Gemini Omni Flash 1.1

Gemini Omni Flash 1.1 ist die zweite Fassung von Googles multimodalem Videomodell, erschienen Ende August 2026. Es erzeugt Video mit synchronem nativem Ton aus Text, Bildern und Videoreferenzen. Bestehendes Material bearbeitet und verlängert es über Anweisungen in normaler Sprache. Version 1.1 ergänzt die Auflösungsstufen bis 4K, funktionierende Videoreferenzen, die Interpolation vom ersten zum letzten Frame und Verlängerungen bis 40 Sekunden.

Vier Dinge. Die Auflösung ist jetzt wählbar, von 360p bis 4K, während die erste Fassung fest bei 720p lag. Die Verlängerung ist da: zehn Sekunden pro Schritt bis 40 Sekunden, statt einer einzigen Generierung von zehn Sekunden. Videoreferenzen steuern das Ergebnis nun wirklich, bis zu drei Clips von je drei Sekunden. Und ein Standbild lässt sich mit einem Endbild kombinieren, sodass das Modell zwischen beiden interpoliert.

Vier Optionen: 360p, 720p, 1080p und 4K, in 16:9 oder 9:16. Nativ rendert das Modell in 360p und 720p; 1080p und 4K entstehen als Hochskalierung dieser Generierung. In der Praxis heißt das: günstig in 360p entwerfen, die Aufnahme in 720p festzurren und die Lieferauflösung erst anfordern, wenn die Einstellung sitzt.

Eine einzelne Generierung läuft 3 bis 10 Sekunden, voreingestellt sind 8 Sekunden. Danach verlängert das Modell in Schritten von zehn Sekunden, bis insgesamt 40 Sekunden erreicht sind. Figuren, Bewegung und Ton laufen über jeden Anschluss weiter. Die Verlängerung hängt ausschließlich hinten an: Sie kann nichts voranstellen und die Mitte nicht dehnen.

Sie fordern die Fortsetzung in normaler Sprache an, etwa mit „extend this video“ oder „the scene continues as the camera pans across the mountains“. Das Modell liest die letzten zehn Sekunden als Kontext und erzeugt den nächsten Takt. Dabei passt es die Schlussframes leicht an, damit der Anschluss unauffällig bleibt. Das gilt für selbst erzeugte Clips und für hochgeladenes Material, solange der Upload höchstens zehn Sekunden lang ist.

Bis zu zehn Referenzbilder und bis zu drei Referenzvideos von je drei Sekunden, dazu den Textprompt. Bilder legen eine Figur, ein Produkt, einen Schauplatz oder einen Stil fest, und Tags im Prompt weisen jedem seine Rolle zu. Videoreferenzen tragen ein Aussehen oder eine Bewegung; ihr Ton wird ignoriert. Über mehrere vollständige Videos gleichzeitig zu schlussfolgern, unterstützt das Modell nicht.

Jeder Folgeprompt bearbeitet das vorherige Ergebnis, statt neu zu generieren, und das Modell behält den Zustand der Szene zwischen den Zügen. Kurz schlägt ausführlich: „make the phone invisible, keep everything else the same“ wirkt besser als ein Absatz, der das ganze Bild beschreibt. Weil jeder Zug auf dem letzten aufbaut, hält eine Änderung pro Zug Figuren und Bewegung über eine ganze Kette stabil.

Ja, der Ton entsteht im selben Durchgang wie das Bild: Dialog mit Lippensynchronität, Effekte, Atmo und Musik, getimt auf die Handlung. Schreiben Sie den gewünschten Ton in den Prompt. Sagt der Prompt nichts über Ton, erfindet das Modell eine eigene Spur. Für eine gesprochene Zeile genügt es aufzuschreiben, was die Figur sagt.

Ja. Wählen Sie Gemini Omni in der Modellauswahl für Video, schreiben Sie die Einstellung samt gewünschtem Ton und generieren Sie. Die Aufnahme landet auf dem Canvas, neben Ergebnissen von Veo, Seedance und Kling, für den direkten Vergleich. Folgeprompts bearbeiten dieselbe Szene, und Referenzbilder fahren im Briefing einfach mit.

Ja. Jeder erzeugte Clip trägt SynthID, Googles unsichtbares Herkunftszeichen. Im Bild ist davon nichts zu sehen, es liegt trotzdem in jeder Ausgabe des Modells. Wenn Sie Material an Kunden, Redaktionen oder Plattformen weitergeben, bleibt die Herkunft damit im Clip selbst hinterlegt und nicht nur in Ihrer Dokumentation.

Veo 3.1 ist auf filmische Qualität in einer einzigen Einstellung ausgelegt, Omni Flash 1.1 auf das Weiterarbeiten. Omni ist das Modell, das Sie führen: Es bearbeitet seine eigene Ausgabe Zug um Zug, nimmt gemischte Bild- und Videoreferenzen an, verlängert eine Aufnahme auf 40 Sekunden und hält dabei Figur und Stimme. Für die eine große Einstellung liegt Veo beim Feinschliff vorn; für eine Szene, die Sie ausbauen, ist Omni Flash der Arbeitsweg. Beide stammen von Google DeepMind, sind aber getrennte Modelle: Ein Modell namens Veo 4 hat Google nie veröffentlicht.