Il tanto atteso evento Google I/O non ha deluso. Dopo un po' di preambolo e insieme a Gemini 3.5 Flash e Gemini Spark, il vero protagonista: Gemini Omni, una nuova famiglia di modelli di IA nativamente multimodali, "any-to-any", il che significa che elaborano quello che vuoi: testo, immagini, audio e video in simultanea. In altre parole, Nano Banana, ma per il video. (È così che Google stessa ne ha parlato.)
Il modello iniziale è Omni Flash. Introduce il montaggio video conversazionale per creare media coerenti a partire da asset singoli. Quindi puoi montare e remixare video attraverso conversazioni, senza usare software di editing.
Che cos'è Gemini Omni?
Capiamo più nel dettaglio di cosa si tratta Omni.
Gemini Omni è il primo modello generativo per media nativamente multimodale di Google DeepMind. La prima variante della famiglia è Gemini Omni Flash, già disponibile
- nell'app Gemini,
- in Google Flow e
- su YouTube Shorts
Omni accetta qualsiasi combinazione di testo, immagini, audio e video come input e produce un video. La chiave è che non c'è alcun passaggio tra sistemi diversi: è tutto un unico modello.
Finora Google gestiva uno stack separato: Veo per il video, Imagen per le immagini e sistemi separati per l'audio. Omni unisce tutto in un solo modello (da qui il nome!) che sa ragionare tra modalità diverse. In pratica, questo si traduce in montaggi più coerenti e meno artefatti di pipeline.
Prima di farmi prendere la mano, inquadriamolo in termini di funzionalità chiave.
Funzionalità principali di Gemini Omni
Quello che mi colpisce è il processo. Sia l'editing conversazionale sia l'uso di schizzi come blueprint sono funzioni che conosciamo dagli strumenti di generazione immagini come Nano Banana 2 o ChatGPT Images 2.0 di OpenAI, ma Omni le porta anche nella generazione video.
Montaggio video conversazionale
La funzione di punta è il montaggio video conversazionale. Dai a Omni una clip (una che hai generato o girato con il telefono) e la modifichi parlandoci. "Abbassa le luci." "Cambia l'inquadratura in spalla dietro di lei." "Rendi il violino invisibile." Ogni istruzione resta valida nei turni successivi. La scena evolve, non si azzera.
Fisica del mondo reale e conoscenza del mondo
Google lo ha sottolineato al lancio. Omni ha una comprensione intuitiva di gravità, energia cinetica e dinamica dei fluidi. Nel mio test iniziale, il video generato non sembrava riflettere la fisica del mondo reale – ma, di nuovo, questa è la versione Flash, e ci aspettiamo che arrivi presto un modello Omni Pro più competitivo rispetto a strumenti come Seedance 2.0.
Da schizzi e disegni a video
Puoi trasformare scarabocchi in riprese realistiche, usando lo schizzo solo come guida al movimento e non come riferimento visivo finale. Sarà utile in pre-produzione. Piacerà anche ai bambini, per i loro disegni.
Filigrana SynthID e credenziali dei contenuti C2PA
Ogni output di Omni include due livelli di provenienza.
- SynthID è una filigrana invisibile incorporata direttamente nei pixel al momento della generazione. È impercettibile agli spettatori. Ed è progettata per resistere a ritagli, filtri e ricodifica.
- Le credenziali dei contenuti C2PA affiancano la filigrana come un manifesto crittografico firmato allegato al file. Anche se rimuovi i metadati, il segnale a livello di pixel resta.
Vale la pena precisarlo: SynthID è specifico di Google. Solo i modelli di Google la incorporano, quindi "non con filigrana" non significa "creato da umano" — significa solo "non da un modello Google". Dato quanto facilmente Omni può remixare riprese reali, una provenienza robusta su ogni output inizia a sembrare meno un nice-to-have e più un requisito minimo.
Test di Gemini Omni Flash
Ho testato le capacità di generazione video di Omni Flash in due categorie diverse: fisica del mondo reale e trasferimento di stile.
Testare fisica e conoscenza del mondo
Ecco il mio 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.
La nota diceva che ci sarebbero voluti alcuni minuti, ma in realtà ci sono voluti solo dieci secondi circa.
