Gemini Omni 1.2 Flash acabou com a máquina caça-níqueis do vídeo

O Google disponibilizou o Gemini Omni 1.2 Flash em disponibilidade geral em 5 de novembro, e a estrutura de preços importa mais do que o modelo.
As especificações principais são diretas. Os clipes nativos agora chegam a 15 segundos, contra 10 antes. A duração pode ser definida entre 3 e 15 segundos, em intervalos de um segundo, com 10 segundos como padrão. A saída padrão é 720p em 16:9, com suporte a 9:16. Você pode criar rascunhos em 360p ou 720p e fazer upscale dos resultados escolhidos para 1080p ou 4K. Toda saída carrega uma marca-d'água invisível do SynthID.
Então vem o número: geração em 720p a US$ 0,07 por segundo, e 360p a cerca de US$ 0,023. Na API paga, isso equivale a US$ 12 por milhão de tokens de saída de vídeo, medidos a 5.792 tokens por segundo de 720p, o que dá aproximadamente US$ 0,70 para um clipe de dez segundos e US$ 1,04 para quinze. O Google diz que é 30% mais barato que o Omni 1.1 Flash.
Compare isso com onde o mercado estava um ano atrás. Uma única nova tentativa em um modelo de vídeo de ponta custava o suficiente para ensinar os criadores a escrever prompts de forma defensiva e aceitar o terceiro melhor resultado. A indústria chamava isso de 抽卡, tirar cartas, porque era exatamente o que acontecia.
A repetição fica acessível, e a forma de repetir muda
A sete centavos por segundo, um rascunho de cinco segundos em 360p custa cerca de doze centavos. Quinze rascunhos custam menos de dois dólares. O fluxo de trabalho racional deixa de ser “escrever um prompt perfeito e torcer” e passa a ser “gerar doze, olhar para eles e fazer upscale do que funcionar”.

Essa é uma mudança de fluxo de trabalho disfarçada de mudança de preço. Ela desloca o gasto da geração para a seleção, e a seleção é onde o gosto humano realmente agrega valor. Também muda o tipo de ferramenta que se constrói: um navegador que mostra doze rascunhos baratos e uma renderização final caríssima é um produto diferente de uma caixa de chat que cobra por cada tentativa.
O Google é explícito sobre esse enquadramento. O modelo oferece um fluxo de trabalho graduado, e a renderização em resolução mais alta deve ser reservada para resultados que você já escolheu.
15 segundos mudam a unidade de trabalho
O salto de 10 para 15 segundos parece incremental. Não é, por causa do que cabe dentro dele.
Um clipe de dez segundos pode demonstrar um produto ou estabelecer um clima. Ele não consegue introduzir, demonstrar e encerrar com conforto. Quinze segundos é aproximadamente a duração de um anúncio social padrão, o que significa que uma única geração agora pode produzir o entregável, e não apenas um componente dele. Isso elimina a emenda, e as emendas são onde o vídeo com IA desmorona: mudanças de iluminação, rostos que se desviam, objetos que se movem entre cortes.
O próprio exemplo do Google é um provador virtual de roupas de 15 segundos criado a partir de uma imagem de uma pessoa e três imagens de looks, com a identidade da pessoa e os detalhes da peça se mantendo ao longo do movimento.
As alegações de consistência são específicas. As avaliações lado a lado do Google dão ao Omni 1.2 uma taxa de vitória de 62% em consistência visual contra 38% da 1.1 em testes de texto para vídeo. A comparação de referência para vídeo dá à 1.2 uma taxa de vitória de 63% em consistência de identidade com múltiplas referências, contra 37%. Matt Rouif, CEO da Photoroom, disse a repórteres que a geração mais longa era o recurso mais pedido pelos usuários e que a disponibilidade geral com acordos de nível de serviço é o que permite à empresa colocar o modelo em produção para vendedores.
A Arena concorda, o que é incomum
A Arena.ai coloca o Gemini Omni 1.2 Flash em primeiro lugar em texto para vídeo, com 1.541 pontos, acima dos 1.514 da 1.1, que estava em segundo. Ele também fica em primeiro em imagem para vídeo e em terceiro em edição de vídeo. Com este lançamento, a família Omni do Google ocupa as três primeiras posições em texto para vídeo.
Essa é uma reviravolta notável. No início deste ano, a narrativa era de que os laboratórios chineses haviam assumido a liderança em vídeo em preferência cega. Pelos números da Arena nesta versão, isso já não é verdade no topo do ranking de texto para vídeo.
Os rankings medem clipes curtos em relação a um prompt, o que não é o mesmo que manter um personagem estável ao longo de quarenta planos. Trate o ranking como um sinal de preferência estética, não de confiabilidade de produção.
A edição é onde está o ganho prático
O recurso com maior probabilidade de mudar o trabalho diário é a edição conversacional. Em vez de gerar um novo clipe quando algo está errado, você continua trabalhando no existente: substituir um produto, trocar o fundo, mudar iluminação ou clima, alterar a proporção de tela, ajustar o ângulo da câmera. Elementos não mencionados devem sobreviver à edição.
Tecnicamente, isso funciona por meio de um `previous_job_id` que preserva o contexto entre chamadas de API, então o vídeo anterior não precisa ser enviado novamente. Cada requisição pode usar várias imagens de referência, incluindo até três por personagem para dois personagens, um clipe de referência de movimento de até três segundos e indicações de áudio.
A extensão é separada da geração nativa. Você pode acrescentar de 3 a 10 segundos por vez, usando os 10 segundos finais como contexto, até um total de 30 segundos. Não é possível adicionar filmagem no início nem inserir material no meio do clipe, e a interpolação do primeiro ao último quadro ainda está limitada a saídas de 3 a 10 segundos. Vale conhecer esses limites antes que alguém prometa a um cliente um comercial de 30 segundos em um único take.
O áudio é a parte que ninguém precifica
Uma coisa a observar nos números por segundo: eles cobrem os tokens de vídeo. O Omni 1.2 Flash gera áudio nativo junto com o vídeo, diálogo, ambiente e efeitos sonoros, e o modelo lida com vários falantes com condicionamento separado.
O áudio é onde o vídeo com IA normalmente desmorona em produção. Um clipe com movimento convincente e lip-sync que desvia em 200 milissegundos é inutilizável, e corrigir isso na pós-produção custa mais do que regenerar. Se o áudio estiver de fato sincronizado no momento da geração, a economia não está na conta do modelo, está na tarde do editor.
O Google também diz que a clareza de lip-sync e diálogo melhorou, e que vozes diferentes podem ser atribuídas com precisão a personagens diferentes. Essas são alegações pequenas em um press release e grandes em um fluxo de trabalho. Qualquer pessoa avaliando isso para publicidade deve testar primeiro cenas com muito diálogo, porque é onde a geração anterior de modelos falhava de forma mais visível.
A data de migração é o detalhe subestimado
O Omni 1.1 Flash permanece disponível durante uma transição de quatro semanas. Em 3 de dezembro, as requisições de API para a 1.1 serão encaminhadas automaticamente para a 1.2, sem mudanças de código, com os preços mais baixos da 1.2.
Para equipes que construíram sobre a 1.1, essa é uma atualização gratuita com uma ressalva: o modelo por trás do seu produto muda sem o seu envolvimento. Qualquer biblioteca de prompts ajustada ao comportamento da 1.1, e qualquer conjunto de avaliação que estabeleceu linhas de base de qualidade, agora descreve um modelo que você não está mais chamando. Execute novamente as avaliações no início de dezembro.
O que ele ainda não consegue fazer
O Google é franco sobre as lacunas. Ações esportivas rápidas, mudanças rápidas de roteiro e física complexa continuam em desenvolvimento. A API Gemini oferece suporte completo ao inglês e não foi avaliada para outros idiomas. Edição de voz, entradas de áudio enviadas e referências de áudio não têm suporte na API atual, com as referências de áudio liberadas mediante inclusão em allowlist no Google Cloud.
A limitação de apenas inglês é a que vai afetar equipes internacionais primeiro. Uma campanha em alemão ou japonês criada com este modelo está rodando em um idioma que o provedor não avaliou.
A verdadeira mudança
Por dois anos, o preço do vídeo com IA foi estruturado em torno da suposição de que a geração era cara e, portanto, escassa. Toda decisão de produto decorria disso: clipes curtos, baixa resolução, engenharia de prompt agressiva e tolerância a resultados ruins.
O Omni 1.2 Flash precifica a geração como commodity e coloca o custo onde ele pertence: na renderização final. Doze centavos para descobrir se uma ideia funciona é um hábito, não uma rubrica orçamentária.
O Google também lançou a distribuição na mesma semana: Flow para direção de cena e edição multiturno, Google Vids, o app Gemini para assinantes Ultra e criação de campanhas no Google Ads. Quando o modelo fica barato e as superfícies já estão instaladas, a restrição ao vídeo com IA deixa de ser o acesso. Passa a ser se alguém tem um motivo para assistir.
Artigos relacionados
1% das empresas paga 80% da conta de IA — e esse grupo parou de crescer
O índice da Ramp mostra consumo de IA crescendo mais que receita. O motivo é simples: 1% das empresas concentra 80% do gasto, e essa coorte ficou abaixo do pico do verão.
Claude agora lê seus extratos bancários, e a Anthropic fez questão de não lhe dar mãos
O Claude ganhou um hub de finanças pessoais nos Estados Unidos. Ele lê 24 meses de transações e explica seus gastos, mas não move um centavo — e a Anthropic trata isso como a tese do produto.
A Adobe parou de pedir que profissionais de marketing abrissem a Adobe
Por uma década, a estratégia foi ser dono da interface. A Adobe acabou de apostar no oposto.
A CrowdStrike lançou um kill switch para agentes de IA. A parte difícil é saber o que encerrar.
Um kill switch transforma um palpite em algo aplicável. A aplicação exige uma lista, e a lista é justamente a parte que ninguém tem.