Gemini Omni 1.1 Flash
Gemini Omni 1.1 Flash es el modelo de vídeo generativo que Google presentó el 27 de agosto de 2026 y distribuye a través de Google AI Studio y de la Gemini Enterprise Agent Platform. Esta página pone el anuncio y la ficha del modelo del fabricante junto a los ajustes que el servicio de este sitio devuelve para el mismo modelo, y señala cada punto en el que ambos no coinciden.
Qué es Gemini Omni 1.1 Flash, en palabras del fabricante
El anuncio de Google lo llama "a production-ready update for developers that offers improved control over generative video" y enumera lo que añade la actualización: extender escenas, especificar el fotograma inicial y el final, y generar salida en alta resolución 4K. La ficha del modelo de DeepMind, que declara en su propio texto que "describes Gemini Omni Flash and Gemini Omni 1.1 Flash", describe la familia como "our next step towards models that can create and edit anything from any input—starting with video", con entradas de "text strings (e.g., a question, a prompt), images, audio, and video files" y salidas de "high-quality, high-resolution video with audio".
La ficha enumera tres limitaciones conocidas con las palabras del propio fabricante: "maintaining complete consistency throughout edits, generating scenes with complex motion, or rendering perfectly accurate text remains a challenge". Nombra SynthID, la herramienta de marca de agua digital de Google, como mitigación posterior al entrenamiento, y afirma que, aunque el modelo puede cambiar el habla de las personas como parte de una edición, por ahora "we are restricting this capability".
La ficha se publicó por primera vez en mayo de 2026 y se actualizó por última vez en agosto de 2026, que es la razón de que el nombre de la familia y la versión 1.1 compartan un mismo documento. Nada de esta página es una declaración de Google, y Google no ha revisado esta página.
Las citas se dejan en el inglés del fabricante. Una especificación traducida es la vía habitual por la que los números empiezan a desviarse.
Cinco modos declarados para este producto, cuatro que el taller puede expresar
Esto es lo más determinante de la página y la diferencia de todas las demás páginas de vídeo de esta serie. El servicio a través del cual vende este sitio declara cinco tipos de tarea para Gemini Omni 1.1 Flash: texto a vídeo, imagen a vídeo, referencia a vídeo, edición de vídeo y extensión de vídeo. El vocabulario de modos del propio taller cubre cuatro tipos de tarea, y dos de los cinco que declara el servicio no tienen representación alguna en él.
Esto es una afirmación sobre lo que puede expresar el propio código del taller, leída de su lista de modos y de una búsqueda en el código fuente de esos dos nombres. No sostiene que el modelo no permita editar: el fabricante documenta la edición conversacional como capacidad central, y el servicio vende dos modos para ella.
| Modo declarado por el servicio | Qué recibe | Alcanzable en este taller |
| Texto a vídeo | una escena descrita por escrito | sí |
| Imagen a vídeo | un prompt y una o dos imágenes fijas | sí |
| Referencia a vídeo | hasta diez imágenes y hasta tres clips de referencia | sí |
| Edición de vídeo | un prompt y exactamente un vídeo | no existe ningún modo con este nombre en la interfaz |
| Extensión de vídeo | un prompt y exactamente un vídeo | no existe ningún modo con este nombre en la interfaz |
Los campos que el taller renderiza y por qué la tabla local nunca los alcanza
El taller construye sus campos a partir del esquema de formulario que el servicio publica para cada modo, y solo recurre a las tablas de modelos incluidas en el código fuente de este sitio cuando el servicio no publica ese campo. Para este producto el servicio publica un campo de resolución, uno de relación de aspecto y uno de duración en los tres modos que el taller puede mostrar, así que cada valor de la tabla local es código muerto en lo que respecta a la interfaz.
La columna central es lo que ve un visitante. La de la derecha se mantiene visible solo para que la diferencia quede registrada; un campo publicado prevalece sobre un valor local por defecto.
| Ajuste | Valores publicados por el servicio | Valores de la tabla local de este sitio, que no llegan al formulario |
| resolution | 360p, 720p, 1080p, 4k - por defecto 720p | 720p, 1080p - por defecto 720p |
| aspect_ratio | auto, 16:9, 9:16 - por defecto auto | 16:9, 9:16, 1:1, 4:3, 3:4 - por defecto 16:9 |
| duration | un número de 3 a 10, por defecto 5 | de 2 a 15 en pasos de 1, por defecto 5 |
| imágenes en imagen a vídeo | 1 a 2 | 1 |
Aquí la duración es un número, no un menú
En este modelo el servicio publica la duración como un campo numérico acotado entre 3 y 10 con valor por defecto 5, y no como una lista de opciones discretas. El taller renderiza a partir de eso una entrada numérica, así que no hay ningún menú de duraciones que leer, y el rango de 2 a 15 de la tabla local no tiene nada que ver con lo que se puede enviar.
Leídos junto al fabricante, los límites publicados son coherentes: el anuncio describe la extensión en incrementos de diez segundos, lo que implica una generación individual de aproximadamente esa longitud, y el techo de diez segundos del servicio queda justo en esa línea. El fabricante no indica en ninguna de las dos fuentes accesibles un parámetro de duración por generación, así que esta página no afirma citar ninguno.
Lo que sí indica el fabricante es qué ocurre después de generar. La extensión de escena permite al modelo "analyze up to 10 seconds of prior context — a leap from previous models that only referenced the final second", extendiendo "in 10-second increments up to a total cumulative length of 40 seconds".
La extensión de escena llega a cuarenta segundos y el taller no tiene control de extensión
La extensión es el centro del anuncio y está documentada de forma concreta: diez segundos de contexto previo analizados, incrementos de diez segundos, cuarenta segundos acumulados. El servicio vende para este producto un modo de extensión de vídeo con un campo para exactamente un clip de referencia, que es la forma que tiene una llamada de extensión. Como el taller no tiene ningún modo capaz de expresar la extensión de vídeo, un visitante no puede llegar a ella desde estos formularios.
La ficha del modelo añade un techo fácil de pasar por alto en la cobertura del lanzamiento: modificar el habla de las personas se describe como una capacidad restringida por ahora. Es una afirmación sobre lo que el modelo tiene permitido hacer, no sobre lo que vende este sitio, y se reproduce aquí porque las ediciones basadas en habla son justo el tipo de cosa con la que un equipo de producción planifica por adelantado.
Un detalle de precio corresponde a esta sección y no a la siguiente. El servicio publica la extensión de vídeo a cero puntos por llamada, etiquetado en sus propios datos como valor de reserva. Leído al pie de la letra eso es gratis, lo cual no parece ser la intención. Esta página no cita ningún precio de cero para ella, y la cuestión queda en manos del operador.
Resolución: cuatro niveles, facturados por segundo en ambos lados
Google publica precios por segundo para cuatro niveles de salida y vende un modo borrador de 360p del que dice que renderiza "up to 60% faster and at a third of the cost compared to Omni 1.1's standard 720p resolution". Esas cifras acompañan al anuncio como una imagen de tabla y no como texto seleccionable, así que se leyeron de la imagen, que está archivada junto a esta página. El servicio a través del cual vende este sitio publica los mismos cuatro niveles.
Las dos escalas no tienen la misma forma. Tomando el nivel más barato como 1, los pasos del fabricante van 1, 3,33, 5 y 10; los del servicio van 1, 2,6, 4 y 7,8. Eso es aritmética sobre cuatro números publicados por cada lado y nada más. No dice cuánto cuesta un punto, y este sitio cobra en puntos, que el servidor cotiza antes de empezar cada tarea en lugar de publicarlos como tarifa por segundo.
El servicio publica además un recargo de 2 puntos por llamada por otros tokens de salida, estimados en 1.000, y describe el modo de facturación como parámetros más duración. Qué significa eso para un clip concreto es una pregunta para la cotización, no para esta tabla.
Las cifras del fabricante son los precios de la propia API de Google en dólares estadounidenses. No son los precios de este sitio y se muestran con atribución.
| Nivel | Precio del fabricante, por segundo | Servicio de este sitio, puntos por segundo |
| 360p | $0.03 | 5 |
| 720p | $0.10 | 13 |
| 1080p | $0.15 | 20 |
| 4k | $0.30 | 39 |
Fotograma inicial y final, y el selector que no se ofrece
El anuncio presenta el control de fotograma inicial y final como capacidad destacada: facilitar las imágenes de apertura y cierre y "Omni 1.1 generates continuous video between two keyframes, making it ideal for complex camera orbits, zoom transitions, or seamless looping clips". La demostración que el fabricante publicó para ello, de la que esta página muestra un fotograma, es el ejemplo más claro de la función en todo el material de lanzamiento.
El servicio no declara un modo de inicio y fin para este producto, y la tabla local de la familia lo desactiva. Un taller capaz de expresar una tarea de inicio y fin no tiene por tanto nada que mostrar para este modelo, lo que es la imagen especular de la página anterior de esta serie: allí el modo lo declaraba el servicio y lo filtraba otro selector, aquí el modo existe en la interfaz y el modelo nunca llega a él.
Los clips de referencia son la única entrada que esta página tiene que describir con cuidado. El anuncio dice de "reference up to three seconds of video". El servicio publica un campo que acepta hasta tres clips de referencia. Tres segundos y tres archivos no son la misma medida, y ninguna de las dos fuentes contradice a la otra, así que ambas se reportan tal como están escritas en lugar de conciliarse.
El sonido viene activado por defecto, y aquí lo dice el propio servicio
La ficha del modelo describe la salida como vídeo con audio, sin matices, así que el audio no es un extra opcional en este modelo. El servicio a través del cual vende este sitio va más allá de lo que necesitaba y expone su posición en sus propios datos para este producto: el sonido está soportado, se genera, está activado por defecto y no hay interruptor. Ese último campo es el que decide qué puede hacer un visitante.
Vale la pena compararlo con la página anterior de esta serie, donde la ausencia de un campo de audio había que deducirla de que no se publicaba tal campo. Aquí el servicio declara la ausencia. El resultado de cara al visitante es el mismo en ambos casos, y solo en uno hubo que deducirlo.
El fabricante también documenta la referencia a material de voz como tipo de entrada, y la ficha enumera el audio entre las modalidades de entrenamiento. Ninguna de las dos cosas pone un selector de voz en este taller, porque no se publica tal campo para este producto.
Qué muestra la galería y qué no
A diferencia de la página de vídeo anterior de esta serie, el material del fabricante para este modelo se descarga: se obtuvieron nueve archivos directamente del almacenamiento de Google con contenido real, entre ellos siete demostraciones de capacidades y un montaje de un socio. De ellos se extrajeron veinticuatro fotogramas y se revisó cada uno.
Siete de esos fotogramas resultaron ser la misma tarjeta de cierre casi blanca con la marca del modelo, con la que terminan los ocho clips. Cinco fotogramas son los que merece la pena publicar: dos imágenes generadas limpias de la demostración de 4K, una de la demostración de referencia de vídeo, un par de paneles de la demostración de fotograma inicial y final, y un fotograma con el subtítulo incrustado del propio fabricante, algo que el pie de imagen de esta página revela.
Se retuvo una pieza por un motivo que merece nombrarse. El archivo cuyo nombre anuncia una marca de agua es una demostración de un socio con el logotipo de una plataforma incrustado en la imagen y repetido en una tarjeta final negra. Una marca de terceros dentro de la galería de este sitio se leería como si este sitio entregara salidas con marca de agua, así que no se muestra y el motivo queda registrado.
Se retuvo una segunda pieza porque no cumple su función. El clip publicado para demostrar el modo borrador de 360p es en sí mismo 1920 por 1080 y tiene la tasa de bits más alta del conjunto, así que el archivo entregado no puede mostrar la diferencia de resolución para la que existe. La afirmación sobre 360p en esta página procede en cambio del texto del anuncio.
Los descartes y sus mediciones quedan escritos en el registro de construcción de esta página, en lugar de quedar implícitos en una galería breve.
Preguntas frecuentes
¿Es esta la página oficial de Gemini Omni 1.1 Flash?
No. Es una página de este sitio sobre el modelo. El anuncio de Google y la ficha de modelo de DeepMind figuran enlazados como fuentes, y ni Google ni DeepMind han revisado esta página.
¿Puedo editar un vídeo aquí, o extender uno?
No a través de los formularios que describe esta página. El servicio declara edición de vídeo y extensión de vídeo para este producto, pero la lista de modos del taller cubre cuatro tipos de tarea y ninguno de esos dos está entre ellos.
¿Cuántos modos puedo ejecutar realmente?
Tres: texto a vídeo, imagen a vídeo y referencia a vídeo. El servicio declara esos tres más los dos modos de edición que la interfaz no puede expresar.
¿Por qué el campo de duración dice de tres a diez segundos cuando el fabricante habla de escenas de cuarenta segundos?
Miden cosas distintas. De tres a diez es el rango que publica el servicio para una generación individual; cuarenta segundos es el total acumulado que documenta el fabricante para la extensión de escena, alcanzado en incrementos de diez segundos. Este taller no tiene control de extensión.
¿Está disponible el 4K?
El servicio publica cuatro niveles de salida para este producto, 360p, 720p, 1080p y 4k, con 720p por defecto. El fabricante pone precio a los cuatro, a $0.03, $0.10, $0.15 y $0.30 por segundo. Lo que cobra este sitio se cotiza en puntos antes de empezar cada tarea y no es una tarifa por segundo.
¿Los vídeos tienen sonido?
Sí, por defecto, y no hay interruptor. El servicio declara en sus propios datos para este producto que el audio está soportado, se genera y está activado por defecto, sin conmutador. La ficha del fabricante también describe la salida como vídeo con audio.
¿Cuántas imágenes o clips de referencia puedo adjuntar?
El servicio publica hasta diez imágenes y hasta tres clips de referencia para referencia a vídeo, y de una a dos imágenes para imagen a vídeo. El fabricante documenta por separado la referencia de hasta tres segundos de vídeo, que es una duración y no un recuento.
¿Por qué la galería tiene cinco piezas si el fabricante distribuyó nueve archivos?
Porque ocho de los nueve terminan en la misma tarjeta de marca, y la mayoría de los fotogramas restantes llevan elementos de interfaz o subtítulos incrustados. Dos archivos no están representados en absoluto: uno lleva la marca de agua visible de una plataforma socia, y el otro es la demostración de 360p, que se publica en 1920 por 1080 y por tanto no puede mostrar la resolución para la que existe.