← Volver al blog
Newsaprox. 9 min de lectura

Gemini Omni 1.2 Flash acabó con la máquina tragamonedas del vídeo

Publicado 7 nov 2026
Gemini Omni 1.2 Flash acabó con la máquina tragamonedas del vídeo

Google puso Gemini Omni 1.2 Flash a disponibilidad general el 5 de noviembre, y la estructura de precios importa más que el modelo.

Las especificaciones principales son claras. Los clips nativos ahora llegan a 15 segundos, frente a 10. La duración puede fijarse entre 3 y 15 segundos en pasos de un segundo, con 10 segundos como valor predeterminado. La salida es 720p en 16:9 de forma predeterminada, con compatibilidad para 9:16. Puedes hacer borradores en 360p o 720p y escalar los resultados seleccionados a 1080p o 4K. Toda salida lleva una marca de agua invisible de SynthID.

Luego está la cifra: generación en 720p a 0,07 USD por segundo, y 360p a unos 0,023 USD. En la API de pago, eso son 12 USD por millón de tokens de salida de vídeo, medidos a 5.792 tokens por segundo de 720p, lo que equivale a aproximadamente 0,70 USD por un clip de diez segundos y 1,04 USD por uno de quince. Google dice que es un 30 % más barato que Omni 1.1 Flash.

Compáralo con dónde estaba el mercado hace un año. Un solo reintento en un modelo de vídeo de gama alta costaba lo suficiente como para que los creadores aprendieran a escribir prompts a la defensiva y aceptar el tercer mejor resultado. La industria lo llamaba 抽卡, sacar cartas, porque eso era exactamente.

El reintento se vuelve asequible, así que los reintentos cambian

A siete centavos por segundo, un borrador de cinco segundos en 360p cuesta unos doce centavos. Quince borradores cuestan menos de dos dólares. El flujo de trabajo racional deja de ser “escribir un prompt perfecto y esperar” y pasa a ser “generar doce, mirarlos y escalar el que funcione”.

Seis fotogramas de película translúcidos y en blanco en fila sobre una mesa de acero, el último iluminado desde atrás.

Ese es un cambio de flujo de trabajo disfrazado de cambio de precio. Mueve el gasto de la generación a la selección, y la selección es donde el gusto humano aporta valor de verdad. También cambia qué herramientas se construyen: un navegador que te muestra doce borradores baratos y un render final caro es un producto distinto de una caja de chat que te cobra por cada intento.

Google es explícito con este planteamiento. El modelo ofrece un flujo de trabajo graduado, y el renderizado de mayor resolución está pensado para reservarse a las salidas que ya hayas elegido.

15 segundos cambian la unidad de trabajo

El salto de 10 a 15 segundos suena incremental. No lo es, por lo que cabe dentro.

Un clip de diez segundos puede demostrar un producto o establecer un ambiente. No puede presentar, demostrar y cerrar con comodidad. Quince segundos es aproximadamente la duración de un anuncio social estándar, lo que significa que una sola generación ahora puede producir el entregable en lugar de un componente de este. Eso elimina la unión, y las uniones son donde el vídeo con IA se desmorona: cambios de iluminación, rostros que se desvían, objetos que se mueven entre cortes.

El propio ejemplo de Google es una prueba virtual de ropa de 15 segundos construida a partir de una imagen de una persona y tres imágenes de atuendos, con la identidad de la persona y los detalles de la prenda manteniéndose a lo largo del movimiento.

Las afirmaciones sobre consistencia son concretas. Las evaluaciones comparativas de Google otorgan a Omni 1.2 una tasa de victoria del 62 % en consistencia visual frente al 38 % de 1.1 en pruebas de texto a vídeo. La comparación de referencia a vídeo da a 1.2 una tasa de victoria del 63 % en consistencia de identidad con múltiples referencias frente al 37 %. Matt Rouif, CEO de Photoroom, dijo a los periodistas que la generación más larga era la función más solicitada por los usuarios, y que la disponibilidad general con acuerdos de nivel de servicio es lo que permite a su empresa poner el modelo en producción para vendedores.

Arena coincide, lo cual es inusual

Arena.ai sitúa a Gemini Omni 1.2 Flash primero en texto a vídeo con 1.541 puntos, frente a 1.514 de 1.1, que era segundo. También ocupa el primer puesto en imagen a vídeo y el tercero en edición de vídeo. Con este lanzamiento, la familia Omni de Google ocupa los tres primeros puestos en texto a vídeo.

Es un giro notable. A principios de este año, la narrativa era que los laboratorios chinos habían tomado la delantera en vídeo según la preferencia a ciegas. Según los números de Arena en este lanzamiento, eso ya no es cierto en la cima de la tabla de texto a vídeo.

Las clasificaciones miden clips cortos frente a un prompt, lo que no es lo mismo que mantener un personaje estable a lo largo de cuarenta planos. Trata la clasificación como una señal sobre preferencia estética, no sobre fiabilidad de producción.

La edición es donde está la ganancia práctica

La función con más probabilidades de cambiar el trabajo diario es la edición conversacional. En lugar de generar un clip nuevo cuando algo está mal, sigues trabajando sobre el existente: reemplazar un producto, cambiar el fondo, modificar la iluminación o el clima, cambiar la relación de aspecto, ajustar el ángulo de cámara. Se supone que los elementos no mencionados sobreviven a la edición.

Técnicamente, esto funciona mediante un `previous_job_id` que conserva el contexto entre llamadas a la API, de modo que el vídeo anterior no necesita volver a subirse. Cada solicitud puede usar varias imágenes de referencia, incluidas hasta tres por personaje para dos personajes, un clip de referencia de movimiento de hasta tres segundos y señales de audio.

La extensión es independiente de la generación nativa. Puedes añadir de 3 a 10 segundos por turno, usando los últimos 10 segundos como contexto, hasta un total de 30 segundos. No puedes anteponer metraje ni insertar material en medio del clip, y la interpolación de primer a último fotograma sigue limitada a salidas de 3 a 10 segundos. Vale la pena conocer esos límites antes de que alguien le prometa a un cliente un comercial de 30 segundos en una sola toma.

El audio es la parte que nadie incluye en el precio

Algo que hay que tener en cuenta en las cifras por segundo: cubren tokens de vídeo. Omni 1.2 Flash genera audio nativo con el vídeo, diálogo, ambiente y efectos de sonido, y el modelo maneja varios hablantes con condicionamiento separado.

El audio es donde el vídeo con IA suele desmoronarse en producción. Un clip con movimiento convincente y un lip-sync que se desfasa 200 milisegundos es inutilizable, y arreglarlo en posproducción cuesta más que regenerar. Si el audio está realmente sincronizado en el momento de la generación, el ahorro no está en la factura del modelo, sino en la tarde del editor.

Google también dice que mejoraron el lip-sync y la claridad del diálogo, y que se pueden asignar distintas voces con precisión a distintos personajes. Son afirmaciones pequeñas en una nota de prensa y grandes en un flujo de trabajo. Quien evalúe esto para publicidad debería probar primero escenas con mucho diálogo, porque ahí es donde la generación anterior de modelos fallaba de forma más visible.

La fecha de migración es el detalle subestimado

Omni 1.1 Flash seguirá disponible durante una transición de cuatro semanas. El 3 de diciembre, las solicitudes a la API de 1.1 se enrutarán automáticamente a 1.2 sin cambios de código, con las tarifas más bajas de 1.2.

Para los equipos que construyeron sobre 1.1, es una actualización gratuita con una advertencia: el modelo detrás de tu producto cambia sin tu intervención. Cualquier biblioteca de prompts ajustada al comportamiento de 1.1, y cualquier conjunto de evaluación que estableciera líneas base de calidad, ahora describe un modelo que ya no estás llamando. Vuelve a ejecutar las evaluaciones a principios de diciembre.

Lo que todavía no puede hacer

Google es sincero sobre las carencias. La acción deportiva rápida, los cambios rápidos de guion y la física compleja siguen en desarrollo. La API de Gemini es totalmente compatible con el inglés y no se ha evaluado para otros idiomas. La edición de voz, las entradas de audio subidas y las referencias de audio no son compatibles con la API actual, y las referencias de audio requieren estar en la lista de permitidos de Google Cloud.

La limitación de solo inglés es la que morderá primero a los equipos internacionales. Una campaña en alemán o japonés construida sobre este modelo se ejecuta en un idioma que el proveedor no ha evaluado.

El verdadero cambio

Durante dos años, los precios del vídeo con IA se estructuraron en torno al supuesto de que la generación era cara y, por tanto, escasa. Cada decisión de producto se derivaba de eso: clips cortos, baja resolución, ingeniería de prompts agresiva y tolerancia a resultados malos.

Omni 1.2 Flash pone precio de materia prima a la generación y coloca el coste donde corresponde: en el render final. Doce centavos para averiguar si una idea funciona son un hábito más que una partida presupuestaria.

Google también lanzó la distribución en la misma semana: Flow para dirección de escena y edición multiturno, Google Vids, la app de Gemini para suscriptores de Ultra y la creación de campañas en Google Ads. Cuando el modelo se abarata y las superficies ya están instaladas, la restricción del vídeo con IA deja de ser el acceso. Pasa a ser si alguien tiene una razón para mirar.

Artículos relacionados