Gemini Omni 1.2 Flash: wideo AI do 15 sekund o 30% taniej

Google DeepMind udostępnił 5 listopada Gemini Omni 1.2 Flash, nową wersję swojego modelu do generowania i edycji wideo. Model robi klipy do 15 sekund (zamiast 10 w Omni 1.1), pozwala poprawiać je w kolejnych wiadomościach i jest ogólnie dostępny w Gemini API i Google Cloud, a cena za sekundę wideo 720p spadła o 30%.

Co nowego w Gemini Omni 1.2 Flash?

Według zapowiedzi Google najważniejsze zmiany to:

1. klipy do 15 sekund, z długością ustawianą co sekundę, od 3 do 15 sekund,
2. edycja w rozmowie: zamiast generować wszystko od nowa, w kolejnych turach możemy podmienić produkt albo tło, zmienić oświetlenie, pogodę czy proporcje obrazu,
3. lepsze trzymanie się referencji: model przyjmuje zdjęcia postaci, produktu albo stylu i krótkie klipy z ruchem (do 3 sekund), a twarze, ubrania, napisy na opakowaniach i kolory marki mają zostawać takie same przy różnych ujęciach kamery,
4. mniej „pływania” obrazu między pierwszą a ostatnią klatką, także przy interpolacji między klatkami kluczowymi i przedłużaniu klipu,
5. naturalniejsze dialogi, wyraźniejszy lip-sync i kilku mówców w jednej scenie,
6. złożone ruchy kamery z mniejszą liczbą niechcianych cięć.

Co ciekawe, Google proponuje konkretny sposób pracy: szkic w 360p albo 720p, poprawki w rozmowie, a na koniec upscaling do 1080p albo 4K. Każdy klip dostaje niewidoczny znak wodny SynthID.

Ile kosztuje Gemini Omni 1.2 Flash?

Według cennika Gemini API model jest tylko w płatnym planie (w darmowym go nie ma) i rozlicza się w tokenach wideo, po 12 USD za milion. W przeliczeniu na sekundę wychodzi:

Rozdzielczość	Cena za sekundę
360p	ok. 0,023 USD
720p	ok. 0,07 USD
1080p (upscaling)	ok. 0,104 USD
4K (upscaling)	ok. 0,209 USD

Pełny 15-sekundowy klip w 720p to więc około 1,05 USD. Omni 1.1 Flash kosztował 17,50 USD za milion tokenów, czyli ok. 0,10 USD za sekundę 720p. Od 3 grudnia 2026 wszystkie zapytania do 1.1 będą przekierowane do 1.2 i rozliczane po nowych stawkach.

Jak wypróbować Gemini Omni 1.2 Flash?

Google wymienia kilka miejsc:

1. Google AI Studio i Gemini API: model ma ID gemini-omni-1.2-flash (dokumentacja),
2. Google Cloud: w konsoli (Vertex AI Studio) i przez API, także z Provisioned Throughput,
3. Flow: do reżyserowania scen i poprawek w kolejnych turach,
4. Google Vids: 15-sekundowe klipy bez dodatkowej opłaty z kontem Google albo subskrypcją Workspace,
5. aplikacja Gemini: wdrażana stopniowo dla subskrybentów Google AI Ultra,
6. Google Ads.

W API klip ma proporcje 16:9 albo 9:16, a domyślnie trwa 10 sekund. Możemy dodać do 6 zdjęć referencyjnych (do 3 na postać, maksymalnie 2 postacie) i przedłużać wideo o 3 do 10 sekund na turę, łącznie do 30 sekund.

Dlaczego o Omni 1.2 jest głośno?

Wpis Google trafił na pierwszą stronę Hacker News, gdzie zebrał ponad 300 punktów i ponad 200 komentarzy. Dyskusja jest zresztą mieszana: część osób chwali spójność postaci, inni pytają, do czego właściwie przydaje się 15 sekund wideo (z odpowiedzią, że głównie do B-rolli i reklam), a jeszcze inni narzekają na zagmatwany rollout w aplikacjach Google.

Do tego dochodzi cena: wideo z dźwiękiem i edycją w rozmowie za około dolara za 15-sekundowy klip w 720p. A to nie jedyny generatywny model Google od świata wizualnego w ostatnich tygodniach, bo pod koniec października DeepMind zapowiedział Genie 4.

Na co zwrócić uwagę?

Po pierwsze, na ograniczenia, które wymienia Google: szybka akcja sportowa, gwałtowne zmiany scenariusza i złożona fizyka wciąż wymagają pracy.

Po drugie, na język. Według dokumentacji pełne wsparcie ma angielski, a inne języki nie zostały przetestowane (sprawdź polskie dialogi na kilku krótkich klipach, zanim zaplanujesz na nich cały projekt).

Po trzecie, na różnice między aplikacjami a API. Zapowiedź wspomina o wskazówkach dźwiękowych jako referencji, ale według dokumentacji API wgrywanie audio nie jest jeszcze obsługiwane.

Po czwarte, na brak liczb. Google nie podał wyników benchmarków ani porównań z innymi modelami wideo, więc obietnice lepszej spójności traktujmy z dystansem, dopóki nie zobaczymy niezależnych testów. Przy okazji: OpenAI kilka dni wcześniej dodał do ChatGPT animowane GIF-y w Images 2.6.

FAQ

Co to jest Gemini Omni 1.2 Flash?

To model Google DeepMind do generowania i edycji wideo z dźwiękiem, udostępniony 5 listopada 2026 roku. Robi klipy od 3 do 15 sekund, z tekstu, zdjęć i krótkich wideo referencyjnych, i pozwala je poprawiać w kolejnych wiadomościach.

Czy Gemini Omni 1.2 Flash jest za darmo?

W Gemini API nie: model jest tylko w płatnym planie, od ok. 0,023 USD za sekundę w 360p. Bez dodatkowej opłaty 15-sekundowe klipy można robić w Google Vids, z kontem Google albo subskrypcją Workspace.

Czym Omni 1.2 różni się od Omni 1.1?

Omni 1.2 robi klipy do 15 sekund zamiast 10, lepiej trzyma się referencji, pozwala edytować wideo w rozmowie i jest o 30% tańszy za sekundę 720p. Od 3 grudnia 2026 zapytania do 1.1 trafią do 1.2.