Gemini Omni 1.2 Flash macht dem Video-Slotautomaten ein Ende

Google hat Gemini Omni 1.2 Flash am 5. November allgemein verfügbar gemacht – und die Preisstruktur ist wichtiger als das Modell.
Die Eckdaten sind unkompliziert. Native Clips laufen jetzt bis zu 15 Sekunden, statt 10. Die Dauer lässt sich in Ein-Sekunden-Schritten zwischen 3 und 15 Sekunden festlegen, Standard sind 10 Sekunden. Die Ausgabe ist standardmäßig 720p im 16:9-Format, 9:16 wird unterstützt. Sie können in 360p oder 720p entwerfen und ausgewählte Ergebnisse auf 1080p oder 4K hochskalieren. Jede Ausgabe trägt ein unsichtbares SynthID-Wasserzeichen.
Dann die Zahl: 720p-Generierung für 0,07 US-Dollar pro Sekunde, 360p für etwa 0,023 US-Dollar. In der kostenpflichtigen API sind das 12 US-Dollar pro Million Video-Ausgabe-Tokens, abgerechnet mit 5.792 Tokens pro Sekunde bei 720p. Das ergibt etwa 0,70 US-Dollar für einen zehnsekündigen Clip und 1,04 US-Dollar für fünfzehn Sekunden. Google sagt, das sei 30 % günstiger als Omni 1.1 Flash.
Vergleichen Sie das mit dem Stand des Marktes vor einem Jahr. Ein einzelner erneuter Versuch mit einem Flaggschiff-Videomodell kostete genug, dass Kreative lernten, Prompts defensiv zu schreiben und das drittbeste Ergebnis zu akzeptieren. Die Branche nannte es 抽卡, Kartenziehen, weil genau das der Fall war.
Wiederholungen werden bezahlbar – und damit ändern sie sich
Bei sieben Cent pro Sekunde kostet ein fünfsekündiger 360p-Entwurf etwa zwölf Cent. Fünfzehn Entwürfe kosten weniger als zwei US-Dollar. Der rationale Workflow ist nicht mehr „einen perfekten Prompt schreiben und hoffen“, sondern „zwölf generieren, sie ansehen und den funktionierenden hochskalieren“.

Das ist eine Workflow-Änderung, die als Preisänderung getarnt ist. Sie verschiebt Ausgaben von der Generierung zur Auswahl, und in der Auswahl liegt der eigentliche Mehrwert menschlichen Geschmacks. Das ändert auch, welche Tools gebaut werden: Ein Browser, der Ihnen zwölf günstige Entwürfe und einen teuren finalen Render zeigt, ist ein anderes Produkt als eine Chat-Box, die Ihnen jeden Versuch in Rechnung stellt.
Google formuliert diesen Rahmen ausdrücklich so. Das Modell bietet einen abgestuften Workflow, und Rendering in höherer Auflösung soll Ausgaben vorbehalten bleiben, die Sie bereits ausgewählt haben.
15 Sekunden verändern die Einheit der Arbeit
Der Sprung von 10 auf 15 Sekunden klingt inkrementell. Ist er aber nicht – wegen dessen, was hineinpasst.
Ein zehnsekündiger Clip kann ein Produkt demonstrieren oder eine Stimmung etablieren. Er kann nicht bequem einführen, demonstrieren und abschließen. Fünfzehn Sekunden entsprechen ungefähr der Länge einer Standard-Social-Anzeige, was bedeutet, dass eine einzelne Generierung nun das Endprodukt liefern kann statt nur einen Bestandteil davon. Das beseitigt die Nahtstelle – und an Nahtstellen fällt KI-Video auseinander: Licht verschiebt sich, Gesichter driften, Objekte bewegen sich zwischen Schnitten.
Googles eigenes Beispiel ist eine 15-sekündige virtuelle Kleideranprobe, gebaut aus einem Bild einer Person und drei Bildern von Outfits, wobei die Identität der Person und die Details der Kleidungsstücke über die Bewegung hinweg erhalten bleiben.
Die Konsistenzversprechen sind konkret. Googles Direktvergleiche ergeben für Omni 1.2 eine Gewinnrate von 62 % bei visueller Konsistenz gegenüber 38 % für 1.1 im Text-to-Video-Test. Der Referenz-zu-Video-Vergleich gibt 1.2 eine Gewinnrate von 63 % bei der Identitätskonsistenz über mehrere Referenzen gegenüber 37 %. Matt Rouif, CEO von Photoroom, sagte gegenüber Reportern, längere Generierung sei das am häufigsten gewünschte Feature der Nutzer gewesen, und die allgemeine Verfügbarkeit mit Service-Level-Agreements sei das, was seinem Unternehmen erlaube, das Modell für Verkäufer in Produktion zu nehmen.
Arena stimmt zu – was ungewöhnlich ist
Arena.ai führt Gemini Omni 1.2 Flash im Text-to-Video mit 1.541 Punkten an, gegenüber 1.514 für 1.1, das zuvor Zweiter war. Es ist außerdem Erster bei Image-to-Video und Dritter beim Video-Editing. Mit diesem Release belegt Googles Omni-Familie die ersten drei Plätze im Text-to-Video.
Das ist eine bemerkenswerte Umkehr. Früher in diesem Jahr lautete die Erzählung, chinesische Labs hätten bei der blinden Präferenz die Video-Führung übernommen. Nach Arenas Zahlen zu diesem Release stimmt das an der Spitze des Text-to-Video-Rankings nicht mehr.
Leaderboards messen kurze Clips gegen einen Prompt, was nicht dasselbe ist wie eine Figur über vierzig Einstellungen hinweg stabil zu halten. Betrachten Sie das Ranking als Signal für ästhetische Präferenz, nicht für Produktionszuverlässigkeit.
Beim Editing liegt der praktische Gewinn
Das Feature, das die tägliche Arbeit am wahrscheinlichsten verändert, ist konversationelles Editing. Statt einen neuen Clip zu generieren, wenn etwas nicht stimmt, arbeiten Sie am vorhandenen weiter: ein Produkt ersetzen, den Hintergrund austauschen, Licht oder Wetter ändern, das Seitenverhältnis wechseln, den Kamerawinkel anpassen. Nicht genannte Elemente sollen die Bearbeitung überstehen.
Technisch läuft das über eine `previous_job_id`, die den Kontext zwischen API-Aufrufen erhält, sodass das vorherige Video nicht erneut hochgeladen werden muss. Jede Anfrage kann mehrere Referenzbilder verwenden, darunter bis zu drei pro Figur für zwei Figuren, einen Bewegungsreferenzclip von bis zu drei Sekunden und Audio-Hinweise.
Die Erweiterung ist von der nativen Generierung getrennt. Sie können pro Durchgang 3 bis 10 Sekunden anhängen, wobei die letzten 10 Sekunden als Kontext dienen, insgesamt bis zu 30 Sekunden. Sie können kein Material voranstellen oder mitten in einen Clip einfügen, und die Interpolation vom ersten zum letzten Frame ist weiterhin auf Ausgaben von 3 bis 10 Sekunden beschränkt. Diese Grenzen sollte man kennen, bevor jemand einem Kunden einen 30-sekündigen Commercial aus einem One-Take verspricht.
Das Audio ist der Teil, den niemand einpreist
Eine Sache, auf die man bei den Pro-Sekunde-Zahlen achten sollte: Sie decken Video-Tokens ab. Omni 1.2 Flash erzeugt natives Audio zusammen mit dem Video – Dialog, Atmosphäre und Soundeffekte –, und das Modell verarbeitet mehrere Sprecher mit separater Konditionierung.
Audio ist der Punkt, an dem KI-Video in der Produktion üblicherweise auseinanderfällt. Ein Clip mit überzeugender Bewegung und Lip-Sync, der um 200 Millisekunden driftet, ist unbrauchbar, und die Korrektur in der Post kostet mehr als eine Neugenerierung. Wenn das Audio zum Generierungszeitpunkt tatsächlich synchron ist, liegt die Ersparnis nicht in der Modellrechnung, sondern im Nachmittag des Editors.
Google sagt außerdem, Lip-Sync und Dialogklarheit seien verbessert worden und verschiedene Stimmen könnten unterschiedlichen Figuren präzise zugewiesen werden. Das sind kleine Aussagen in einer Pressemitteilung und große Aussagen für einen Workflow. Wer das für Werbung evaluiert, sollte zuerst dialoglastige Szenen testen, denn dort ist die vorherige Modellgeneration am sichtbarsten gescheitert.
Das Migrationsdatum ist das unterschätzte Detail
Omni 1.1 Flash bleibt während einer vierwöchigen Übergangszeit verfügbar. Am 3. Dezember werden API-Anfragen an 1.1 ohne Codeänderungen automatisch an 1.2 weitergeleitet, zu den niedrigeren 1.2-Preisen.
Für Teams, die auf 1.1 gebaut haben, ist das ein kostenloses Upgrade mit einem Haken: Das Modell hinter Ihrem Produkt ändert sich ohne Ihr Zutun. Jede Prompt-Bibliothek, die auf das Verhalten von 1.1 abgestimmt wurde, und jedes Evaluationsset, das Qualitätsbaselines etabliert hat, beschreibt nun ein Modell, das Sie nicht mehr aufrufen. Führen Sie die Evals Anfang Dezember erneut aus.
Was es noch immer nicht kann
Google ist offen über die Lücken. Schnelle Sportaction, rasche Skriptwechsel und komplexe Physik befinden sich noch in Entwicklung. Die Gemini API unterstützt vollständig Englisch und wurde für andere Sprachen nicht evaluiert. Stimmbearbeitung, hochgeladene Audioeingaben und Audio-Referenzen werden in der aktuellen API nicht unterstützt, wobei Audio-Referenzen hinter einer Allowlist auf Google Cloud stehen.
Die Einschränkung auf Englisch ist die, die internationale Teams zuerst treffen wird. Eine deutsche oder japanische Kampagne, die auf diesem Modell aufbaut, läuft in einer Sprache, die der Anbieter nicht evaluiert hat.
Die eigentliche Verschiebung
Zwei Jahre lang war die Preisgestaltung von KI-Video um die Annahme herum aufgebaut, dass Generierung teuer und daher knapp sei. Jede Produktentscheidung folgte daraus: kurze Clips, niedrige Auflösung, aggressives Prompt Engineering, Toleranz gegenüber schlechter Ausgabe.
Omni 1.2 Flash bepreist Generierung als Commodity und legt die Kosten dorthin, wo sie hingehören: in den finalen Render. Zwölf Cent, um herauszufinden, ob eine Idee funktioniert, sind eine Gewohnheit und kein Budgetposten.
Google hat die Distribution in derselben Woche ausgeliefert: Flow für Szenenregie und Multi-Turn-Editing, Google Vids, die Gemini-App für Ultra-Abonnenten und die Erstellung von Google Ads-Kampagnen. Wenn das Modell günstig wird und die Oberflächen bereits installiert sind, ist die Einschränkung für KI-Video nicht mehr der Zugang. Sie wird zu der Frage, ob jemand einen Grund hat, zuzusehen.
Verwandte Artikel
Ein Prozent der Firmen zahlt 80 Prozent der KI-Rechnung, und genau diese Gruppe wächst nicht mehr
600 Millionen Dollar weniger Umsatzwachstum, 26,8 Prozent Preisverfall und eine Käufergruppe, die unter 10.000 Dollar pro Kopf rutschte.
Claude kann jetzt Ihre Kontoauszüge lesen. Anthropic hat ihm bewusst keine Hände gegeben.
Das Read-only-Design ist das Produkt, und das Entkoppeln macht nicht rückgängig, was bereits in einem Chat steht.
Adobe verlangt von Marketingfachleuten nicht mehr, Adobe zu öffnen
Ein Jahrzehnt lang lautete die Strategie: Besitze die Oberfläche. Adobe wettet gerade auf das Gegenteil.
CrowdStrike hat einen Kill Switch für KI-Agenten ausgeliefert. Der schwierige Teil ist zu wissen, was man abschalten muss.
Ein Kill Switch macht aus einer Vermutung etwas Durchsetzbares. Durchsetzung erfordert eine Liste, und die Liste ist der Teil, den niemand hat.