrischend offen und nennt drei offene Herausforderungen: Konsistenz über Bearbeitungen hinweg beibehalten, komplexe Bewegung erzeugen und akkuraten Bildschirmtext darstellen. Die Community fand die scharfen Kanten schnell. Ein Entwickler, der beruflich Physiksimulationen schreibt, führte seinen Standardtest durch:
"'Ein Video eines Jenga-Turms, der umfällt, während ein Stein entfernt wird. Die Physik jedes Steins muss realistisch sein.' Es lieferte mir ein Video, in dem Steine plötzlich verschwinden oder ineinander übergehen."
Ein anderer wies auf das tiefere Problem hinter dem Wackeln hin:
"Subtile räumliche Fehler und Geometrie, die sich ändert, während sie außer Sicht gerät und zurückkommt, deuten darauf hin, dass Google das Problem des tiefen räumlichen Verständnisses noch nicht gelöst hat."
Über die Qualität hinaus prägen drei praktische Grenzen, was Sie bauen können. Es gibt keine Stimm- oder Sprachbearbeitung: Das Modell könnte technisch ändern, was Menschen sagen, aber Google schränkt das bewusst ein, als Schutzmaßnahme gegen Identitätsmanipulation. Es gibt keine Videoverlängerung oder -interpolation, sodass man für das Zusammenfügen von Szenen auf Veo 3.1 verwiesen wird. Und es gibt noch kein Multi-Video-Reasoning oder Audio-Referenz-Upload. Auf der Sicherheitsseite trägt jeder Clip ein unsichtbares SynthID-Wasserzeichen, das sich programmatisch erkennen lässt, ein echter Pluspunkt für die Herkunftskennzeichnung.
Es gibt auch eine schlichte Marken-Beschwerde, die immer wieder aufkam, und sie ist berechtigt:
"Ihre Produkte sind auch ziemlich unübersichtlich. Veo, Gemini Omni Flash, Spark, Flow, Duo .... Eine Menge verwirrender und konkurrierender Produktlinien."
Omni Flash startete zusammen mit einem Schwester-Bildmodell, Nano Banana 2 Lite, das sich in Googles gestufte "Lite / Standard / Pro"-Bildreihe einfügt, dieselbe "günstig-schnell versus teuer-gut"-Aufteilung, die Omni Flash für Video darstellt.
Also, sollten Sie es nutzen?
Wenn Sie kreative Tools oder Video-Werkzeuge entwickeln und ein günstiges Modell mit einer wirklich angenehmen konversationellen Bearbeitungsschleife wollen, lohnt sich Omni Flash zum Ausprobieren, besonders wenn kurze 720p-Clips zu Ihrem Anwendungsfall passen und Sie ohne kostenlose Stufe auskommen. Wenn Ihr Maßstab erstklassige Detailtreue, komplexe Physik oder lange Szenen ist, legen die eigenen Tests der Community nahe, dass Sie mit Veo für Googles beste Qualität oder mit Seedance für die aktuelle unabhängige Spitzengruppe glücklicher werden. Und es ist früh: keine Benchmarks, ein Preview-Label, und eine Roadmap voller "demnächst"-Features bedeuten, dass sich das heutige Urteil noch verschieben könnte.
Ein HN-Kommentator brachte das Ganze auf den Punkt, und ich stimme dem Geist nach zu:
"Es ist urkomisch, wie viele Leute erwarten, dass KI Dinge einfach im ersten Versuch perfekt hinbekommt."
Behandeln Sie es als iterativen Bearbeitungspartner, nicht als Ein-Schuss-Orakel, dann ist es eine solide, erschwingliche Option. Verwechseln Sie nur nicht die schnelle Stufe mit Googles bester.
eesel: KI für die Arbeit, die Videomodelle nicht anfassen können
Eine kurze ehrliche Anmerkung, da dies ein eesel-Blog ist. Omni Flash ist ein Medienmodell, und es gibt nichts, was es für eine Support-Warteschlange bringt. Aber genau dieser Instinkt "KI, die sich einbindet und den langweiligen Teil erledigt" ist das, woran ich bei eesel arbeite, nur auf Kundensupport statt auf Video ausgerichtet.
Wo Omni Flash Clips erzeugt, bindet sich eesels KI-Agent in Ihr bestehendes Helpdesk ein (Zendesk, Freshdesk, Gorgias und mehr), lernt aus Ihren vergangenen Tickets und Ihrem Hilfe-Center und löst reale Kundengespräche eigenständig. Wir betreiben seit Jahren KI auf echten Support-Warteschlangen, was uns gelehrt hat, jeden Rollout gegen historische Tickets zu simulieren, bevor er einen echten Kunden erreicht, die wenig glamouröse Ingenieursarbeit, die ein Demovideo nie zeigt. Es ist kostenlos zu testen, und anders als bei Omni Flash gibt es tatsächlich einen kostenlosen Weg, um zu starten.
Häufig gestellte Fragen
Was ist Gemini Omni Flash?
gemini-omni-flash-preview.Wie viel kostet Gemini Omni Flash?
Ist Gemini Omni Flash besser als andere KI-Videomodelle?
Kann Gemini Omni Flash meine eigenen hochgeladenen Videos bearbeiten?
Sollten Unternehmen Gemini Omni Flash für den Support einsetzen?
Article by
Alicia Kirana Utomo
Kira is a writer at eesel AI with a Computer Science background and over a year of hands-on experience evaluating AI-powered customer service tools. She focuses on breaking down how helpdesk platforms and AI agents actually work so that support teams can make better buying decisions.
