Gemini Omni: o modelo que une Gêmeos e Veo, mas com limites reais

O problema que o Gemini Omni quer resolver

Você já tentou gerar um vídeo coerente combinando texto, imagem, áudio e vídeo de uma vez? Até hoje, a maioria dos modelos multimodais simplesmente empilhava esses formatos, sem integrá-los de verdade. O resultado era uma colagem, não uma criação. O Google está tentando mudar isso com o Gemini Omni, um modelo treinado para raciocinar sobre todas essas entradas ao mesmo tempo e gerar um vídeo consistente.

O Fato

No Google I/O, a empresa anunciou o Gemini Omni, uma família de modelos multimodais que, segundo o CEO Sundar Pichai, poderá “criar qualquer coisa a partir de qualquer entrada”. O primeiro modelo disponível é o Gemini Omni Flash, que já está no ar no app Gemini, no YouTube Shorts e no Flow. Ele é capaz de gerar 10 segundos de vídeo combinando texto, imagem, áudio e vídeo. A empresa também liberou a criação de avatares digitais para vídeos personalizados, com um processo de onboarding para evitar deepfakes. Todos os vídeos gerados recebem a marca d’água digital SynthID.

Como funciona (visão de operador)

O Omni não é uma simples atualização do Veo, o modelo de vídeo dedicado do Google. A diretora de produto do DeepMind, Nicole Brichtova, explicou que é “o próximo passo na combinação da inteligência do Gemini com as capacidades de renderização dos modelos de mídia”. Na prática, o modelo recebe entradas heterogêneas (texto, áudio, imagem, vídeo) e as processa em uma única inferência multimodal. O resultado é um vídeo que reflete compreensão de física, cultura, história e ciência.

Um exemplo dado pelo CTO do DeepMind, Koray Kavukcuoglu: com o prompt simples “um vídeo explicativo em claymation sobre dobramento de proteínas”, o Omni gerou rapidamente um vídeo em stop-motion com narração explicando o processo. Isso sugere que o modelo foi treinado com dados multimodais em escala e consegue alinhar linguagem, visão e áudio de forma consistente.

A latência não foi divulgada, mas a limitação a 10 segundos de vídeo não é técnica, de acordo com a empresa, e sim uma escolha de produto para ampliar o acesso e porque a maioria dos usuários ainda não quer vídeos mais longos. O Omni Pro, com maior capacidade, virá depois.

O que isso muda na prática

Quem ganha

• Criadores de conteúdo: podem gerar vídeos personalizados com avatares digitais para YouTube Shorts, sem precisar gravar ou editar.
• Anunciantes: o modelo tem boa capacidade de renderizar texto em vídeos, útil para slogans e produtos. A Luma AI já faz algo parecido com seu modelo unificado.
• Consumidores: a interface é simples: prompts em texto para editar fotos ou criar vídeos.

Quem perde ou precisa se adaptar

• Profissionais de edição: a automação pode reduzir a demanda por edição manual de vídeos curtos.
• Empresas de software de edição: a edição por texto pode canibalizar ferramentas complexas.
• Usuários de Nano Banana: o Omni traz o mesmo problema de over-editing: prompts precisam ser muito específicos, senão o modelo altera elementos que o usuário queria manter.

Ação prática

Se você trabalha com marketing ou criação de conteúdo para redes sociais, teste o Gemini Omni Flash no YouTube Shorts. Prepare prompts bem detalhados, descrevendo cada elemento que deve permanecer inalterado. O modelo erra por excesso de criatividade, então quanto mais específico, melhor.

Tensão / Reflexão

O Omni resolve o problema da integração multimodal, mas cria outro: o custo de inferência. Gerar vídeo com compreensão de física, cultura e história exige um modelo enorme. O Google não divulgou preços nem latency, mas sabemos que modelos multimodais desse porte consomem muitos tokens e GPU horas. A escolha de limitar a 10 segundos pode ser tanto uma estratégia de produto quanto uma maneira de conter custos. Escala para vídeos mais longos? Só quando o custo por segundo cair. Além disso, a precisão dos prompts é um gargalo real: se o usuário errar um detalhe, o vídeo fica inutilizável. Isso move o problema da edição manual para a engenharia de prompt, que ainda é uma arte imprecisa. Vale a pena para aplicações comerciais? Para vídeos de teste e protótipos, sim. Para produção final, ainda é arriscado.

Fechamento

O Gemini Omni é um passo concreto em direção a modelos que simulam a realidade, não apenas predizem texto. Mas as barreiras de custo, precisão e controle ainda são altas. Quem construir um fluxo de trabalho que consiga domar a criatividade excessiva do modelo vai sair na frente. Enquanto isso, prepare prompts específicos e não espere que a mágica aconteça sem supervisão.