Das viel gehypte Google I/O hat nicht enttäuscht. Nach etwas Vorlauf und neben Gemini 3.5 Flash und Gemini Spark kam das eigentliche Highlight: Gemini Omni, eine neue Familie nativ multimodaler „Any-to-any“-KI-Modelle. Heißt: Sie verarbeiten alles gleichzeitig — Text, Bild, Audio und Video. Anders gesagt: Nano Banana, aber für Video. (So hat es Google selbst beschrieben.)
Das erste Modell ist Omni Flash. Es führt konversationales Videoediting ein, um aus einzelnen Assets stimmige Medien zu erstellen. Du bearbeitest und remixt Videos per Unterhaltung — nicht mit Schnittsoftware.
Was ist Gemini Omni?
Schauen wir uns genauer an, worum es bei Omni geht.
Gemini Omni ist das erste nativ multimodale generative Medienmodell von Google DeepMind. Die erste Variante in dieser Familie ist Gemini Omni Flash, das jetzt verfügbar ist
- in der Gemini-App,
- in Google Flow und
- in YouTube Shorts
Omni akzeptiert jede Kombination aus Text, Bildern, Audio und Video als Eingabe und erzeugt ein Video. Das Entscheidende: Es gibt keinen Staffellauf zwischen verschiedenen Systemen; alles läuft in einem Modell.
Bisher nutzte Google einen geteilten Stack: Veo für Video, Imagen für Bilder und getrennte Systeme für Audio. Omni bündelt das in einem Modell (daher der Name!), das über Modalitäten hinweg schlussfolgern kann. In der Praxis führt das zu stimmigeren Edits und weniger Pipeline-Artefakten.
Bevor ich ins Schwärmen gerate, ordnen wir das in Kernfunktionen ein.
Kernfunktionen von Gemini Omni
Auffällig ist vor allem der Prozess. Sowohl konversationales Editieren als auch Skizzen als Blaupausen kennen wir aus Bildgeneratoren wie Nano Banana 2 oder OpenAIs ChatGPT Images 2.0 — Omni bringt das jetzt auch in die Videogenerierung.
Konversationales Videoediting
Das Aushängeschild ist konversationales Videoediting. Du gibst Omni einen Clip (selbst generiert oder mit dem Handy gefilmt) und veränderst ihn, indem du einfach sprichst. „Dimme das Licht.“ „Ändere die Kameraperspektive auf über ihre Schulter.“ „Mach die Violine unsichtbar.“ Jede Anweisung bleibt über mehrere Runden bestehen. Die Szene entwickelt sich weiter, sie setzt sich nicht zurück.
Physik und Weltwissen
Darauf hat Google beim Launch Wert gelegt. Omni hat ein intuitives Verständnis von Schwerkraft, kinetischer Energie und Strömungsdynamik. In meinem ersten Test fühlte sich die generierte Szene nicht ganz nach realer Physik an – aber das ist die Flash-Version, und wir erwarten bald ein Omni Pro, das stärker mit Tools wie Seedance 2.0 konkurriert.
Von Skizzen und Zeichnungen zu Video
Du kannst Kritzeleien in realistisches Filmmaterial verwandeln — die Skizze dient nur als Bewegungsvorlage, nicht als finale visuelle Referenz. Das ist in der Pre-Production hilfreich. Kinder werden es für ihre Zeichnungen lieben.
SynthID-Wasserzeichen und C2PA-Content-Credentials
Jeder Omni-Output kommt mit zwei Ebenen an Herkunftsnachweisen.
- SynthID ist ein unsichtbares Wasserzeichen, direkt bei der Generierung in die Pixel eingebettet. Für Zuschauer nicht wahrnehmbar. Und es ist darauf ausgelegt, Zuschnitt, Filter und erneutes Encoding zu überstehen.
- C2PA-Content-Credentials liegen als signiertes kryptografisches Manifest neben der Datei. Selbst wenn die Metadaten entfernt werden, bleibt das Signal auf Pixelebene erhalten.
Wichtig: SynthID ist Google-spezifisch. Nur Googles eigene Modelle betten es ein, daher heißt „nicht Wasserzeichen-markiert“ nicht „menschgemacht“ — es heißt lediglich „nicht aus einem Google-Modell“. Da Omni reales Filmmaterial sehr leicht remixen kann, wirkt belastbare Herkunft bei jedem Output weniger wie ein Nice-to-have und mehr wie Pflichtprogramm.
Gemini Omni Flash im Test
Ich habe die Videogenerierung von Omni Flash in zwei Kategorien getestet: reale Physik und Stiltransfer.
Physik und Weltwissen testen
Das war mein Prompt:
A medieval trebuchet launching a fired clay pot at a stone castle wall, shot in slow motion. The counterweight falls, the sling whips around, the pot arcs through the air and shatters against the stone, shards and embers scattering across the courtyard. Continuous handheld camera move, golden hour light, period-accurate construction and dress. Realistic sound design — wood creaking under tension, rope strain, the whoosh of the sling, the sharp crack of impact. No music.
Die Hinweismeldung kündigte ein paar Minuten an, tatsächlich dauerte es nur rund zehn Sekunden.
