O que é o Gemini Omni Flash? O novo modelo de vídeo da IA do Google explicado

O que o Google realmente lançou

Leio muitos anúncios de modelos no meu trabalho, e a maioria é uma única funcionalidade vestida de marketing novo. O Gemini Omni Flash é genuinamente diferente: é a tentativa do Google de criar um modelo any-to-any em que o vídeo é a saída atual, não a única planejada. A proposta do anúncio do CTO do DeepMind, Koray Kavukcuoglu, é que o Omni é onde "a capacidade do Gemini de raciocinar encontra a capacidade de criar".

Na prática, isso significa que você pode alimentar o modelo com uma mistura de texto, imagem, vídeo e áudio (só voz, por enquanto), e ele gera vídeo em alta resolução com áudio, fundamentado no conhecimento amplo do Gemini sobre o mundo, física, história e contexto cultural, em vez de apenas quadros com aparência plausível. Os próprios prompts de demonstração do Google exploram isso: uma bolinha de gude rolando por uma pista de reação em cadeia que respeita momento e gravidade, um vídeo de alfabeto em que cada letra é um objeto temático incomum, uma explicação em claymation sobre dobramento de proteínas.

A parte que vale a pena analisar com calma é o modelo de edição. Peça uma alteração, e a próxima instrução constrói sobre a anterior em vez de regenerar a cena inteira: os personagens permanecem no lugar, a física se mantém, e o modelo lembra o que já fez. A demonstração do Google acompanha um violinista por três edições cumulativas, mudando o ambiente, tornando o violino invisível e depois trocando o ângulo de câmera, sem perder o fio da cena original.

O fluxo de trabalho any-to-any

O model card oficial confirma que a arquitetura é um transformer com suporte multimodal nativo a texto, visão, vídeo e áudio. As entradas podem ser qualquer combinação desses quatro tipos; a única modalidade de saída disponível até agora é vídeo com áudio, embora o Google diga que saída de imagem e áudio estão a caminho "com o tempo". Esse é o conceito "any-to-any": um único modelo, múltiplos tipos de entrada, um ciclo criativo conectado em vez de ferramentas separadas para geração e edição.

O lançamento seguiu um padrão já familiar do Google: primeiro consumidores, depois desenvolvedores. O Gemini Omni Flash foi disponibilizado para assinantes do Google AI Plus, Pro e Ultra globalmente através do app Gemini e do Google Flow, além de gratuito para criadores no YouTube Shorts e no app YouTube Create, tudo no primeiro dia. O acesso via API para desenvolvedores e empresas veio semanas depois, chegando em prévia pública em 30 de junho de 2026, através do Google AI Studio, da API Gemini e da Gemini Enterprise Agent Platform.

Combinado com o Nano Banana 2 Lite: um fluxo de trabalho, não dois produtos

O Omni Flash não foi lançado sozinho. O Google o anunciou junto com o Nano Banana 2 Lite (id de modelo gemini-3.1-flash-lite-image), o modelo mais rápido e barato da família de geração de imagens Nano Banana: texto para imagem em menos de 4 segundos por $0,034 por imagem em resolução 1K, substituindo o Nano Banana original como padrão recomendado. Sozinho, isso já é uma boa atualização de velocidade e custo, ainda que sem grandes surpresas.

O que torna isso interessante é que o Google criou três apps de demonstração oficiais que encadeiam os dois modelos em vez de tratá-los como produtos separados:

• Anywhere - pega uma selfie, usa o Nano Banana 2 Lite para te colocar em um marco turístico, e então o Omni Flash anima a imagem parada em um clipe.
• Space Lift - reimagina a foto de um ambiente em diferentes estilos de design, depois transforma o visual escolhido em um passeio cinematográfico.
• Omni product studio - converte fotos estáticas de produtos em vídeo de e-commerce.

A conta independente de notícias de IA Rohan Paul leu o lançamento do mesmo jeito que eu, ou seja, que a combinação é o produto de fato:

"Encadear os dois modelos é a real forma do produto, não cada modelo isoladamente. O Nano Banana 2 Lite cria imagens de referência, e então o Gemini Omni Flash as anima."

Rohan Paul, X

A família Nano Banana agora tem quatro níveis, segundo o próprio gráfico comparativo de modelos do anúncio:

O próprio gráfico de benchmark do Google confirma a alegação de velocidade: o Nano Banana 2 Lite fica bem à frente do restante na curva de latência versus preço.

Quanto custa um clipe, na prática

O preço da API Gemini para o Gemini Omni Flash é incomumente simples para um modelo do Google, principalmente porque só existe um nível. Diferente da maioria dos modelos Gemini 3.x, aqui não há opção Batch, Flex ou Priority, apenas Standard, e nenhum nível gratuito.

A própria página de preços do Google detalha a conta diretamente: a cobrança é feita com base no total de tokens de saída, a 5.792 tokens por segundo de vídeo em 720p, o que resulta em aproximadamente $0,10 por segundo. Aplicando isso ao teto atual de 10 segundos, um único clipe fica em pouco mais de $1, antes de considerar o custo de alimentar o prompt ou a mídia de referência.

O Google não esconde que o preço corresponde ao de um concorrente direto. O líder de relações com desenvolvedores da API Gemini, Logan Kilpatrick, anunciou isso nesses exatos termos:

"O Omni Flash é o estado da arte em edição de vídeo a $0,10 / seg, o mesmo que o Veo 3.1 Fast!"

Logan Kilpatrick, X

Uma curiosidade escondida nas notas de rodapé de preços: o Gemini Omni Flash Preview está marcado como "Sim" para conteúdo usado para melhorar os produtos do Google, mesmo no nível pago, onde a maioria dos outros modelos Gemini pagos diz "Não". Vale saber disso antes de alimentar o modelo com algo sensível.

Onde ainda deixa a desejar

O model card oficial é incomumente honesto sobre o que ainda não funciona, citando abertamente três desafios específicos: manter consistência total entre edições, gerar cenas com movimento complexo e renderizar texto na tela com precisão. O Google também sinaliza que a consistência de personagens "tem algumas limitações" especificamente em mudanças de cena e movimentos de câmera, exatamente o tipo de edição em que suas próprias demonstrações mais se apoiam.

A API também tem arestas mais ásperas. O upload de referência de áudio e a extensão de cena ainda não são suportados, e referências de vídeo de até 3 segundos são aceitas pelo esquema, mas não processadas corretamente pelo modelo. E não há dados de benchmark publicados: o model card do DeepMind adia explicitamente as pontuações de avaliação para texto-para-vídeo, imagem-para-vídeo, referência-para-vídeo e edição até que o modelo alcance disponibilidade mais ampla na API.

Um profissional no LinkedIn contestou diretamente a questão do polimento, comentando o anúncio original do Gemini Omni no I/O:

"Não é totalmente verdade! Funciona apenas em certas resoluções, e a constância dos personagens ainda não está totalmente desenvolvida. É legal para youtubers, é divertido. Mas não está nem perto do nível de produção profissional."

Melwin Sam, LinkedIn

O próprio model card do Google confirma parte dessa leitura em sua divulgação mais marcante: o modelo já consegue alterar o que alguém está dizendo em um vídeo, e o Google está restringindo isso deliberadamente "enquanto trabalha para entender como trazer isso aos usuários com segurança e responsabilidade". Essa é uma capacidade real sendo contida de propósito, não uma limitação pela qual o Google esteja se desculpando.

Outro comentarista, no próprio anúncio do Google Cloud no LinkedIn, deu um ponto mais preciso sobre por que a alegação sobre edição importa mais do que a alegação sobre geração:

"A edição conversacional na geração de vídeo é um problema mais difícil do que a qualidade da geração inicial, já que manter a consistência entre turnos de edição exige rastrear o estado da cena, não apenas produzir um bom quadro único."

EurosHub, LinkedIn

E um segundo leitor nessa mesma thread levantou a pergunta que acompanha qualquer lançamento rápido de IA empresarial:

"À medida que agentes de IA cada vez mais capazes se incorporam aos serviços de negócio, o desempenho técnico sozinho não vai demonstrar que uma organização está pronta para operá-los com segurança."

Glen Stansfield, LinkedIn

Essa última frase é a que eu destacaria. Não é realmente sobre modelos de vídeo. É sobre qualquer capacidade de IA chegando a um fluxo de trabalho de negócio real mais rápido do que a organização ao redor consegue construir as barreiras necessárias para operá-la com segurança, e é exatamente o problema em que penso todos os dias construindo automação de suporte.

Onde isso se encaixa, e onde não se encaixa

O Gemini Omni Flash é um passo forte e honestamente documentado em direção à visão any-to-any do Google, e se o seu trabalho envolve produzir clipes de marketing, vídeos de produto ou conteúdo criativo, vale a pena dar uma olhada séria, especialmente combinado com o Nano Banana 2 Lite no fluxo de imagem para vídeo. Para uma equipe de SEO ou uma agência de conteúdo já dentro do universo do eesel, essa é uma ferramenta adjacente real: eu construo o agente de blog writer do eesel para pesquisa e redação, e uma camada rápida de vídeo em cima de um texto já escrito é uma combinação genuinamente útil, não uma concorrente dela.

Mas ainda é um modelo de mídia generativa, não um sistema de suporte. Ele não conhece sua política de reembolso, não tem uma fila de tickets reais para aprender, e nada em "clipes de vídeo de 10 segundos" toca o trabalho de fato da maioria das pessoas lendo este post: uma caixa de entrada ou uma fila do Zendesk se acumulando enquanto toda manchete fala de IA de vídeo. Já passei anos vendo uma IA de aparência confiante dar uma resposta errada a um cliente real, e é exatamente por isso que as partes chatas, simular contra seus tickets históricos antes de qualquer coisa entrar no ar, escalar em vez de chutar quando não tem certeza, importam mais do que uma demonstração chamativa.

Experimente o eesel para a fila que a IA de vídeo não toca

Se o problema real no seu dia a dia é uma fila crescente de tickets de suporte, não uma escassez de conteúdo em vídeo, é para isso que eu construo o eesel. É um colega de equipe de IA que se conecta ao Zendesk, Freshdesk, Intercom, ou qualquer helpdesk que você já use em minutos, aprende com seus tickets e artigos de ajuda anteriores desde o primeiro dia, e redige, triagem ou resolve solicitações de nível 1 sem uma nova stack para gerenciar.

Antes de tocar em qualquer cliente real, o eesel simula contra seus tickets históricos para que você veja exatamente o que ele teria dito e quanto teria resolvido, o mesmo instinto de segurança em primeiro lugar que os comentaristas do LinkedIn acima buscavam em outro contexto. É assim que a Gridwise resolveu 73% das solicitações de nível 1 já no primeiro mês, e como a Smava roda um agente totalmente automatizado em mais de 100.000 tickets por mês. O preço é $0,40 por ticket resolvido, sem taxas por assento, e os primeiros $50 de uso são gratuitos.

O Omni Flash e o Nano Banana 2 Lite do Google são uma resposta genuinamente boa para "como faço conteúdo em vídeo mais rápido". Se a sua resposta real é "como paro de me afogar em tickets", um agente de IA para helpdesk feito sob medida é a ferramenta certa para esse trabalho, e você pode experimentar o eesel gratuitamente.