Gemini Omni 1.2 Flash: 15 Sekunden Video und 30 % günstiger
Google hat Gemini Omni 1.2 Flash veröffentlicht: Das Modell erzeugt Clips von bis zu 15 Sekunden mit Ton und kostet 30 % weniger als Version 1.1. Ich habe denselben Prompt in beiden Versionen getestet und nachgerechnet, was sich für alle ändert, die mit KI Kurzvideos produzieren.
Gemini Omni 1.2 Flash: 15 Sekunden Video und 30 % günstiger
Google hat am Donnerstag (5. November) Gemini Omni 1.2 Flash veröffentlicht, die neue Version des Videomodells, das Clips mit Ton erzeugt und bearbeitet. Der maximale Clip wächst von 10 auf 15 Sekunden, und der Preis sinkt um 30 %, auf 0,07 $ pro Sekunde in 720p.
Für alle, die Kurzvideos machen, wiegen die 5 zusätzlichen Sekunden schwerer, als es klingt: 15 Sekunden sind die Länge einer kompletten Produktanzeige mit Hook, Demonstration und Handlungsaufforderung, und das in einer einzigen Generierung. Ich habe denselben Prompt in 1.2 und 1.1 laufen lassen, um zu sehen, ob das Versprechen hält.
Was ist bei Omni von 1.1 zu 1.2 neu?
Länge, Preis und Treue zur Referenz. Laut der Ankündigung von Google und dem Beitrag von Google Cloud kann das Modell jetzt:
- 3 bis 15 Sekunden erzeugen, sekundengenau wählbar (1.1 endete bei 10);
- 30 % weniger kosten als 1.1;
- Gesicht, Kleidung, Verpackung und Markenfarbe über verschiedene Kameraperspektiven hinweg besser halten, wenn du ein Referenzbild mitgibst;
- Bearbeitung in mehreren Runden: Produkt, Hintergrund, Licht oder Seitenverhältnis ändern, ohne alles neu zu erzeugen;
- natürlicher sprechen, mit saubererer Lippensynchronisation und unterscheidbaren Stimmen, wenn mehrere Personen reden;
- durchgehende Kamerabewegungen (Flug aus der Ich-Perspektive, Orbit, Zurückziehen) mit weniger ungewollten Schnitten.
Google räumt selbst ein, wo das Modell noch scheitert: schnelle Sportaktion, schnelle Szenenwechsel und komplexe Physik. Jedes Video trägt ein unsichtbares SynthID-Wasserzeichen.
Was es wirklich kostet
0,07 $ pro Sekunde in 720p, also rund 1,04 $ für einen 15-Sekunden-Clip. Die Preisseite von Google AI Studio nennt den Rest:
| Auflösung | Preis pro Sekunde (API) | 15-s-Clip |
|---|---|---|
| 360p (Entwurf) | etwa 0,023 $ | etwa 0,35 $ |
| 720p | etwa 0,07 $ | etwa 1,04 $ |
| 1080p (hochskaliert) | etwa 0,104 $ | etwa 1,56 $ |
| 4K (hochskaliert) | etwa 0,209 $ | etwa 3,14 $ |
Die erste Zeile ist die wichtige. Google empfiehlt, in 360p oder 720p zu entwerfen, per Bearbeitung zu korrigieren statt neu zu erzeugen und erst am Ende hochzuskalieren. In der Praxis kosten drei Entwürfe in 360p so viel wie einer in 720p. Ich würde so arbeiten: Hook und Bildausschnitt günstig testen und Auflösung nur für das bezahlen, was schon abgenommen ist.
Echter Test: derselbe Prompt in 1.2 und 1.1
Ich habe diesen Prompt auf Englisch an beide Versionen geschickt, in 9:16 und 720p, über den Generator von Cut.Pro: Eine Frau in einer kleinen Wohnungsküche, morgens Fensterlicht, hält der Kamera eine Packung Kaffee hin, sagt auf Portugiesisch „Esse café aqui mudou a minha manhã“, gießt Kaffee aus einer italienischen Espressokanne in eine weiße Tasse und nimmt einen Schluck. Eine einzige Einstellung, ohne Schnitt. Das ist das klassische Format für ein Produktvideo im Testimonial-Stil.
Omni 1.2 Flash, 15 Sekunden. Kostete 255 Credits und brauchte etwa 1 Minute 20 von der Anfrage bis zur fertigen Datei.
Omni 1.1 Flash, 10 Sekunden (sein Maximum). Kostete 230 Credits und brauchte etwa 50 Sekunden.
Das ist mir aufgefallen:
- Preis pro Sekunde. Im Generator kam 1.2 auf 17 Credits pro Sekunde und 1.1 auf 23. Das sind 26 % weniger, nah an den 30 %, die Google angibt. Für 25 Credits mehr lieferte 1.2 5 Sekunden mehr Video.
- Aufgebaute Szene. Im ersten Bild von 1.2 stehen Espressokanne und weiße Tasse schon auf der Arbeitsplatte, bereit für die Aktion, die der Prompt danach verlangt. Der Bildausschnitt ist ein Selfie mit ausgestrecktem Arm, was zu „Handkamera“ passt. In 1.1 erscheint die Kanne im Hintergrund, und die Packung füllt die halbe Bildfläche, näher am Objektiv.
- Text auf der Verpackung. Beide erfinden das Etikett. 1.2 schrieb „COFFEA“ mit kleinen, unlesbaren Buchstaben darunter, 1.1 ein ebenso sinnloses „MUTINA“. Wenn das Produkt deins ist, gib ein Foto der Verpackung als Referenz mit. Ein Etikett über den Prompt zu erzeugen, funktioniert weiterhin nicht.
- KI-Look. 1.2 liefert gepflegte Haut und Haare mit goldenem Werbelicht. 1.1 wirkt hausgemachter, mit einer schlichteren Küche. Für ein Testimonial, das aussehen soll, als hätte der Kunde es selbst gefilmt, braucht 1.2 einen Prompt, der Unvollkommenheit verlangt.
Beide Videos stehen oben, mit derselben Anfrage: Sprache und Lippensynchronisation kannst du nach deinem eigenen Maßstab beurteilen.
Was sich für alle ändert, die Kurzvideos posten
Die 15 Sekunden und der niedrigere Preis machen es machbar, Varianten zu erzeugen, nicht nur das fertige Video. Drei Einsatzfälle, in denen ich einen direkten Gewinn sehe:
- Produktanzeige in einer Generierung. Früher zwangen 10 Sekunden dazu, zwei Clips zusammenzusetzen und zu hoffen, dass die Figur beim Schnitt nicht das Gesicht wechselt. Jetzt passen Hook, Anwendung und Handlungsaufforderung in einen Clip.
- Begleitszene für einen Clip. Wer Clips aus Podcasts oder Livestreams macht, kann die Illustration zum Gesagten (das Produkt, den Ort, die Situation) ohne Stockmaterial erzeugen.
- Wiederkehrende Persona. Die Figurenreferenz nimmt bis zu 6 Bilder an, mit bis zu 3 pro Figur für bis zu 2 Figuren, laut der API-Dokumentation. Das hält dieselbe Person über verschiedene Videos hinweg, nach demselben Prinzip wie die KI-Persona.
Der Haken: Komplett generierter Inhalt konkurriert weiter um Aufmerksamkeit mit echten Menschen, die filmen, und die Plattformen gewichten gedrehtes Material zunehmend stärker, wie wir in Herkunft als Signal gezeigt haben. KI-Video taugt besser als Begleitmaterial oder Anzeige denn als Ersatz für dein eigenes Gesicht.
Grenzen laut Dokumentation
Die Dokumentation enthält Details, die die Ankündigung nicht hervorhebt:
- Erstes und letztes Bild funktionieren nur bei Clips von 3 bis 10 Sekunden. Wer 15 Sekunden mit beiden Bildern anfragt, bekommt einen Fehler.
- Clip verlängern geht in Runden von 3 bis 10 Sekunden, insgesamt bis zu 30 Sekunden.
- Referenz-Audio ist über die API noch nicht möglich; in Google Cloud hängt es von einer Freischaltung ab.
- Erkennbare Personen: Bilder einiger bekannter Personen werden weder als Upload noch für die Bearbeitung akzeptiert.
Wo du es schon nutzen kannst und ob es in Brasilien gilt
Das Modell ist in der Gemini-API, in Google Cloud, in Flow und in Google Vids verfügbar (15-Sekunden-Clips ohne Zusatzkosten für alle mit Google- oder Workspace-Konto). In der Gemini-App beginnt die Freischaltung bei den Abonnenten von Google AI Ultra. Die Ankündigung nennt keine Länder, und die einzigen regionalen Einschränkungen in der Dokumentation betreffen den Europäischen Wirtschaftsraum, die Schweiz und das Vereinigte Königreich. Für Brasilien ist keine Sperre angegeben.
Es ist auch schon im Generator von Cut.Pro, neben weiteren Modellen für Video, Bild und Stimme. Dort erzeugst du den Clip und holst ihn direkt in den Editor, ergänzt Untertitel und planst die Veröffentlichung in den sozialen Netzwerken, ohne Dateien herunter- und wieder hochzuladen. Das ist das Argument aus der Workflow wurde zum Produkt: Das Modell wechselt alle paar Monate, der Weg bis zum Post bleibt.
Muss, wer 1.1 per API nutzt, etwas tun?
Das Ergebnis prüfen, nicht den Code. Ab dem 3. Dezember 2026 werden Aufrufe von gemini-omni-1.1-flash laut Dokumentation automatisch von 1.2 beantwortet und zum neuen Preis abgerechnet. Die Rechnung wird günstiger, aber das Video verändert sich: Ein auf 1.1 abgestimmter Prompt kann anders aussehen. Es lohnt sich, deine fünf häufigsten Generierungen vor dem Wechsel in 1.2 laufen zu lassen, dieselbe Lehre wie bei der Abschaltung der Sora-API.
Was du ab heute tun kannst
Wenn du schon Produktvideos oder Begleitszenen erzeugst, tausche 1.1 jetzt gegen 1.2 aus: Es ist pro Sekunde günstiger, und die ganze Anzeige passt hinein. Entwirf günstig, gib ein echtes Produktfoto als Referenz mit, statt das Etikett zu beschreiben, und verlange im Prompt Unvollkommenheit, wenn das Video aussehen soll, als hätten Menschen es gedreht. Wenn du keine generierten Videos nutzt, ändert sich an deiner Clip-Routine nichts: Der Gewinn gilt denen, die neues Material produzieren, nicht denen, die schon Gefilmtes zuschneiden.
