O que o Gemini Omni Flash realmente é
O Gemini Omni Flash é o primeiro modelo da nova família "Gemini Omni" do Google DeepMind, que o model card descreve como um "próximo passo rumo a modelos capazes de criar e editar qualquer coisa a partir de qualquer entrada, começando pelo vídeo." Em termos simples: é um modelo nativamente multimodal que aceita texto, imagens, áudio e vídeo, e gera vídeo em alta resolução com áudio.
A própria frase de efeito do Google é a descrição mais clara que já vi: "Pense no Gemini Omni como o Nano Banana, só que para vídeo." Se você já usou o editor de imagens Nano Banana do Google, em que você ajusta uma imagem com prompts sucessivos, essa é a experiência que eles estão transportando para o vídeo.
O model card foi publicado em 19 de maio de 2026, a versão para consumidores foi lançada primeiro pelo app Gemini e pelo YouTube, e os desenvolvedores obtiveram acesso via API em 30 de junho de 2026 sob o ID de modelo gemini-omni-flash-preview. Ele está claramente na mesma conversa que Runway, Pika e o Seedance da ByteDance, e um degrau abaixo do próprio Veo, o carro-chefe do Google.
Como o Gemini Omni Flash funciona
Por baixo do capô, é um modelo baseado em transformer com suporte nativo para texto, visão, vídeo e áudio, treinado nas TPUs do Google. O discurso do Google é que ele combina mídia generativa com o conhecimento de mundo do Gemini, de modo que a saída deve ser "fisicamente e logicamente coerente, e não apenas estilisticamente plausível", recorrendo a uma "compreensão de física" somada a conhecimento de história, ciência e cultura.
A API expõe cinco famílias de capacidades: texto-para-vídeo-com-áudio, imagem-para-vídeo-com-áudio, referência-para-vídeo-com-áudio, edição de vídeo e geração de imagens. Uma ressalva que vale a pena deixar clara: o Google ainda não publicou pontuações de avaliação para nenhuma delas. O model card adia abertamente os benchmarks, dizendo que eles "serão compartilhados quando lançarmos para desenvolvedores e clientes corporativos via APIs." Então qualquer um que afirme que o Omni Flash supera um concorrente nos números está apenas chutando, porque os números ainda não existem.
A edição conversacional é o verdadeiro destaque
Se há um recurso que justifica o lançamento, é a edição com estado (stateful). Em vez de reescrever um prompt gigante toda vez que você quer uma mudança, você gera um clipe e depois o refina uma instrução de cada vez, e o modelo se lembra do resto da cena.
Ele funciona por meio da Interactions API do Google, e o mecanismo é um único campo, previous_interaction_id, que encadeia uma continuação a um resultado anterior "sem reenviar o vídeo anterior." O próprio exemplo prático do Google deixa o ciclo evidente:
# 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."
)
As orientações de prompting do Google reforçam a mesma ideia: mantenha as edições curtas ("Deixe este vídeo com estilo anime", "Mude a iluminação para algo mais dramático"), adicione "Mantenha tudo o resto igual" para fixar a cena, e prefira remoção a superdescrição ("Deixe o telefone invisível" é melhor do que um parágrafo inteiro). É um modelo mental genuinamente bom, e a coisa mais próxima de editar vídeo do jeito que você editaria um documento.
Duas pegadinhas que eu sinalizaria antes de você construir algo em cima disso. Primeiro, se você definir store=false para acelerar a geração, o clipe deixa de ser editável nas rodadas seguintes, o que silenciosamente anula todo o propósito. Segundo, editar vídeos que você mesmo enviou não está disponível no EEE, na Suíça ou no Reino Unido, mesmo que a edição de clipes gerados pelo modelo funcione em qualquer lugar. Essa barreira regional é fácil de passar despercebida até que um usuário europeu esbarre nela.
Quanto custa o Gemini Omni Flash
Aqui está o número real, logo de cara: a saída de vídeo é cobrada a $17,50 por 1M de tokens, e o Google precifica o vídeo em 720p a 5.792 tokens por segundo, o que resulta em aproximadamente $0,10 por segundo no preço Standard. A entrada, em qualquer modalidade, tem uma taxa fixa de $1,50 por 1M de tokens.
| Item | Camada gratuita | Camada paga |
|---|---|---|
| Entrada (texto / imagem / vídeo / áudio) | Não disponível | $1,50 / 1M tokens |
| Saída (texto) | Não disponível | $9,00 / 1M tokens |
| Saída (vídeo) | Não disponível | $17,50 / 1M tokens (≈ $0,10/seg de 720p) |
| Desconto Batch / Flex / Priority | Nenhum | Nenhum listado |
| Throughput provisionado | Não suportado | Não suportado |
| Usado para melhorar os produtos do Google | Sim | Não |
Algumas coisas chamam a atenção. Não há camada gratuita, então não dá para experimentar sem uma chave paga. Também não há tabela Batch, Flex ou Priority para este modelo, diferente da maioria da linha Gemini 3.x, então não existe um desconto documentado de 50% em lote para se apoiar em tarefas em massa. A taxa de $0,10/seg em si é razoável, mas é um medidor por segundo que se acumula rápido em escala.
Para ter uma noção de escala: um clipe de 10 segundos custa cerca de $1, um de 30 segundos cerca de $3, e um minuto de vídeo em torno de $6, antes mesmo de contar as regerações que todo fluxo de trabalho de vídeo por IA exige. No lançamento, o Google descreveu um limite de 10 segundos por geração, com durações maiores "em breve", então hoje esta é uma ferramenta para clipes curtos, não para cenas completas. Se você quiser comparar o panorama mais amplo de preços, meu resumo das APIs do Gemini, OpenAI e Anthropic mostra como esses medidores se comparam.
Onde ele se encaixa: não é o melhor modelo de vídeo do Google
Este é o enquadramento que eu mais contestaria na cobertura de lançamento. O Omni Flash é explicitamente posicionado como a camada rápida e acessível, com o Google observando que a taxa de $0,10/seg iguala o Veo 3.1 Fast. "Rápido" é a pista: este não é o modelo que você busca quando quer a melhor qualidade de quadro absoluta do Google, esse é o Veo. E frente à fronteira independente atual, a recepção tem sido morna.
O tema mais recorrente na thread de lançamento no Hacker News (323 pontos) foi de usuários intensos comparando-o desfavoravelmente ao Seedance da ByteDance. Uma pessoa que diz ter gastado milhares de dólares no Seedance foi direta:
"No primeiro uso não fiquei impressionado. Já devo ter gasto uns dois mil dólares no Seedance 2 até agora, e não consigo encontrar nada que o Google Omni Flash faça melhor do que o Seedance depois de rodar um punhado de amostras no sistema."
Outra pessoa ecoou o mesmo, e sinalizou que a próxima versão do Seedance já está próxima:
"Qualquer um que tenha usado um pouco o seedance 2.0 percebe que o Gemini está um pouco atrás, e o seedance 2.1 já está no horizonte."
Esse é o retrato competitivo honesto: um modelo competente e barato que usuários intensos atualmente classificam atrás da fronteira, vendido pelo fluxo de trabalho e pelo preço, não pela qualidade bruta.
As limitações que vale a pena conhecer
O Google é surpreendentemente franco no model card, nomeando três desafios em aberto: manter a consistência ao longo das edições, gerar movimento complexo e renderizar texto na tela com precisão. A comunidade encontrou rapidamente as arestas mais afiadas. Um desenvolvedor que escreve simulações de física para viver rodou seu teste padrão:
"'Um vídeo de uma torre de blocos de jenga caindo enquanto um bloco é removido. A física de cada bloco precisa ser realista.' Ele me deu um vídeo em que os blocos de repente desaparecem ou se transformam em outros."
Outro apontou o problema mais profundo por trás da instabilidade:
"erros espaciais sutis, e geometria que muda quando sai de vista e volta a aparecer, sugerem que o Google ainda não resolveu o problema da compreensão espacial profunda."
Além da qualidade, três limites práticos moldam o que você pode construir. Não há edição de voz ou fala: o modelo consegue tecnicamente mudar o que as pessoas dizem, mas o Google está restringindo isso deliberadamente como uma salvaguarda contra manipulação de semelhança. Não há extensão ou interpolação de vídeo, então você é direcionado ao Veo 3.1 para costurar cenas. E ainda não há raciocínio multi-vídeo nem upload de referência de áudio. No quesito segurança, todo clipe carrega uma marca d'água invisível SynthID que é detectável de forma programática, o que é um ponto positivo genuíno para proveniência.
Também há uma reclamação simples sobre a marca que surgiu repetidamente, e ela é justa:
"Os produtos deles também são bem bagunçados. Veo, Gemini Omni Flash, Spark, Flow, Duo.... Um monte de linhas de produtos confusas e concorrentes entre si."
O Omni Flash foi lançado ao lado de um modelo de imagem irmão, o Nano Banana 2 Lite, que se encaixa na linha de imagens em camadas "Lite / padrão / Pro" do Google, a mesma divisão "barato-e-rápido versus caro-e-bom" que o Omni Flash representa para vídeo.
Então, você deveria usá-lo?
Se você está construindo ferramentas criativas ou de vídeo e quer um modelo barato com um ciclo de edição conversacional genuinamente agradável, vale a pena experimentar o Omni Flash, especialmente se clipes curtos em 720p atendem ao seu caso de uso e você consegue viver sem camada gratuita. Se o seu critério é fidelidade de primeira linha, física complexa ou cenas longas, os próprios testes da comunidade sugerem que você ficará mais satisfeito com o Veo para a melhor qualidade do Google ou com o Seedance para a fronteira independente atual. E é cedo: a ausência de benchmarks, o rótulo de preview e um roteiro de recursos "em breve" significam que o veredito de hoje ainda pode mudar.
Um comentarista do HN manteve tudo em perspectiva, e eu concordo com o espírito disso:
"a quantidade de gente que espera que a IA acerte tudo de primeira é hilária."
Trate-o como um parceiro de edição iterativo, não como um oráculo de resposta única, e ele é uma opção sólida e acessível. Só não confunda a camada rápida com o melhor que o Google tem a oferecer.
eesel: IA para o trabalho que modelos de vídeo não tocam
Uma nota rápida e honesta, já que este é um blog da eesel. O Omni Flash é um modelo de mídia, e não há nada que ele faça por uma fila de suporte. Mas o mesmo instinto de "IA que se integra e cuida da parte chata" é exatamente o que eu trabalho na eesel, só que voltado para suporte ao cliente em vez de vídeo.
Enquanto o Omni Flash gera clipes, o agente de IA da eesel se integra ao seu helpdesk existente (Zendesk, Freshdesk, Gorgias e outros), aprende com seus tickets anteriores e sua central de ajuda, e resolve conversas reais de clientes por conta própria. Passamos anos rodando IA em filas de suporte ao vivo, o que nos ensinou a simular cada lançamento contra tickets históricos antes que ele chegue a um cliente real, a engenharia nada glamorosa que um vídeo de demonstração nunca mostra. É gratuito para experimentar, e diferente do Omni Flash, realmente existe uma forma gratuita de começar.
Perguntas Frequentes
O que é o Gemini Omni Flash?
gemini-omni-flash-preview.Quanto custa o Gemini Omni Flash?
O Gemini Omni Flash é melhor do que outros modelos de vídeo por IA?
O Gemini Omni Flash consegue editar vídeos que eu mesmo enviei?
As empresas deveriam usar o Gemini Omni Flash para suporte?
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.
