Google bringt Gemini Omni 1.2 Flash: Video bis 15 Sekunden, 0,07 Dollar pro Sekunde in 720p und 30 % weniger als Omni 1.1; die Qualität stützt sich auf Demos und Kundenzitate, Audioreferenzen brauchen eine Zulassungsliste

Am 5. November 2026 hat Google Gemini Omni 1.2 Flash vorgestellt, ein Modell zur Videoerzeugung und -bearbeitung, und erklärt, es sei in der Gemini API und in Gemini for business allgemein verfügbar (generally available). Die Ankündigung besteht aus zwei Beiträgen: einem Produktbeitrag von Google DeepMind und einem Beitrag von Google Cloud zum Produktiveinsatz. Alle Zahlen unten stammen von Google selbst, und es gibt keine externe Messung von Qualität oder Geschwindigkeit. Ein weiterer erfasster Google-Cloud-Beitrag bezeichnet den Gemini-for-business-Chat dagegen als „coming soon“. API/Cloud-Verfügbarkeit und Business-Chat sind getrennt zu prüfen; wir entscheiden nicht, welcher Beitrag inzwischen überholt ist.

Die wichtigste Änderung ist die Länge der Clips. Omni 1.2 Flash kann Videos nativ bis zu 15 Sekunden erzeugen und bearbeiten, bei Omni 1.1 waren es 10 Sekunden, und die Dauer lässt sich in Ein-Sekunden-Schritten von 3 bis 15 Sekunden einstellen. Die Modellseite von Google Cloud ergänzt, dass Ausgaben aus einem ersten und letzten Bild oder die Verlängerung eines früheren Clips auf 3 bis 10 Sekunden begrenzt sind und dass 16:9 und 9:16 als Seitenverhältnisse unterstützt werden. Google sagt, das Modell folge Referenzen genauer. Eine Anfrage kann Bilder von Figuren, Produkten oder Stilen, kurze Bewegungsclips von höchstens drei Sekunden und Audiohinweise kombinieren, und das Modell soll Gesichter, Kleidung, Verpackungsschrift und Markenfarben über Kamerawinkel hinweg stabil halten. Clips lassen sich außerdem Runde für Runde im Gespräch verfeinern, etwa indem man den Hintergrund tauscht, das Licht ändert oder das Seitenverhältnis wechselt, statt den ganzen Clip neu zu erzeugen. Google nennt auch Fortschritte bei der Sprache: natürlichere Dialoge, deutlichere Lippensynchronisation und getrennte Stimmvorgaben für mehrere Sprecher.

Der Preis ist die einzige harte Zahl in der Ankündigung. Google sagt, der Preis sei gegenüber Omni 1.1 um 30 % gesenkt worden, und 720p-Video koste jetzt 0,07 US-Dollar pro Sekunde. Nach unserer Rechnung kostet ein vollständiger 15-Sekunden-Clip in 720p etwa 1,05 US-Dollar, ohne Wiederholungen. Preise für 1080p- oder 4K-Ausgabe und für das Hochskalieren (Upscale) nennt der Beitrag nicht. Er beschreibt stattdessen einen sparsameren Ablauf: Entwurf in 360p oder 720p, ein Detail per Folgebearbeitung korrigieren, dann das beste Ergebnis auf 1080p oder 4K hochskalieren. Er verlinkt eine Preisseite, die wir nicht erfasst haben, deshalb gibt dieser Artikel keinen weiteren Preis wieder.

Die Verfügbarkeit unterscheidet sich je nach Produkt. Entwickler können das Modell in Google AI Studio und der Gemini API nutzen. Unternehmen nutzen es in der Google-Cloud-Konsole und über die API, wo laut Google Provisioned Throughput angeboten wird und die Ausgaben ein nicht wahrnehmbares SynthID-Wasserzeichen tragen. Google nennt außerdem Flow, Google Vids, wo 15-Sekunden-Clips mit einem Google-Konto oder einem Google-Workspace-Abonnement ohne Zusatzkosten erzeugt werden, und Google Ads. Die Gemini-App erhält 15-Sekunden-Videos schrittweise für Abonnenten von Google AI Ultra. Der Beitrag von Google Cloud nennt eine Grenze, die im DeepMind-Beitrag fehlt: Audioreferenzen sind nur nach Freigabe über eine Zulassungsliste (Allowlisting) nutzbar, nicht jeder Entwickler kann sie also am ersten Tag verwenden.

Belege für die Qualität sind Demonstrationsvideos und Kundenzitate. Google zeigt eine virtuelle Anprobe, ein Plakat, das Schicht für Schicht aufgebaut wird, einen Hintergrundtausch in fünf Schritten und einen Ego-Drohnenflug durch ein Gebäude mit Kuppel ohne Schnitt, und stellt teils Omni 1.2 und Omni 1.1 nebeneinander. Es gibt keinen Benchmark-Wert, keine Präferenzstudie, keine Latenzzahl und keine Fehlerrate. Die Zitate im DeepMind-Beitrag stammen von Adobe, Monks, Whering, Figma Weave, STAN, Magnific und Resemble AI, die im Cloud-Beitrag von Artlist, FLORA, invideo, Krea, Picsart, Runway, Photoroom und QuickFrame AI. Sie sind vom Anbieter ausgewählt. Eines davon, von QuickFrame AI, sagt, die 15-Sekunden-Erzeugung in 1080p erlaube eine vollständige Werbung für vernetztes Fernsehen in einer einzigen Generierung.

Google nennt auch, was noch nicht fertig ist: Die Entwicklung gehe weiter bei schneller Sportaktion, schnellen Drehbuchwechseln und komplexer Physik. Die Liste ist kurz und deckt sich mit dem, was ein Team zuerst testen will: schnelle Bewegung, rasch wechselnde Szenen und Objekte, die miteinander wechselwirken. Über das SynthID-Wasserzeichen und die Unternehmensinfrastruktur hinaus beschreibt die Ankündigung keine Sicherheitsbewertung und keine Inhaltsrichtlinie für das Modell; wer eine Sicherheitsprüfung braucht, muss gesonderte Dokumentation suchen.

Unsere Einschätzung: Das ist ein echter Produktschritt, weil Länge, Preis und allgemeine Verfügbarkeit konkret und prüfbar sind. Die Qualitätsaussagen sind noch nicht prüfbar. Ein Team, das Produkt- oder Werbevideos in großer Zahl erstellt, sollte zuerst einen Beispielauftrag kalkulieren: benötigte Clips, Sekunden pro Clip, erwartete Wiederholungen und Auflösung der Endfassung. Danach sollte es die eigenen Referenzbilder durchlaufen lassen und sehen, ob Gesichter, Logos und Verpackungstext stabil bleiben und ob die 15-Sekunden-Clips die per Zulassungsliste freigegebene Audiofunktion überhaupt brauchen. Preissenkung und längerer Clip nützen nur, wenn die Ergebnisse diesen Test bestehen.