O aguardado evento Google I/O não decepcionou. Depois de uma introdução e dos anúncios do Gemini 3.5 Flash e do Gemini Spark, veio o grande destaque: Gemini Omni, uma nova família de modelos de IA nativamente multimodais, "any-to-any" — ou seja, que processam o que você imaginar, de texto, imagem e áudio a vídeo, de forma simultânea. Em outras palavras, Nano Banana, só que para vídeo. (Foi assim que o próprio Google apresentou.)
O modelo inicial é o Omni Flash. Ele traz edição de vídeo por conversa para criar mídias coesas a partir de ativos individuais. Em vez de usar um software de edição, você edita e faz remixes de vídeos conversando com o modelo.
O que é o Gemini Omni?
Vamos entender em mais detalhes do que se trata o Omni.
O Gemini Omni é o primeiro modelo generativo de mídia nativamente multimodal do Google DeepMind. A primeira variante da família é o Gemini Omni Flash, que já está disponível
- no app Gemini,
- no Google Flow e
- no YouTube Shorts
O Omni aceita qualquer combinação de texto, imagens, áudio e vídeo como entrada e gera um vídeo. O ponto-chave é que não há repasse entre sistemas diferentes; tudo acontece em um único modelo.
Até agora, o Google operava com uma pilha separada: Veo para vídeo, Imagen para imagens e sistemas próprios para áudio. O Omni unifica tudo em um só modelo (daí o nome!) que consegue raciocinar entre modalidades. Na prática, isso se traduz em edições mais coerentes e menos artefatos de pipeline.
Antes que eu me empolgue, vamos enquadrar isso em termos de recursos principais.
Principais recursos do Gemini Omni
O que mais me chama atenção é o processo. Tanto a edição por conversa quanto o uso de esboços como guia são recursos conhecidos em ferramentas de geração de imagens, como o Nano Banana 2 ou o ChatGPT Images 2.0 da OpenAI, mas o Omni leva isso também para a geração de vídeo.
Edição de vídeo por conversa
O grande destaque é a edição de vídeo conversacional. Você passa um clipe para o Omni (um que você gerou ou gravou no celular) e faz mudanças falando com ele. "Deixe a iluminação mais baixa." "Mude o ângulo da câmera para sobre o ombro dela." "Deixe o violino invisível." Cada instrução permanece ativa ao longo das interações. A cena evolui; ela não é reiniciada.
Física do mundo real e conhecimento de mundo
O Google reforçou isso no lançamento. O Omni tem um entendimento intuitivo de gravidade, energia cinética e dinâmica de fluidos. No meu teste inicial, o vídeo gerado não pareceu obedecer perfeitamente à física real — mas, de novo, esta é a versão Flash, e esperamos que um Omni Pro chegue em breve e concorra melhor com ferramentas como o Seedance 2.0.
De esboços e desenhos para vídeo
Você pode transformar rabiscos em cenas realistas, usando o esboço apenas como guia de movimento, e não como referência visual final. Isso deve ser útil na pré-produção. As crianças também vão adorar ver seus desenhos ganhando vida.
Marcação SynthID e credenciais de conteúdo C2PA
Todo output do Omni vem com duas camadas de procedência.
- O SynthID é uma marca d'água invisível embutida diretamente nos pixels no momento da geração. É imperceptível para quem assiste e foi projetada para resistir a cortes, filtros e reencodificação.
- As credenciais de conteúdo C2PA acompanham o arquivo como um manifesto criptográfico assinado. Mesmo que os metadados sejam removidos, o sinal em nível de pixel permanece.
Vale o alerta: o SynthID é específico do Google. Só os modelos do próprio Google o inserem, então "sem marca d'água" não significa "feito por humano" — apenas que "não veio de um modelo do Google". Dado o quão facilmente o Omni pode remixar cenas reais, ter procedência robusta em cada output deixa de ser diferencial e vira o mínimo esperado.
Testando o Gemini Omni Flash
Testei os recursos de geração de vídeo do Omni Flash em duas frentes: física do mundo real e transferência de estilo.
Testando física e conhecimento de mundo
Esse foi o meu 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.
O aviso dizia que levaria alguns minutos, mas na prática foram cerca de dez segundos.
