Google hat Gemini Omni 1.2 Flash veröffentlicht, ein Modell zur Videoerzeugung und -bearbeitung, das die native Clip-Erstellung auf 15 Sekunden erweitert, mehrstufige dialogbasierte Bearbeitung ergänzt und den Preis gegenüber dem Vorgänger um 30 % senkt. Nach Angaben des Unternehmens ist das Modell allgemein über Gemini API, Google Cloud und Gemini for business verfügbar.
Das Update zielt auf eine praktische Einschränkung, die einen großen Teil der ersten Generation von KI-Videowerkzeugen geprägt hat: Kurze Clips sind nützlich, lassen aber oft zu wenig Zeit, um eine vollständige Geschichte zu erzählen oder eine brauchbare Produktdemonstration zu erstellen. Gemini Omni 1.2 Flash kann Videos mit einer Länge von drei bis 15 Sekunden erzeugen und bearbeiten, wobei die Dauer in Ein-Sekunden-Schritten festgelegt wird. Das ist eine Steigerung gegenüber dem von Omni 1.1 angebotenen Maximum von 10 Sekunden.
Längere Clips mit Schwerpunkt auf Iteration
15 Sekunden bleiben ein kompaktes Format, reichen aber für eine kurze Werbung in sozialen Medien, eine Produkterklärung oder eine in sich geschlossene visuelle Sequenz aus. Wichtiger als die zusätzlichen fünf Sekunden könnte der Arbeitsablauf sein, den Google darum positioniert. Statt ein nahezu gelungenes Ergebnis verwerfen und einen völlig neuen Clip erstellen zu müssen, unterstützt das Modell Folgeänderungen in einem Gespräch.
Google zufolge können Nutzer so Anpassungen vornehmen, ohne vom ursprünglichen Prompt aus neu zu beginnen. In der Videoproduktion können kleine Inkonsistenzen kostspielig sein: Ein Produkt kann sein Aussehen verändern, eine Figur kann die Kontinuität verlieren oder eine gewünschte Bewegung kann nicht wie vorgesehen erscheinen. Das Unternehmen stellt dialogbasierte Bearbeitungen als Möglichkeit dar, diese Probleme in späteren Runden zu beheben und zugleich die übergeordnete Ausrichtung des Clips beizubehalten.
Die Veröffentlichung betont außerdem eine stärkere Orientierung an Referenzen. Nutzer können eine Generierung laut Google mit Kombinationen aus Bildern von Figuren, Produkten oder Stilen, kurzen Bewegungsclips von bis zu drei Sekunden und Audiohinweisen steuern. Ziel ist es, eine konkrete visuelle Richtung leichter in das Ergebnis zu übertragen, statt sich ausschließlich auf Textanweisungen zu verlassen.
Niedrigere Preise verändern die Produktionsrechnung
Google hat den Listenpreis für 720p-Videos auf 0,07 US-Dollar pro Sekunde festgelegt und bezeichnet dies als eine Senkung um 30 % gegenüber Gemini Omni 1.1. Bei generativen Videos ist der Preis nicht nur ein Einkaufsdetail. Er beeinflusst, wie frei Kreativ- und Produktionsteams experimentieren können, wie viele Iterationen sie sich leisten können und ob ein Werkzeug nur gelegentlich zur Konzeptentwicklung oder als Teil eines wiederholbaren Arbeitsablaufs eingesetzt wird.
Das Unternehmen schlägt einen schrittweisen Prozess vor: zunächst einen schnellen Entwurf in 360p oder 720p erstellen, Details durch nachträgliche Bearbeitung korrigieren und ausgewählte Kreationen anschließend auf 1080p oder 4K hochskalieren. Diese Reihenfolge folgt einer bekannten Produktionslogik. Versionen mit niedrigerer Auflösung können genutzt werden, um Komposition und Bewegung zu testen, bevor die rechenintensivere Nachbearbeitung auf den stärksten Kandidaten angewendet wird.
Für Entwickler und Unternehmen ist die Kombination aus niedrigeren Stückkosten und einem über eine API verfügbaren Modell ebenso wichtig wie die eigentliche Schlagzeilenfunktion. Sie erleichtert die Integration des Systems in Produkte, interne Content-Pipelines und automatisierte kreative Arbeitsabläufe. Google erklärt außerdem, dass die Veröffentlichung in Google Vids und Gemini for business verfügbar ist und die Funktionen damit sowohl in Arbeitsplatzwerkzeuge als auch in Entwicklerplattformen bringt.
Was der Start signalisiert
Gemini Omni 1.2 Flash wird nicht als einzelner Durchbruch beim visuellen Realismus präsentiert. Seine Bedeutung ist eher operativer Natur: längere native Clips, per Gespräch überarbeitbare Steuerungsmöglichkeiten, mehr Eingaben zur Ausrichtung der Ausgabe und niedrigere Kosten pro Sekunde. Zusammen zielen diese Änderungen auf die Lücke zwischen einem beeindruckenden generierten Beispiel und einem Werkzeug, das von Menschen mit Terminvorgaben wiederholt eingesetzt werden kann.
Diese Unterscheidung wird immer wichtiger, da sich KI-Videosysteme von Demonstrationen in Richtung Produktion bewegen. Ein Marketingteam, eine Lehrkraft oder ein Softwareentwickler bewertet möglicherweise zuverlässige Anpassungen und wiedererkennbare Produktreferenzen höher als ein isoliertes filmisches Ergebnis. Die Möglichkeit, eine Dauer festzulegen, dem Modell mehrere Arten von Referenzmaterial zu geben und einen Clip weiter zu bearbeiten, macht das Werkzeug strukturierter als eine Oberfläche für einmalige Prompts.
Das Format hat weiterhin inhärente Grenzen. Eine Obergrenze von 15 Sekunden schränkt die Arten von Geschichten ein, die in einer einzigen Generierung erzählt werden können, und Googles Ankündigung macht die menschliche Prüfung der Ausgaben nicht überflüssig. Für Arbeiten, die ohnehin auf Kurzvideos ausgelegt sind, kann die zusätzliche Dauer jedoch den Bedarf verringern, mehrere separat erzeugte KI-Fragmente zusammenzusetzen.
Googles Entscheidungen bei Preis und Verfügbarkeit deuten darauf hin, dass das Unternehmen schnelle, kostengünstigere Generierung als zentral für die Akzeptanz betrachtet. Indem Google das Modell zum Start in seine API, sein Cloud-Angebot und seine Unternehmensprodukte integriert, spricht das Unternehmen sowohl Entwickler an, die Videogenerierung einbetten wollen, als auch Organisationen, die sie direkt nutzen möchten. Das Ergebnis ist ein Modellupdate, bei dem weniger die Neuheit als vielmehr die bessere Bearbeitbarkeit, Steuerbarkeit und Wirtschaftlichkeit kurzer KI-generierter Videos im großen Maßstab im Mittelpunkt steht.
Dieser Artikel basiert auf einer Berichterstattung des Google AI Blog. Den Originalartikel lesen.
Originally published on blog.google




