La tecnología Gemini Omni Flash de Google llega a la API, transformando la producción de video empresarial en una conversación.

Para la mayoría de las empresas, un video de capacitación de 90 segundos o un video explicativo de un producto nunca ha sido una solicitud fácil. Esto significa un brief bien planificado, un equipo de filmación interno o un proveedor externo, una grabación, una edición y una ronda de revisiones. Cambia una línea de texto en pantalla debido a una revisión legal y toda la cadena vuelve a empezar. El costo y los largos plazos son la razón por la cual tanto video interno nunca se produce. Esa ecuación es lo que Google se propone reescribir con Gemini Omni Flash, el primer modelo de su nueva familia "Omni", que ahora se está implementando para desarrolladores y clientes empresariales a través de una API tras debutar para consumidores en I/O 2026. Google enmarca la ambición de la familia como la creación de cualquier cosa "a partir de cualquier entrada", comenzando con video. Pero la interacción principal no es solo un aviso de texto a video más agudo. Es la capacidad de editar un clip terminado a través de la conversación. Cuando el modelo se lanzó en mayo, el análisis empresarial de VentureBeat señaló el inconveniente: sin una interfaz programática, Omni era una herramienta para consumidores y prosumidores, no una de producción. Este lanzamiento de API cambia eso. Pone la edición conversacional delante de los equipos de marketing y de aprendizaje y desarrollo que producen la mayor parte de los videos en una organización. La propuesta: un pipeline de cinco herramientas se colapsa en una sola conversación. Hasta ahora, muchos equipos han estado ensamblando videos de IA de la manera difícil, uniendo un LLM para un guion, un modelo de texto a imagen, un modelo de imagen a video, una herramienta de sincronización de labios separada y un generador de voz, cada uno con su propio contrato, facturación y ruta de datos. El argumento empresarial de Omni es la unificación: un modelo que toma texto, imágenes y video y devuelve un clip terminado con audio sincronizado. Ese factor de simplicidad es la parte que los tomadores de decisiones deben ponderar primero. Colapsar varias herramientas puntuales en un solo modelo significa menos proveedores y un solo lugar para monitorear la producción y hacer cumplir las reglas de manejo de datos. Para una organización que ha evitado el video generativo porque juntar las herramientas no valía la pena por el costo, la ecuación cambia. Con la edición conversacional, cada instrucción se basa en la anterior, por lo que un comercializador puede reiluminar un producto, volver a enmarcarlo o cambiar el vestuario sin regenerar desde cero y perdiendo las partes que ya funcionaron. Es la diferencia entre reservar una nueva grabación y enviar una nota. Referencias multimodales y un motor físico para activos de marca. Omni acepta mucho más que un aviso de texto. Junto a las palabras que describen lo que deseas, puedes proporcionarle múltiples imágenes de referencia y clips de video existentes, y lleva esas especificidades al resultado. Dale una fotografía de un objeto particular, pídeles que coloquen ese objeto en una escena, y reproduce el color y la forma aproximada de la cosa real en lugar de inventar un reemplazo genérico. Si bien el emparejamiento puede no ser perfecto, es lo suficientemente cercano para ser reconocible. Ese control basado en referencias es lo que hace que la función sea comercialmente interesante: una foto de producto, un logotipo de marca o una ubicación específica pueden insertarse como un ingrediente en lugar de describirse en un aviso y esperar lo mejor. Dos de las cuatro fortalezas destacadas de Google se dirigen directamente al trabajo empresarial. La primera es un modelo mundial, la comprensión del sistema sobre cómo se comportan las escenas físicas. Agrega lluvia ligera y charcos a una toma existente y reproduce reflexiones de las personas y los objetos en el pavimento mojado, el tipo de consistencia física que separa el metraje real del video obvio generado por IA. La segunda es la inserción de texto y logotipos. Apunta a una escena llena de señalización y puedes hacer que reescriba esos letreros en otro idioma, o para una marca de tu elección, e incluso agregar el logotipo de una empresa. Los resultados no son impecables: en las pruebas, el seguimiento de señales en escenas complejas no siempre fue perfecto y algunos textos volvieron al idioma original entre cuadros. Para videos de capacitación que necesitan etiquetas en pantalla, o anuncios que necesitan un logotipo colocado en escena, es una capacidad que vale la pena considerar, y un recordatorio de que la producción aún necesita una revisión humana antes de su lanzamiento. La API de interacciones y dónde aún hay límites. En el fondo, esto funciona con la nueva API de interacciones de Google, una interfaz con estado construida para tareas de múltiples turnos en lugar de chat abierto. Cada turno lleva hacia adelante el video anterior y sus referencias, lo que permite que las ediciones se acumulen de manera coherente. Los desarrolladores pueden encadenar generaciones. Pueden producir un clip, editar un gato en un gatito puma, cambiar el estilo de un video a retro de 8 bits y luego a una apariencia de acuarela, y almacenar cada versión para ramificarse más tarde. Las restricciones son reales y vale la pena presupuestarlas. Los clips actualmente tienen un límite de 10 segundos, según la tarjeta de modelo publicada. Para hacer algo más largo, generas fragmentos y los editas juntos. Las imágenes subidas también pueden editarse, siempre que duren 10 segundos o menos y el usuario tenga los derechos sobre ellas. La propia tarjeta de modelo de Google es honesta al indicar que mantener la consistencia en las ediciones y renderizar texto preciso siguen siendo problemas abiertos. Barreras, marcas de agua y la línea que Google no cruzará. Para un CISO, las demostraciones importan menos que el trabajo de procedencia que se envía junto con el modelo. Cada clip de Omni lleva la marca de agua SynthID de Google, Google está ampliando las Credenciales de Contenido C2PA en sus herramientas generativas, y ha lanzado una API de Detección de Contenido de IA que marca medios generados por IA, tanto de Google como de otros proveedores. Google también ha trazado una línea deliberada. El modelo no tomará una foto fija de una persona más un clip de audio y los sincronizará en un discurso, un movimiento explícito para limitar los deepfakes. Sin embargo, tomará una grabación de alguien hablando y la traducirá a otro idioma, un camino útil para localizar contenido de capacitación global. Para las empresas reguladas, esas limitaciones y la procedencia integrada son características más que fricciones. Los números: barato, solo 720p y (preliminarmente) clasificado primero. El precio llegó junto con la API, y es agresivo. Omni Flash cuesta $0.10 por segundo de video 720p generado, lo que pone un clip de diez segundos en aproximadamente un dólar. Eso iguala a Veo 3.1 Fast a la misma resolución, funciona al doble de Veo 3.1 Lite, y subcotiza al estándar Veo 3.1 en tres cuartas partes. Por segundo (USD) Gemini Omni Flash Veo 3.1 Lite Veo 3.1 Fast Veo 3.1 720p $0.10 $0.05 $0.10 $0.40 1080p n/a $0.08 $0.12 $0.40 4K n/a n/a $0.30 $0.60 La tabla también expone la trampa. Omni Flash solo genera 720p. No hay opción de 1080p o 4K, mientras que los niveles de Veo escalan hasta 4K. Para capacitación interna y la mayoría de los videos sociales, 720p está bien. Para trabajos de marca premium destinados a una pantalla grande, es un techo real, y la razón por la cual Veo 3.1 todavía tiene un lugar. Los clips tienen entre 3 y 10 segundos en natívamente 720p, en paisaje (16:9) o retrato (9:16). Como entradas de referencia, el modelo acepta hasta siete imágenes y hasta tres clips de video de tres segundos o menos. No acepta audio como entrada todavía, aunque genera audio junto con el video que produce. La salida es MP4 estándar, y cada clip se envía con marcas de agua SynthID y credenciales C2PA integradas. En cuanto a calidad, la señal inicial es fuerte. En el Arena de Texto a Video de LMArena, una tabla de liderazgo donde las personas votan sobre producciones de cabeza a cabeza de modelos competidores, Omni Flash ocupó el primer lugar con una puntuación de 1527. Lo que significa para los presupuestos, y lo que aún falta. Con precios reales en mano, la historia de iteración se vuelve concreta. Cada edición conversacional es una nueva generación por la que pagas, así que una sesión con muchas ediciones aún se suma, aproximadamente un dólar por cada intento de diez segundos a 720p. Lo que cambia el modelo con estado no es el costo de una edición, sino el número de intentos desperdiciados: debido a que el contexto se mantiene a través de turnos, esas generaciones se destinan a refinar una toma que funciona en su mayoría en lugar de reiniciar desde un aviso en blanco y esperar a que el siguiente intento tenga éxito. Omni no está solo en este campo. Veo 3.1 sigue siendo la opción de grado de producción de Google cuando necesitas una mayor resolución, y los rivales de Bytedance, Alibaba y OpenAI todos persiguen los mismos presupuestos. Lo que Omni agrega es la capacidad de edición en sí misma: la capacidad de tratar un video como un documento vivo en lugar de un renderizado de una sola vez.