Lanzamiento de Gemini Omni 1.2 Flash: vídeos de 15 segundos con audio integrado y edición paso a pasoNota · digest del 15 de noviembre
Visor de director y pista de onda audiovisual del editor de vídeo Gemini Omni 1.2 Flash
Nota4 secciones≈ 4 min

Lanzamiento de Gemini Omni 1.2 Flash: vídeos de 15 segundos con audio integrado y edición paso a paso

Abres por la noche el editor de vídeo para montar un clip promocional corto de una cafetería, colocas en la línea de tiempo una toma generada por IA y te pones a encajar a mano grabaciones sueltas de agua hirviendo. La imagen va por un lado, el sonido llega tarde y pedir que bajen un poco la luz del local provoca que en la nueva toma cambien tanto la taza como la cara del barista. Con la llegada de Gemini Omni 1.2 Flash de Google DeepMind, comprobé hasta qué punto mejora en la versión abierta la calidad de vídeo y la sincronía de audio, y si ya permite montar una escena publicitaria sin doblaje externo ni regeneraciones desde cero.

Salida a disponibilidad general y liderazgo en LMSYS Arena

Durante mucho tiempo se asumió que las redes de vídeo solo servían para bucles mudos en betas cerradas y que cualquier giro complejo de cámara delataba el corte. Desde el 5 de noviembre, Google DeepMind abrió Gemini Omni 1.2 Flash en disponibilidad general (General Availability) dentro de Google Vids y Flow.

En las comparativas a ciegas de LMSYS Arena (Text-to-Video), el modelo se colocó en primer lugar con 1541 puntos, superando en 27 puntos a Omni 1.1; también lideró la categoría Image-to-Video y entró en el podio de edición de vídeo. En travellings suaves de cámara mantiene estables rostros, ropa, colores de marca y textos en envases.

Quince segundos: cómo cinco segundos extra cambian la narrativa

El techo anterior se clavaba en 10 segundos, tiempo justo para un único gesto. Ahora la duración del clip crece un 50% hasta los 15 segundos, seleccionable segundo a segundo entre 3 y quince en formatos 16:9, 9:16 o 1:1.

Esos cinco segundos adicionales convierten un plano suelto en una microhistoria en tres actos con arranque, acción y cierre. Piensa en un plano publicitario de 12 segundos con el barista preparando un espresso: en una sola toma continua sin cortes bruscos caben la extracción del café, el vaporizado de la leche y el momento de posar la taza en la barra.

Imagen y sonido en un mismo ciclo: del siseo del vapor a los diálogos

Cuando vídeo y audio los generan dos redes distintas, el resultado parece el doblaje a ciegas de una película muda desde otra habitación. En Gemini Omni 1.2 Flash, imagen y sonido nacen juntos dentro de un único ciclo de difusión multimodal; ya vimos cómo se estructura ese diccionario de tokens al repasar la multimodalidad nativa de Gemini Omni Flash 1.2.

En la escena de la cafetera, el modelo clava al ritmo de las manos el siseo del chorro de vapor, el golpe del portafiltro contra el cajón de posos y el tintineo de la taza de cerámica. Con la misma precisión sincroniza voz y movimiento de labios para varios personajes a la vez: en el vídeo de muestra de Google, cuatro personas en un invernadero discuten sobre el color de una orquídea manteniendo gestos y timbres de referencia (puedes leer más sobre tecnologías de voz hermanas en la nota sobre síntesis de habla en Gemini 3.8 Flash TTS).

Edición progresiva por texto sin rehacer la toma

El modo de edición en varios turnos (Multi-turn Editing) funciona como hablar con el técnico de iluminación en el set justo después de una toma buena. Escribes «cambia la iluminación a neón estilo ciberpunk» y la IA transforma la paleta de la cafetería conservando intacta la coreografía del barista y el sonido. Con frases directas ajustas el clima, el fondo o la relación de aspecto, mientras fijas la apariencia y el movimiento mediante imágenes de referencia y un clip de tres segundos.

Flujo económico para trabajar borradores

Pule primero la escena con ajustes de texto en calidad borrador de 360p o 720p (alrededor de $0.07 por segundo) y reescala a 1080p o 4K únicamente cuando la toma esté cerrada.

Con todo, no esperes milagros de cine de acción: el algoritmo se pierde en deportes rápidos como el baloncesto, cambios bruscos de plano y físicas caóticas de colisiones, y el texto pequeño sobre objetos veloces tiende a emborronarse al final. Además, los archivos llevan la marca invisible SynthID, algo que conviene tener presente en entregas a clientes. A cambio, en planos de producto, travellings suaves y diálogos te ahorra horas de montaje.

Quiero un análisis detalladoLos votos ayudan a elegir qué analizar a fondo. Este material tiene 0 votos.
Fuentes · 2