El esperado evento Google I/O no decepcionó. Tras un poco de preámbulo y junto a Gemini 3.5 Flash y Gemini Spark, llegó el verdadero protagonista: Gemini Omni, una nueva familia de modelos de IA nativos multimodales, "any-to-any", es decir, capaces de procesar a la vez lo que les pongas por delante: texto, imagen, audio y vídeo. En otras palabras, Nano Banana, pero para vídeo. (Así lo presentó la propia Google.)
El modelo inicial es Omni Flash. Introduce la edición de vídeo conversacional para crear piezas coherentes a partir de elementos sueltos. Es decir, puedes editar y remezclar vídeos conversando, sin necesidad de usar software de edición.
¿Qué es Gemini Omni?
Veamos con más detalle de qué va Omni.
Gemini Omni es el primer modelo generativo de medios nativamente multimodal de Google DeepMind. La primera variante de la familia es Gemini Omni Flash, que ya está disponible
- dentro de la app de Gemini,
- Google Flow, y
- YouTube Shorts
Omni acepta cualquier combinación de texto, imágenes, audio y vídeo como entrada y produce un vídeo. La clave es que no hay relevos entre sistemas distintos; todo sucede en un único modelo.
Hasta ahora, Google funcionaba con una pila separada: Veo para vídeo, Imagen para imágenes y sistemas aparte para audio. Omni unifica todo en un solo modelo (de ahí el nombre) capaz de razonar entre modalidades. En la práctica, eso se traduce en ediciones más coherentes y menos artefactos de pipeline.
Antes de dejarnos llevar, enmarquémoslo en sus funciones clave.
Funciones clave de Gemini Omni
Lo que más me llama la atención es el proceso. Tanto la edición conversacional como el uso de bocetos como guías son funciones que ya conocemos de herramientas de generación de imágenes como Nano Banana 2 o ChatGPT Images 2.0 de OpenAI, pero Omni las lleva también a la generación de vídeo.
Edición de vídeo conversacional
La gran capacidad es la edición de vídeo conversacional. Le das a Omni un clip (uno generado o uno que hayas grabado con el móvil) y lo cambias hablándole. "Atenúa las luces". "Cambia el ángulo de cámara a sobre su hombro". "Haz invisible el violín". Cada instrucción se mantiene de un turno a otro. La escena evoluciona; no se reinicia.
Física del mundo real y conocimiento del mundo
Google hizo hincapié en esto durante el lanzamiento. Omni tiene una comprensión intuitiva de la gravedad, la energía cinética y la dinámica de fluidos. En mi prueba inicial, el vídeo generado no se sentía como física del mundo real; pero, de nuevo, esta es la versión Flash, y esperamos que pronto llegue un modelo Omni Pro más competitivo con herramientas como Seedance 2.0.
De bocetos y dibujos a vídeo
Puedes convertir garabatos en metraje realista usando el boceto solo como guía de movimiento, no como referencia visual final. Será útil en preproducción. Y a los peques les encantará para dar vida a sus dibujos.
Filigrana SynthID y credenciales de contenido C2PA
Cada salida de Omni incluye dos capas de procedencia.
- SynthID es una marca de agua invisible incrustada directamente en los píxeles en el momento de la generación. Es imperceptible para quien ve el vídeo y está diseñada para resistir recortes, filtros y recodificaciones.
- Las credenciales de contenido C2PA van junto a ella como un manifiesto criptográfico firmado adjunto al archivo. Aunque elimines los metadatos, la señal a nivel de píxel se mantiene.
Conviene señalar: SynthID es específica de Google. Solo los modelos de Google la insertan, así que "sin marca de agua" no significa "hecho por humanos"; solo significa "no generado por un modelo de Google". Dado lo fácil que le resulta a Omni remezclar metraje real, contar con una procedencia robusta en cada salida deja de ser un extra y pasa a ser imprescindible.
Pruebas con Gemini Omni Flash
Probé las capacidades de generación de vídeo de Omni Flash en dos categorías: física del mundo real y transferencia de estilo.
Probando física y conocimiento del mundo
Este fue mi 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.
El aviso decía que tardaría unos minutos, pero en realidad solo fueron unos diez segundos.
