Gemini Omni 1.1 Flash
Gemini Omni 1.1 Flash ist das generative Videomodell, das Google am 27. August 2026 vorgestellt hat und über Google AI Studio sowie die Gemini Enterprise Agent Platform ausliefert. Diese Seite stellt die Ankündigung und die Modellkarte des Herstellers neben die Einstellungen, die der Dienst dieser Seite für dasselbe Modell zurückgibt, und benennt jede Stelle, an der die beiden nicht zusammenpassen.
Was Gemini Omni 1.1 Flash ist, in den Worten des Herstellers
Googles Ankündigung nennt es "a production-ready update for developers that offers improved control over generative video" und listet auf, was das Update hinzufügt: Szenen verlängern, Start- und Endbild festlegen und Ausgabe in hoher 4K-Auflösung erzeugen. Die Modellkarte von DeepMind, die in ihrem eigenen Text angibt, sie "describes Gemini Omni Flash and Gemini Omni 1.1 Flash", beschreibt die Familie als "our next step towards models that can create and edit anything from any input—starting with video", mit Eingaben aus "text strings (e.g., a question, a prompt), images, audio, and video files" und Ausgaben als "high-quality, high-resolution video with audio".
Die Modellkarte nennt drei bekannte Grenzen mit den Worten des Herstellers: "maintaining complete consistency throughout edits, generating scenes with complex motion, or rendering perfectly accurate text remains a challenge". Sie führt SynthID, Googles Werkzeug zur digitalen Wasserzeichnung, als Maßnahme nach dem Training auf und stellt fest, dass das Modell zwar im Rahmen einer Bearbeitung die Sprache von Personen verändern kann, diese Fähigkeit aber vorerst "we are restricting this capability".
Die Karte wurde im Mai 2026 erstmals veröffentlicht und im August 2026 zuletzt aktualisiert, weshalb der Familienname und die Version 1.1 dasselbe Dokument teilen. Nichts auf dieser Seite ist eine Aussage von Google, und Google hat diese Seite nicht geprüft.
Zitate bleiben im englischen Original des Herstellers. Eine übersetzte Spezifikation ist der übliche Weg, auf dem Zahlen anfangen zu wandern.
Fünf deklarierte Modi für dieses Produkt, vier in der Werkbank darstellbar
Das ist der folgenreichste Punkt dieser Seite, und er unterscheidet sie von jeder anderen Videoseite dieser Reihe. Der Dienst, über den diese Seite verkauft, deklariert fünf Aufgabentypen für Gemini Omni 1.1 Flash: Text zu Video, Bild zu Video, Referenz zu Video, Videobearbeitung und Videoverlängerung. Das eigene Modus-Vokabular der Werkbank deckt vier Aufgabentypen ab, und zwei der fünf vom Dienst deklarierten haben darin überhaupt keine Entsprechung.
Das ist eine Aussage darüber, was der Code der Werkbank selbst ausdrücken kann, gelesen aus ihrer Modusliste und aus einer Suche im Quelltext nach diesen beiden Namen. Es behauptet nicht, dass Bearbeitung mit dem Modell nicht möglich ist: der Hersteller dokumentiert Bearbeitung im Dialog als Kernfähigkeit, und der Dienst verkauft dafür zwei Modi.
| Vom Dienst deklarierter Modus | Was er entgegennimmt | In dieser Werkbank erreichbar |
| Text zu Video | eine beschriebene Szene | ja |
| Bild zu Video | einen Prompt und ein bis zwei Standbilder | ja |
| Referenz zu Video | bis zu zehn Bilder und bis zu drei Referenzclips | ja |
| Videobearbeitung | einen Prompt und genau ein Video | kein Modus dieses Namens existiert in der Oberfläche |
| Videoverlängerung | einen Prompt und genau ein Video | kein Modus dieses Namens existiert in der Oberfläche |
Die Felder, die die Werkbank rendert, und warum die lokale Tabelle sie nie erreicht
Die Werkbank baut ihre Felder aus dem Formularschema, das der Dienst je Modus veröffentlicht, und greift nur dann auf die im Quelltext dieser Seite mitgelieferten Modelltabellen zurück, wenn der Dienst kein solches Feld veröffentlicht. Für dieses Produkt veröffentlicht der Dienst in allen drei Modi, die die Werkbank zeigen kann, ein Auflösungs-, ein Seitenverhältnis- und ein Dauerfeld, sodass jeder Wert der lokalen Tabelle für die Oberfläche toter Code ist.
Die mittlere Spalte ist das, was ein Besucher sieht. Die rechte Spalte bleibt nur sichtbar, damit der Unterschied aktenkundig ist; ein veröffentlichtes Feld schlägt einen lokalen Standardwert.
| Einstellung | Vom Dienst veröffentlichte Werte | Werte der lokalen Tabelle dieser Seite, die das Formular nicht erreichen |
| resolution | 360p, 720p, 1080p, 4k - Standard 720p | 720p, 1080p - Standard 720p |
| aspect_ratio | auto, 16:9, 9:16 - Standard auto | 16:9, 9:16, 1:1, 4:3, 3:4 - Standard 16:9 |
| duration | eine Zahl von 3 bis 10, Standard 5 | 2 bis 15 in Schritten von 1, Standard 5 |
| Bilder bei Bild zu Video | 1 bis 2 | 1 |
Die Dauer ist hier eine Zahl, kein Menü
Bei diesem Modell veröffentlicht der Dienst die Dauer als Zahlenfeld zwischen 3 und 10 mit dem Standardwert 5, nicht als Liste diskreter Auswahlmöglichkeiten. Die Werkbank rendert daraus ein Zahleneingabefeld, es gibt also kein Dauermenü zum Ablesen, und der Bereich 2 bis 15 der lokalen Tabelle hat mit dem, was absendbar ist, nichts zu tun.
Am Hersteller gemessen sind die veröffentlichten Grenzen stimmig: die Ankündigung beschreibt die Verlängerung in Zehn-Sekunden-Schritten, was eine einzelne Generierung von ungefähr dieser Länge nahelegt, und die Obergrenze von zehn Sekunden beim Dienst liegt auf dieser Linie. Der Hersteller nennt in keiner der beiden erreichbaren Quellen einen Dauerparameter je Generierung, deshalb behauptet diese Seite nicht, einen zu zitieren.
Was der Hersteller benennt, ist das, was nach der Generierung passiert. Die Szenenverlängerung lässt das Modell "analyze up to 10 seconds of prior context — a leap from previous models that only referenced the final second" und verlängert "in 10-second increments up to a total cumulative length of 40 seconds".
Szenenverlängerung reicht bis vierzig Sekunden, und die Werkbank hat keine Verlängerung
Die Verlängerung ist das Zentrum der Ankündigung und konkret dokumentiert: zehn Sekunden analysierter vorheriger Kontext, Zehn-Sekunden-Schritte, vierzig Sekunden kumuliert. Der Dienst verkauft für dieses Produkt einen Videoverlängerungsmodus mit einem Feld für genau einen Referenzclip, was die Form eines Verlängerungsaufrufs ist. Weil die Werkbank keinen Modus hat, der Videoverlängerung ausdrücken kann, erreicht ein Besucher sie über diese Formulare nicht.
Die Modellkarte ergänzt eine Obergrenze, die in der Berichterstattung zum Start leicht zu übersehen ist: das Verändern der Sprache von Personen wird als derzeit eingeschränkte Fähigkeit beschrieben. Das ist eine Aussage darüber, was das Modell tun darf, nicht darüber, was diese Seite verkauft, und sie steht hier, weil Bearbeitungen auf Basis von Sprache genau das sind, womit ein Produktionsteam im Voraus plant.
Ein Preisdetail gehört in diesen Abschnitt und nicht in den nächsten. Der Dienst veröffentlicht Videoverlängerung mit null Punkten pro Aufruf und kennzeichnet das in seinen eigenen Daten als Rückfallwert. Wörtlich gelesen wäre das kostenlos, was kaum die Absicht sein dürfte. Diese Seite zitiert dafür keinen Preis von null, und die Frage liegt beim Betreiber.
Auflösung: vier Stufen, auf beiden Seiten sekundenweise bepreist
Google veröffentlicht Sekundenpreise für vier Ausgabestufen und verkauft einen 360p-Entwurfsmodus, von dem es heißt, er rendere "up to 60% faster and at a third of the cost compared to Omni 1.1's standard 720p resolution". Diese Zahlen liegen der Ankündigung als Tabellenbild bei und nicht als auswählbarer Text, wurden also vom Bild abgelesen, das zusammen mit dieser Seite archiviert ist. Der Dienst, über den diese Seite verkauft, veröffentlicht dieselben vier Stufen.
Die beiden Leitern haben nicht dieselbe Form. Setzt man die günstigste Stufe als 1, laufen die Schritte des Herstellers 1, 3,33, 5 und 10; die des Dienstes 1, 2,6, 4 und 7,8. Das ist Arithmetik auf vier veröffentlichten Zahlen je Seite und nichts weiter. Es sagt nicht, was ein Punkt kostet, und diese Seite rechnet in Punkten ab, die der Server vor jeder Aufgabe nennt, statt sie als Sekundenpreis zu veröffentlichen.
Der Dienst veröffentlicht außerdem einen Zuschlag von 2 Punkten pro Aufruf für weitere Ausgabe-Token, geschätzt auf 1.000, und beschreibt den Abrechnungsmodus als Parameter plus Dauer. Was das für einen konkreten Clip bedeutet, ist eine Frage an das Angebot, nicht an diese Tabelle.
Die Zahlen des Herstellers sind Googles eigene API-Preise in US-Dollar. Sie sind nicht die Preise dieser Seite und stehen hier mit Quellenangabe.
| Stufe | Preis des Herstellers, pro Sekunde | Dienst dieser Seite, Punkte pro Sekunde |
| 360p | $0.03 | 5 |
| 720p | $0.10 | 13 |
| 1080p | $0.15 | 20 |
| 4k | $0.30 | 39 |
Erstes und letztes Bild, und die Auswahl, die nicht angeboten wird
Die Ankündigung führt die Steuerung über erstes und letztes Bild als Kernfähigkeit ein: Anfangs- und Endbild angeben, und "Omni 1.1 generates continuous video between two keyframes, making it ideal for complex camera orbits, zoom transitions, or seamless looping clips". Die Demonstration, die der Hersteller dafür veröffentlicht hat und aus der diese Seite ein Bild zeigt, ist das deutlichste Beispiel für diese Funktion im gesamten Startmaterial.
Der Dienst deklariert für dieses Produkt keinen Anfang-und-Ende-Modus, und die lokale Familientabelle schaltet ihn ab. Eine Werkbank, die eine Anfang-und-Ende-Aufgabe ausdrücken kann, hat für dieses Modell also nichts anzuzeigen; das ist das Spiegelbild der vorigen Seite dieser Reihe: dort war der Modus vom Dienst deklariert und wurde aus einer anderen Auswahl herausgefiltert, hier existiert der Modus in der Oberfläche, und das Modell erreicht ihn nie.
Referenzclips sind die eine Eingabe, die diese Seite sorgfältig beschreiben muss. Die Ankündigung sagt, man solle "reference up to three seconds of video". Der Dienst veröffentlicht ein Feld, das bis zu drei Referenzclips annimmt. Drei Sekunden und drei Dateien sind nicht dasselbe Maß, und keine der beiden Quellen widerspricht der anderen, also werden beide so berichtet, wie sie dastehen, statt sie zusammenzuführen.
Ton kommt standardmäßig mit, und hier sagt der Dienst es selbst
Die Modellkarte beschreibt die Ausgabe als Video mit Audio, ohne Einschränkung, Audio ist bei diesem Modell also keine optionale Zugabe. Der Dienst, über den diese Seite verkauft, geht weiter als nötig und legt die Position in seinen eigenen Daten für dieses Produkt dar: Ton wird unterstützt, er wird erzeugt, er ist standardmäßig an, und es gibt keinen Schalter. Das letzte dieser Felder entscheidet, was ein Besucher tun kann.
Ein Vergleich mit der vorigen Seite dieser Reihe lohnt: dort musste die Abwesenheit eines Audiofelds daraus geschlossen werden, dass kein solches Feld veröffentlicht war. Hier erklärt der Dienst die Abwesenheit selbst. Für den Besucher ist das Ergebnis in beiden Fällen gleich, und nur in einem Fall musste es erschlossen werden.
Der Hersteller dokumentiert außerdem die Referenz auf Sprachmaterial als Eingabetyp, und die Modellkarte führt Audio unter den Trainingsmodalitäten. Keines von beidem bringt eine Stimmauswahl in diese Werkbank, weil für dieses Produkt kein solches Feld veröffentlicht wird.
Was die Galerie zeigt und was nicht
Anders als bei der vorigen Videoseite dieser Reihe lässt sich das Material des Herstellers zu diesem Modell herunterladen: neun Dateien wurden direkt aus Googles eigenem Speicher mit echten Nutzdaten abgerufen, darunter sieben Fähigkeitsdemonstrationen und ein Partnerfilm. Ihnen wurden vierundzwanzig Einzelbilder entnommen, und jedes wurde gesichtet.
Sieben dieser Bilder erwiesen sich als dieselbe nahezu weiße Schlusskarte mit der Marke des Modells, mit der alle acht Clips enden. Fünf Bilder sind es wert, veröffentlicht zu werden: zwei saubere generierte Standbilder aus der 4K-Demonstration, eines aus der Videoreferenz-Demonstration, ein Tafelpaar aus der Erstes-und-letztes-Bild-Demonstration und ein Bild mit der eingebrannten Bildunterschrift des Herstellers, was die Bildunterschrift auf dieser Seite offenlegt.
Ein Materialstück wurde aus einem Grund zurückgehalten, der benannt werden sollte. Die Datei, deren Name ein Wasserzeichen ankündigt, ist eine Partnerdemonstration mit dem Schriftzug einer Plattform im Bild und noch einmal auf einer schwarzen Schlusskarte. Eine Marke Dritter in der Galerie dieser Seite würde so gelesen, als liefere diese Seite wassergezeichnete Ausgaben, also wird sie nicht gezeigt und der Grund festgehalten.
Ein zweites Materialstück wurde zurückgehalten, weil es seine Aufgabe nicht erfüllt. Der Clip, der den 360p-Entwurfsmodus demonstrieren soll, ist selbst 1920 mal 1080 und trägt die höchste Bitrate des Satzes, die ausgelieferte Datei kann den Auflösungsunterschied also nicht zeigen, für den sie existiert. Die 360p-Angabe auf dieser Seite stammt stattdessen aus dem Wortlaut der Ankündigung.
Ablehnungen und ihre Messwerte stehen im Build-Protokoll dieser Seite, statt in einer kurzen Galerie nur angedeutet zu werden.
Häufige Fragen
Ist das die offizielle Seite für Gemini Omni 1.1 Flash?
Nein. Es ist eine Seite dieser Website über das Modell. Googles Ankündigung und die Modellkarte von DeepMind sind als Quellen verlinkt, und weder Google noch DeepMind hat diese Seite geprüft.
Kann ich hier ein Video bearbeiten oder verlängern?
Nicht über die Formulare, die diese Seite beschreibt. Der Dienst deklariert Videobearbeitung und Videoverlängerung für dieses Produkt, aber die Modusliste der Werkbank deckt vier Aufgabentypen ab, und keiner dieser beiden ist darunter.
Wie viele Modi kann ich tatsächlich ausführen?
Drei: Text zu Video, Bild zu Video und Referenz zu Video. Der Dienst deklariert diese drei plus die zwei Bearbeitungsmodi, die die Oberfläche nicht ausdrücken kann.
Warum nennt das Dauerfeld drei bis zehn Sekunden, wenn der Hersteller von vierzigsekündigen Szenen spricht?
Die beiden messen Verschiedenes. Drei bis zehn ist der Bereich, den der Dienst für eine einzelne Generierung veröffentlicht; vierzig Sekunden ist die kumulierte Gesamtlänge, die der Hersteller für die Szenenverlängerung dokumentiert und die in Zehn-Sekunden-Schritten erreicht wird. Diese Werkbank hat keine Verlängerungssteuerung.
Ist 4K verfügbar?
Der Dienst veröffentlicht für dieses Produkt vier Ausgabestufen, 360p, 720p, 1080p und 4k, mit 720p als Standard. Der Hersteller bepreist alle vier, mit $0.03, $0.10, $0.15 und $0.30 pro Sekunde. Was diese Seite berechnet, wird vor jeder Aufgabe in Punkten genannt und ist kein Sekundenpreis.
Haben die Videos Ton?
Ja, standardmäßig, und es gibt keinen Schalter. Der Dienst gibt in seinen eigenen Daten für dieses Produkt an, dass Audio unterstützt, erzeugt und standardmäßig aktiv ist, ohne Umschalter. Die Modellkarte des Herstellers beschreibt die Ausgabe ebenfalls als Video mit Audio.
Wie viele Referenzbilder oder -clips kann ich anhängen?
Der Dienst veröffentlicht für Referenz zu Video bis zu zehn Bilder und bis zu drei Referenzclips, für Bild zu Video ein bis zwei Bilder. Der Hersteller dokumentiert separat die Referenz auf bis zu drei Sekunden Video, was eine Dauer und keine Anzahl ist.
Warum hat die Galerie fünf Stücke, wenn der Hersteller neun Dateien ausgeliefert hat?
Weil acht der neun auf derselben Markenkarte enden und die meisten übrigen Bilder Oberflächenelemente oder eingebrannte Bildunterschriften tragen. Zwei Dateien sind gar nicht vertreten: eine trägt das sichtbare Wasserzeichen einer Partnerplattform, und die andere ist die 360p-Demonstration, die selbst in 1920 mal 1080 veröffentlicht ist und die Auflösung, für die sie existiert, deshalb nicht zeigen kann.