Google DeepMind publicó la página de Gemini Omni. Su posición es directa: crear contenido a partir de cualquier entrada, con el foco inicial puesto en el video.
Si Nano Banana está más orientado a la generación y edición de imágenes, Gemini Omni se parece más a un modelo de edición multimodal para video. Los usuarios pueden modificar un video paso a paso con lenguaje natural, haciendo que cada cambio posterior se base en el anterior, mientras intenta mantener la coherencia de escenas, personas, acciones y lógica visual.
Página del proyecto: https://deepmind.google/models/gemini-omni/
El problema central que intenta resolver
La edición de video tradicional suele requerir líneas de tiempo, capas, máscaras, fotogramas clave, corrección de color, pistas de audio y mucho trabajo manual. Las herramientas de generación de video con IA ya pueden crear clips desde prompts, pero suelen tener dos problemas:
- Después de una generación inicial, no es fácil hacer ajustes precisos.
- En ediciones de múltiples turnos, los personajes, escenas, estilos y movimientos pueden desviarse.
Gemini Omni apunta al segundo paso: no solo generar un video, sino permitir que el usuario siga pidiendo cambios como si hablara con un editor.
La página lo describe como una forma de editar cualquier video mediante una conversación natural y por pasos. Cada edición se basa en el resultado anterior, con el objetivo de mantener una escena coherente y unificada.
Capacidades principales
Las capacidades de Gemini Omni se pueden agrupar en varias áreas.
La primera es la edición de video con lenguaje natural. El usuario puede pedir directamente al modelo que cambie el estilo visual, el movimiento o los efectos de un video. Por ejemplo, puede hacer que un espejo ondule como líquido, convertir a una persona en dibujo lineal, muñeco de fieltro o estructura holográfica transparente, o transformar todo el entorno en 3D voxel art.
La segunda es la reconstrucción de acciones. Puede cambiar lo que ocurre en un video, como agrandar el agujero formado por una mano, hacer que un juguete emita el sonido del animal correspondiente o lograr que las luces de un edificio reaccionen a la música.
La tercera es la edición de video real basada en imágenes de referencia. El usuario puede proporcionar una imagen de referencia y pedir al modelo que coloque un edificio, un sol, una aeronave u otro objeto dentro de una escena de video real.
La cuarta es mantener la coherencia en ediciones de múltiples turnos. La página muestra un flujo continuo: mover a una violinista a un entorno de referencia, hacer desaparecer el violín y después cambiar la cámara a un ángulo sobre el hombro. Esto se acerca más a un proceso creativo real que a un prompt de una sola vez.
La quinta es la referencia con múltiples entradas. Gemini Omni puede integrar imagen, texto, video y audio en una sola salida, con soporte para transferencia de estilo, transferencia de movimiento, reemplazo de personajes y conversión de bocetos a video.
Por qué enfatiza el conocimiento del mundo
Google subraya varias veces que Gemini Omni no solo busca que las imágenes se vean reales. También combina el conocimiento del mundo de Gemini, intuición física, historia, ciencia y lógica narrativa.
Esto es importante. Si un modelo de video solo optimiza la calidad visual, puede producir movimientos ilógicos, relaciones confusas entre objetos o falta de sincronía entre texto e imagen. El objetivo de Gemini Omni es que el video no solo parezca correcto, sino que también sea más coherente en historia, física y significado.
Algunos ejemplos de la página son:
- Una canica rodando por una pista de reacción en cadena.
- Una explicación de plegamiento de proteínas con claymation.
- Una explicación estilo stop motion de cómo funciona el hipocampo.
- Letras que aparecen asociadas a objetos dentro de la escena.
- Palabras en pantalla que aparecen una por una siguiendo el ritmo.
Estos ejemplos muestran que no es solo una herramienta de efectos para videos cortos. Intenta unir expresión de conocimiento, narrativa y generación audiovisual.
Relación con Veo, Flow y Nano Banana
Dentro de la línea actual de productos de Google, Gemini Omni parece una capa de creación y edición multimodal.
Veo está más centrado en el modelo de generación de video en sí, con énfasis en video cinematográfico y generación de audio. Google Flow es un estudio creativo con IA para creadores, útil para organizar tomas, materiales y proyectos de video. Nano Banana se orienta más a creación de imágenes y edición detallada. Gemini Omni, en cambio, enfatiza la edición multimodal desde cualquier entrada hacia una salida coherente, especialmente el control de video en múltiples turnos mediante lenguaje natural.
Una forma simple de verlo:
- Para generar video de alta calidad: mirar Veo.
- Para organizar proyectos de video dentro de un flujo creativo: mirar Google Flow.
- Para editar imágenes: mirar Nano Banana.
- Para modificar video de forma conversacional usando imágenes, texto, video y audio como referencia: mirar Gemini Omni.
Formas de acceso
La página menciona estos puntos de acceso:
- Gemini app.
- Google Flow.
- YouTube Shorts.
Sin embargo, también indica que se requiere una suscripción a Google AI, y que las funciones varían según el nivel de suscripción y la región. Es decir, no todos los usuarios de todas las regiones podrán usar de inmediato todas las capacidades.
Para creadores, la entrada más interesante probablemente sea Google Flow, porque está más cerca de un espacio creativo completo. Para usuarios generales, Gemini app y YouTube Shorts pueden ser formas más sencillas de probarlo.
Seguridad y etiquetado de contenido
La página de Gemini Omni dedica una sección al proceso de seguridad. El desarrollo de Gemini Omni Flash se realizó en colaboración con equipos internos de seguridad y responsabilidad, e incluyó evaluaciones automatizadas, evaluaciones humanas, red teaming humano, red teaming automatizado y revisión ética y de seguridad antes del lanzamiento.
En transparencia de contenido, la página señala que el contenido creado o editado con Omni en Gemini app, Google Flow o YouTube incluirá marcas de agua digitales imperceptibles SynthID y C2PA Content Credentials. Los usuarios podrán verificar contenido desde Gemini app, con expansión posterior a Chrome y Search.
Esto es especialmente relevante para modelos de video. Cuanto más realistas sean la generación y edición de video, más importantes serán el etiquetado de origen, la prevención de abuso y las herramientas de verificación.
Para quién sirve
Gemini Omni encaja con varios tipos de usuarios:
- Creadores de contenido que quieren modificar video rápidamente con lenguaje natural.
- Equipos de diseño que necesitan combinar bocetos, imágenes de referencia, audio y material de video en una pieza final.
- Personas que crean videos cortos, conceptos publicitarios, explicadores educativos y borradores visuales de producto.
- Creadores que quieren construir flujos de trabajo de video con IA en Google Flow.
- Desarrolladores e investigadores que siguen los límites de la edición de video multimodal.
Pero no sirve para todos los escenarios. Películas comerciales serias, visuales principales de marca, producción audiovisual y videos de lanzamiento de producto siguen requiriendo revisión humana, control de derechos, verificación de hechos y gestión de materiales. La IA puede acelerar claramente la generación de conceptos y la iteración del primer borrador, pero no debe reemplazar la revisión final.
Cómo interpretar Gemini Omni
La importancia de Gemini Omni está en que mueve el video con IA desde la “generación de una sola vez” hacia la “edición conversacional”. Eso se acerca más al proceso creativo real que simplemente mejorar la calidad de imagen.
Si funciona de manera estable en edición de múltiples turnos, consistencia, control de referencias, sincronización de audio y video, y etiquetado de contenido, la forma de usar herramientas de video con IA cambiará. Los usuarios ya no escribirán solo un prompt largo esperando acertar; revisarán escenas, acciones, estilos y narrativas paso a paso como directores, editores y diseñadores.
Todavía habrá que observar disponibilidad real, precio, restricciones regionales, duración generable, resolución, política de derechos y reglas de uso comercial. Para creadores comunes, el punto más práctico será comprobar si Gemini Omni puede completar de forma estable ediciones de video en múltiples turnos dentro de Google Flow y Gemini app.
Referencias: