Gemini Omni 1.1 Flash
Gemini Omni 1.1 Flash é o modelo de vídeo generativo que a Google apresentou a 27 de agosto de 2026 e distribui através do Google AI Studio e da Gemini Enterprise Agent Platform. Esta página coloca o anúncio e a ficha do modelo do fabricante ao lado das definições que o serviço deste site devolve para o mesmo modelo, e assinala cada ponto em que os dois não coincidem.
O que é o Gemini Omni 1.1 Flash, nas palavras do fabricante
O anúncio da Google chama-lhe "a production-ready update for developers that offers improved control over generative video" e enumera o que a atualização acrescenta: estender cenas, especificar o fotograma inicial e final e gerar saída em alta resolução 4K. A ficha do modelo da DeepMind, que declara no seu próprio texto que "describes Gemini Omni Flash and Gemini Omni 1.1 Flash", descreve a família como "our next step towards models that can create and edit anything from any input—starting with video", com entradas de "text strings (e.g., a question, a prompt), images, audio, and video files" e saídas de "high-quality, high-resolution video with audio".
A ficha enumera três limitações conhecidas com as palavras do próprio fabricante: "maintaining complete consistency throughout edits, generating scenes with complex motion, or rendering perfectly accurate text remains a challenge". Nomeia o SynthID, a ferramenta de marca de água digital da Google, como mitigação posterior ao treino, e afirma que, embora o modelo possa alterar a fala das pessoas no âmbito de uma edição, por agora "we are restricting this capability".
A ficha foi publicada pela primeira vez em maio de 2026 e atualizada pela última vez em agosto de 2026, razão pela qual o nome da família e a versão 1.1 partilham o mesmo documento. Nada nesta página é uma declaração da Google, e a Google não reviu esta página.
As citações ficam no inglês do fabricante. Uma especificação traduzida é a via habitual pela qual os números começam a desviar-se.
Cinco modos declarados para este produto, quatro que o espaço de trabalho consegue exprimir
Isto é o mais determinante da página e distingue-a de todas as outras páginas de vídeo desta série. O serviço através do qual este site vende declara cinco tipos de tarefa para o Gemini Omni 1.1 Flash: texto para vídeo, imagem para vídeo, referência para vídeo, edição de vídeo e extensão de vídeo. O vocabulário de modos do próprio espaço de trabalho abrange quatro tipos de tarefa, e dois dos cinco que o serviço declara não têm nele qualquer representação.
Isto é uma afirmação sobre o que o próprio código do espaço de trabalho consegue exprimir, lida da sua lista de modos e de uma pesquisa no código-fonte por esses dois nomes. Não sustenta que o modelo não permita editar: o fabricante documenta a edição conversacional como capacidade central, e o serviço vende dois modos para ela.
| Modo declarado pelo serviço | O que recebe | Alcançável neste espaço de trabalho |
| Texto para vídeo | uma cena descrita por escrito | sim |
| Imagem para vídeo | um prompt e uma a duas imagens fixas | sim |
| Referência para vídeo | até dez imagens e até três clipes de referência | sim |
| Edição de vídeo | um prompt e exatamente um vídeo | não existe nenhum modo com este nome na interface |
| Extensão de vídeo | um prompt e exatamente um vídeo | não existe nenhum modo com este nome na interface |
Os campos que o espaço de trabalho apresenta e porque a tabela local nunca lá chega
O espaço de trabalho constrói os seus campos a partir do esquema de formulário que o serviço publica para cada modo, e só recorre às tabelas de modelos incluídas no código-fonte deste site quando o serviço não publica esse campo. Para este produto, o serviço publica um campo de resolução, um de proporção e um de duração nos três modos que o espaço de trabalho consegue mostrar, pelo que cada valor da tabela local é código morto no que à interface diz respeito.
A coluna do meio é o que um visitante vê. A da direita mantém-se visível apenas para que a diferença fique registada; um campo publicado prevalece sobre um valor local predefinido.
| Definição | Valores publicados pelo serviço | Valores da tabela local deste site, que não chegam ao formulário |
| resolution | 360p, 720p, 1080p, 4k - predefinição 720p | 720p, 1080p - predefinição 720p |
| aspect_ratio | auto, 16:9, 9:16 - predefinição auto | 16:9, 9:16, 1:1, 4:3, 3:4 - predefinição 16:9 |
| duration | um número de 3 a 10, predefinição 5 | de 2 a 15 em passos de 1, predefinição 5 |
| imagens em imagem para vídeo | 1 a 2 | 1 |
Aqui a duração é um número, não um menu
Neste modelo o serviço publica a duração como um campo numérico limitado entre 3 e 10, com predefinição 5, e não como uma lista de opções discretas. O espaço de trabalho apresenta a partir daí uma entrada numérica, pelo que não há menu de durações para ler, e o intervalo de 2 a 15 da tabela local não tem nada a ver com o que pode ser submetido.
Lidos em conjunto com o fabricante, os limites publicados são coerentes: o anúncio descreve a extensão em incrementos de dez segundos, o que implica uma geração individual de aproximadamente esse comprimento, e o teto de dez segundos do serviço fica exatamente nessa linha. O fabricante não indica, em nenhuma das duas fontes acessíveis, um parâmetro de duração por geração, pelo que esta página não afirma citar nenhum.
O que o fabricante indica é o que acontece depois de gerar. A extensão de cena permite ao modelo "analyze up to 10 seconds of prior context — a leap from previous models that only referenced the final second", estendendo "in 10-second increments up to a total cumulative length of 40 seconds".
A extensão de cena chega aos quarenta segundos e o espaço de trabalho não tem controlo de extensão
A extensão é o centro do anúncio e está documentada de forma concreta: dez segundos de contexto anterior analisados, incrementos de dez segundos, quarenta segundos acumulados. O serviço vende para este produto um modo de extensão de vídeo com um campo para exatamente um clipe de referência, que é a forma que uma chamada de extensão tem. Como o espaço de trabalho não tem nenhum modo capaz de exprimir extensão de vídeo, um visitante não consegue chegar lá a partir destes formulários.
A ficha do modelo acrescenta um teto fácil de deixar passar na cobertura do lançamento: alterar a fala das pessoas é descrito como uma capacidade atualmente restringida. É uma afirmação sobre o que o modelo tem permissão para fazer, não sobre o que este site vende, e é reproduzida aqui porque as edições assentes em fala são precisamente aquilo com que uma equipa de produção planeia antecipadamente.
Um detalhe de preço pertence a esta secção e não à seguinte. O serviço publica a extensão de vídeo a zero pontos por chamada, assinalado nos seus próprios dados como valor de recurso. Lido à letra, isso é gratuito, o que dificilmente será a intenção. Esta página não cita nenhum preço de zero para ela, e a questão fica com o operador.
Resolução: quatro escalões, faturados ao segundo dos dois lados
A Google publica preços por segundo para quatro escalões de saída e vende um modo de rascunho a 360p do qual diz que produz "up to 60% faster and at a third of the cost compared to Omni 1.1's standard 720p resolution". Esses números acompanham o anúncio como uma imagem de tabela e não como texto selecionável, pelo que foram lidos da imagem, que está arquivada junto desta página. O serviço através do qual este site vende publica os mesmos quatro escalões.
As duas escadas não têm a mesma forma. Tomando o escalão mais barato como 1, os passos do fabricante vão 1, 3,33, 5 e 10; os do serviço vão 1, 2,6, 4 e 7,8. Isso é aritmética sobre quatro números publicados de cada lado e nada mais. Não diz quanto custa um ponto, e este site cobra em pontos, que o servidor indica antes de cada tarefa em vez de os publicar como tarifa por segundo.
O serviço publica ainda um acréscimo de 2 pontos por chamada para outros tokens de saída, estimados em 1.000, e descreve o modo de faturação como parâmetros mais duração. O que isso significa para um clipe concreto é uma pergunta para o orçamento, não para esta tabela.
Os números do fabricante são os preços da própria API da Google em dólares norte-americanos. Não são os preços deste site e são apresentados com atribuição.
| Escalão | Preço do fabricante, por segundo | Serviço deste site, pontos por segundo |
| 360p | $0.03 | 5 |
| 720p | $0.10 | 13 |
| 1080p | $0.15 | 20 |
| 4k | $0.30 | 39 |
Fotograma inicial e final, e o seletor que não é oferecido
O anúncio apresenta o controlo de fotograma inicial e final como capacidade de destaque: fornecer as imagens de abertura e de fecho e "Omni 1.1 generates continuous video between two keyframes, making it ideal for complex camera orbits, zoom transitions, or seamless looping clips". A demonstração que o fabricante publicou para isso, da qual esta página mostra um fotograma, é o exemplo mais claro da funcionalidade em todo o material de lançamento.
O serviço não declara um modo de início e fim para este produto, e a tabela local da família desliga esse modo. Um espaço de trabalho capaz de exprimir uma tarefa de início e fim não tem, por isso, nada para mostrar para este modelo, o que é a imagem ao espelho da página anterior desta série: lá o modo era declarado pelo serviço e era filtrado por outro seletor, aqui o modo existe na interface e o modelo nunca lá chega.
Os clipes de referência são a única entrada que esta página tem de descrever com cuidado. O anúncio diz para "reference up to three seconds of video". O serviço publica um campo que aceita até três clipes de referência. Três segundos e três ficheiros não são a mesma medida, e nenhuma das fontes contradiz a outra, pelo que ambas são reportadas tal como estão escritas, em vez de conciliadas.
O som vem por predefinição, e aqui é o próprio serviço que o diz
A ficha do modelo descreve a saída como vídeo com áudio, sem reservas, pelo que o áudio não é um extra opcional neste modelo. O serviço através do qual este site vende vai mais longe do que precisava e declara a posição nos seus próprios dados para este produto: o som é suportado, é gerado, está ligado por predefinição e não há interruptor. Esse último campo é o que decide o que um visitante pode fazer.
Vale a pena comparar com a página anterior desta série, onde a ausência de um campo de áudio tinha de ser deduzida do facto de não ser publicado nenhum. Aqui o serviço declara a ausência. O resultado para o visitante é o mesmo nos dois casos, e só num deles teve de ser deduzido.
O fabricante documenta ainda a referência a material de voz como tipo de entrada, e a ficha inclui o áudio entre as modalidades de treino. Nenhuma das duas coisas coloca um seletor de voz neste espaço de trabalho, porque não é publicado tal campo para este produto.
O que a galeria mostra e o que não mostra
Ao contrário da página de vídeo anterior desta série, o material do fabricante para este modelo descarrega-se: foram obtidos nove ficheiros diretamente do armazenamento da Google com conteúdo real, entre eles sete demonstrações de capacidades e uma montagem de um parceiro. Deles foram extraídos vinte e quatro fotogramas e todos foram vistos um a um.
Sete desses fotogramas revelaram-se o mesmo cartão de fecho quase branco com a marca do modelo, com que terminam os oito clipes. Cinco fotogramas são os que vale a pena publicar: duas imagens geradas limpas da demonstração de 4K, uma da demonstração de referência de vídeo, um par de painéis da demonstração de fotograma inicial e final, e um fotograma com a legenda incrustada do próprio fabricante, algo que a legenda desta página revela.
Uma peça foi retida por um motivo que merece ser nomeado. O ficheiro cujo nome anuncia uma marca de água é uma demonstração de um parceiro com o logótipo de uma plataforma incrustado na imagem e repetido num cartão final negro. Uma marca de terceiros dentro da galeria deste site seria lida como se este site entregasse saídas com marca de água, pelo que não é mostrada e o motivo fica registado.
Uma segunda peça foi retida porque não cumpre a sua função. O clipe publicado para demonstrar o modo de rascunho a 360p é ele próprio 1920 por 1080 e tem o débito de bits mais alto do conjunto, pelo que o ficheiro entregue não consegue mostrar a diferença de resolução para que existe. A afirmação sobre 360p nesta página vem, em vez disso, do texto do anúncio.
As rejeições e as suas medições ficam escritas no registo de construção desta página, em vez de ficarem implícitas numa galeria curta.
Perguntas frequentes
Esta é a página oficial do Gemini Omni 1.1 Flash?
Não. É uma página deste site sobre o modelo. O anúncio da Google e a ficha de modelo da DeepMind estão ligados como fontes, e nem a Google nem a DeepMind reviram esta página.
Posso editar um vídeo aqui, ou estender um?
Não através dos formulários que esta página descreve. O serviço declara edição de vídeo e extensão de vídeo para este produto, mas a lista de modos do espaço de trabalho abrange quatro tipos de tarefa e nenhum desses dois está entre eles.
Quantos modos consigo realmente executar?
Três: texto para vídeo, imagem para vídeo e referência para vídeo. O serviço declara esses três mais os dois modos de edição que a interface não consegue exprimir.
Porque é que o campo de duração diz de três a dez segundos quando o fabricante fala de cenas de quarenta segundos?
Medem coisas diferentes. De três a dez é o intervalo que o serviço publica para uma geração individual; quarenta segundos é o total acumulado que o fabricante documenta para a extensão de cena, alcançado em incrementos de dez segundos. Este espaço de trabalho não tem controlo de extensão.
O 4K está disponível?
O serviço publica quatro escalões de saída para este produto, 360p, 720p, 1080p e 4k, com 720p por predefinição. O fabricante atribui preço aos quatro, a $0.03, $0.10, $0.15 e $0.30 por segundo. O que este site cobra é indicado em pontos antes de cada tarefa e não é uma tarifa por segundo.
Os vídeos têm som?
Sim, por predefinição, e não há interruptor. O serviço declara nos seus próprios dados para este produto que o áudio é suportado, é gerado e está ligado por predefinição, sem comutador. A ficha do fabricante também descreve a saída como vídeo com áudio.
Quantas imagens ou clipes de referência posso anexar?
O serviço publica até dez imagens e até três clipes de referência para referência para vídeo, e de uma a duas imagens para imagem para vídeo. O fabricante documenta em separado a referência de até três segundos de vídeo, que é uma duração e não uma contagem.
Porque é que a galeria tem cinco peças se o fabricante distribuiu nove ficheiros?
Porque oito dos nove terminam no mesmo cartão de marca, e a maioria dos fotogramas restantes trazem elementos de interface ou legendas incrustadas. Dois ficheiros não estão representados de todo: um traz a marca de água visível de uma plataforma parceira, e o outro é a demonstração de 360p, que é publicada em 1920 por 1080 e por isso não consegue mostrar a resolução para que existe.