Was ist Gemini Omni Flash? Googles neues KI-Videomodell erklärt

Was Google tatsächlich rausgebracht hat

Ich lese beruflich viele Modell-Ankündigungen, und die meisten sind nur eine einzelne Fähigkeit in neuem Marketing-Gewand. Gemini Omni Flash ist wirklich anders aufgebaut: Es ist Googles Versuch eines Any-to-Any-Modells, bei dem Video der aktuelle Output ist, nicht der einzig geplante. Der Pitch aus der Ankündigung von DeepMind-CTO Koray Kavukcuoglu lautet, dass Omni der Punkt ist, an dem "Geminis Fähigkeit zu denken auf die Fähigkeit zu erschaffen trifft".

Konkret bedeutet das: Du kannst dem Modell eine Mischung aus Text, Bild, Video und (vorerst nur sprachbasiertem) Audio geben, und es erzeugt hochauflösendes Video mit Ton, das auf Geminis breiterem Weltwissen, Physik, Geschichte und kulturellem Kontext basiert, statt nur plausibel aussehende Einzelbilder zu liefern. Googles eigene Demo-Prompts spielen genau darauf an: eine Murmel, die durch eine Kettenreaktion rollt und dabei Impuls und Schwerkraft respektiert, ein Alphabet-Video, in dem jeder Buchstabe ein ungewöhnliches, thematisch passendes Objekt ist, eine Knetanimation, die Proteinfaltung erklärt.

Der Teil, bei dem es sich lohnt zu verweilen, ist das Bearbeitungsmodell. Fordere eine Änderung an, und die nächste Anweisung baut auf der letzten auf, statt die gesamte Szene neu zu generieren: Figuren bleiben an Ort und Stelle, Physik bleibt erhalten, und das Modell erinnert sich an das, was es bereits getan hat. Googles Demo führt eine Geigerin durch drei aufeinander aufbauende Bearbeitungen, wechselt die Umgebung, macht die Geige unsichtbar und tauscht dann den Kamerawinkel, ohne den roten Faden der ursprünglichen Einstellung zu verlieren.

Der Any-to-Any-Workflow

Die offizielle Modellkarte bestätigt, dass die Architektur ein Transformer mit nativer multimodaler Unterstützung für Text, Bild, Video und Audio ist. Inputs gehen als beliebige Kombination dieser vier Modalitäten ein; die bisher einzige ausgelieferte Output-Modalität ist Video mit Ton, wobei Google sagt, dass Bild- und Audio-Output "mit der Zeit" folgen. Das ist die "Any-to-Any"-Idee dahinter: ein Modell, mehrere Input-Typen, eine verbundene Kreativschleife statt separater Tools für Generierung und Bearbeitung.

Der Rollout folgte einem inzwischen vertrauten Google-Muster: erst Verbraucher, dann Entwickler. Gemini Omni Flash ging weltweit an Google AI Plus-, Pro- und Ultra-Abonnenten über die Gemini-App und Google Flow, plus kostenlos für Creator auf YouTube Shorts und in der YouTube-Create-App, alles gleich am ersten Tag. Der Entwickler- und Enterprise-API-Zugang folgte Wochen später und landete am 30. Juni 2026 in der öffentlichen Vorschau über Google AI Studio, die Gemini API und die Gemini Enterprise Agent Platform.

Zusammen mit Nano Banana 2 Lite: ein Workflow, nicht zwei Produkte

Omni Flash kam nicht allein. Google kündigte es zusammen mit Nano Banana 2 Lite an (Modell-ID gemini-3.1-flash-lite-image), dem schnellsten und günstigsten Modell der Nano-Banana-Bildgenerierungsfamilie: Text-zu-Bild in unter 4 Sekunden für 0,034 $ pro Bild in 1K-Auflösung, das den ursprünglichen Nano Banana als empfohlenen Standard ablöst. Für sich genommen ist das ein solides, wenn auch unspektakuläres Geschwindigkeits- und Kosten-Upgrade.

Interessant wird es dadurch, dass Google drei offizielle Demo-Apps gebaut hat, die die beiden Modelle miteinander verketten, statt sie als separate Produkte zu behandeln:

• Anywhere - nimmt ein Selfie, platziert dich mit Nano Banana 2 Lite an einem Wahrzeichen und animiert das Standbild dann mit Omni Flash zu einem Clip.
• Space Lift - gestaltet ein Raumfoto in verschiedenen Designstilen neu und verwandelt den gewählten Look dann in einen filmischen Rundgang.
• Omni product studio - wandelt statische Produktfotos in E-Commerce-Videos um.

Der unabhängige KI-News-Account Rohan Paul las den Launch genauso wie ich: dass die Kombination das eigentliche Produkt ist.

"Beide Modelle zu verketten ist die eigentliche Produktform, nicht eines der beiden Modelle allein. Nano Banana 2 Lite erstellt Referenzbilder, dann animiert Gemini Omni Flash sie."

Rohan Paul, X

Die Nano-Banana-Familie hat jetzt vier Stufen, laut dem Modellvergleichsdiagramm der Ankündigung selbst:

Googles eigenes Benchmark-Diagramm untermauert den Geschwindigkeitsanspruch: Nano Banana 2 Lite liegt bei der Latenz-Preis-Kurve deutlich vor dem Feld.

Was ein Clip tatsächlich kostet

Die Gemini-API-Preise von Gemini Omni Flash sind für ein Google-Modell ungewöhnlich einfach, vor allem weil es nur eine einzige Stufe gibt. Anders als bei den meisten Gemini-3.x-Modellen gibt es hier keine Batch-, Flex- oder Priority-Option, nur Standard, und überhaupt keine kostenlose Stufe.

Googles Preisseite legt die Rechnung offen dar: Die Abrechnung erfolgt auf Basis der gesamten Output-Tokens, bei 5.792 Tokens pro Sekunde 720p-Video, was auf rund 0,10 $ pro Sekunde hinausläuft. Rechnet man das auf die aktuelle 10-Sekunden-Obergrenze hoch, landet ein einzelner Clip bei etwas über 1 $, bevor überhaupt berücksichtigt ist, was die Eingabe deines Prompts oder deiner Referenzmedien kostet.

Google verheimlicht nicht, dass der Preis mit dem eines direkten Konkurrenten übereinstimmt. Gemini-API-Devrel-Lead Logan Kilpatrick verkündete es genau in diesen Worten:

"Omni Flash ist SOTA bei der Videobearbeitung für 0,10 $ / Sek, genauso wie Veo 3.1 Fast!"

Logan Kilpatrick, X

Eine Kuriosität, die sich in den Fußnoten der Preisseite versteckt: Gemini Omni Flash Preview ist mit "Ja" markiert, was die Nutzung von Inhalten zur Verbesserung von Googles Produkten betrifft, selbst in der kostenpflichtigen Stufe, wo die meisten anderen kostenpflichtigen Gemini-Modelle "Nein" sagen. Gut zu wissen, bevor du etwas Sensibles einspeist.

Wo es noch an Grenzen stößt

Die offizielle Modellkarte ist ungewöhnlich offen darüber, was noch nicht funktioniert, drei konkrete Herausforderungen werden namentlich genannt: das Aufrechterhalten voller Konsistenz über Bearbeitungen hinweg, das Generieren von Szenen mit komplexer Bewegung und die genaue Darstellung von Text im Bild. Google weist außerdem darauf hin, dass die Charakterkonsistenz "gewisse Einschränkungen" hat, insbesondere bei Szenenwechseln und Kameraschwenks, also genau der Art von Bearbeitung, auf die die eigenen Demos am stärksten setzen.

Auch die API hat noch raue Kanten. Audio-Referenz-Uploads und Szenenerweiterung werden noch nicht unterstützt, und Video-Referenzen von bis zu 3 Sekunden werden zwar vom Schema akzeptiert, aber vom Modell nicht korrekt verarbeitet. Und es gibt keine veröffentlichten Benchmark-Daten: DeepMinds Modellkarte verschiebt Bewertungswerte für Text-zu-Video, Bild-zu-Video, Referenz-zu-Video und Bearbeitung ausdrücklich, bis das Modell eine breitere API-Verfügbarkeit erreicht.

Ein Praktiker auf LinkedIn widersprach der Aussage zur Reife des Modells direkt, in einem Kommentar zur ursprünglichen Gemini-Omni-Ankündigung von der I/O:

"Das stimmt so nicht ganz! Es funktioniert nur bei bestimmten Auflösungen, und die Charakterkonstanz ist immer noch nicht vollständig ausgereift. Für YouTuber ist es nett, macht Spaß. Aber überhaupt nicht auf professionellem Produktionsniveau."

Melwin Sam, LinkedIn

Googles eigene Modellkarte bestätigt einen Teil dieser Einschätzung mit ihrer auffälligsten Offenlegung: Das Modell kann bereits verändern, was jemand in einem Video sagt, und Google schränkt das bewusst ein, "während es daran arbeitet zu verstehen, wie man das sicher und verantwortungsvoll für Nutzer bereitstellt". Das ist eine echte Fähigkeit, die absichtlich zurückgehalten wird, keine Einschränkung, für die sich Google entschuldigt.

Ein weiterer Kommentator, unter Google Clouds eigener LinkedIn-Ankündigung, brachte auf den Punkt, warum der Bearbeitungsanspruch wichtiger ist als die Generierungsqualität:

"Konversationelle Bearbeitung bei der Videogenerierung ist das schwierigere Problem als die anfängliche Generierungsqualität, da das Aufrechterhalten von Konsistenz über Bearbeitungsschritte hinweg erfordert, den Szenenzustand zu verfolgen, nicht nur ein gutes Einzelbild zu erzeugen."

EurosHub, LinkedIn

Und ein zweiter Leser in demselben Thread stellte die Frage, die auf jeden schnelllebigen Enterprise-KI-Launch folgt:

"Da zunehmend leistungsfähige KI-Agenten in Geschäftsprozesse eingebettet werden, reicht technische Leistung allein nicht aus, um zu zeigen, dass eine Organisation bereit ist, sie sicher zu betreiben."

Glen Stansfield, LinkedIn

Diese letzte Zeile würde ich unterstreichen. Es geht dabei eigentlich nicht um Videomodelle. Es geht darum, dass jede KI-Fähigkeit schneller in einem laufenden Geschäftsprozess landet, als die Organisation drumherum die Leitplanken bauen kann, um sie sicher zu betreiben, und genau das ist das Problem, über das ich jeden Tag beim Bauen von Support-Automatisierung nachdenke.

Wo es passt, und wo nicht

Gemini Omni Flash ist ein starker, ehrlich dokumentierter Schritt hin zu Googles Any-to-Any-Vision, und wenn dein Job das Produzieren von Marketingclips, Produktvideos oder kreativen Inhalten umfasst, lohnt sich ein ernsthafter Blick darauf, besonders in Kombination mit Nano Banana 2 Lite für den Bild-zu-Video-Workflow. Für ein SEO-Team oder eine Content-Agentur, die bereits in eesels Welt unterwegs ist, ist das ein echtes angrenzendes Tool: Ich baue eesels Blog-Writer-Agent für Recherche und Textentwürfe, und eine schnelle Video-Ebene obendrauf ist eine wirklich nützliche Ergänzung, kein Konkurrent dazu.

Aber es ist immer noch ein generatives Medienmodell, kein Support-System. Es kennt deine Rückerstattungsrichtlinie nicht, hat keine Warteschlange echter Tickets, aus denen es lernen kann, und nichts an "10-sekündigen Videoclips" berührt die eigentliche Aufgabe, die die meisten Leser dieses Beitrags haben: ein Postfach oder eine Zendesk-Warteschlange, die sich staut, während jede Schlagzeile von Video-KI handelt. Ich habe Jahre damit verbracht zu beobachten, wie selbstbewusst klingende KI einem echten Kunden eine falsche Antwort gibt, und genau deshalb zählen die langweiligen Teile, das Simulieren anhand deiner historischen Tickets, bevor irgendetwas live geht, das Eskalieren statt Raten, wenn sich das Modell unsicher ist, mehr als eine glänzende Demo.

Probiere eesel für die Warteschlange, die Video-KI nicht anfasst

Wenn das eigentliche Problem auf deinem Tisch ein wachsender Rückstau an Support-Tickets ist und kein Mangel an Video-Content, dafür baue ich eesel. Es ist ein KI-Teammitglied, das sich in Minuten in Zendesk, Freshdesk, Intercom oder welches Helpdesk du auch schon nutzt einklinkt, von Tag eins an aus deinen vergangenen Tickets und Hilfe-Dokumenten lernt und Tier-1-Anfragen entwirft, priorisiert oder löst, ohne dass du einen neuen Stack pflegen musst.

Bevor es überhaupt mit einem echten Kunden in Kontakt kommt, simuliert eesel anhand deiner historischen Tickets, sodass du genau siehst, was es gesagt und wie viel es gelöst hätte, dieselbe Leitplanken-zuerst-Instinkt, auf die die oben zitierten LinkedIn-Kommentatoren in einem anderen Zusammenhang abzielten. So hat Gridwise im ersten Monat 73 % der Tier-1-Anfragen gelöst, und so betreibt Smava einen vollständig automatisierten Agenten über mehr als 100.000 Tickets im Monat. Die Preise liegen bei 0,40 $ pro gelöstem Ticket, ohne Sitzplatzgebühren, und die ersten 50 $ an Nutzung sind kostenlos.

Googles Omni Flash und Nano Banana 2 Lite sind eine wirklich gute Antwort auf "Wie erstelle ich Video-Content schneller?". Wenn deine eigentliche Antwort "Wie stoppe ich das Ertrinken in Tickets?" lautet, ist ein zweckgebauter KI-Helpdesk-Agent das richtige Werkzeug dafür, und du kannst eesel kostenlos ausprobieren.