Gemini Omni
Google DeepMind · Vídeo
Gemini Omni es la familia de modelos multimodales nativos de Google DeepMind, diseñada para aceptar casi cualquier entrada y convertirla en casi cualquier salida. El primer lanzamiento, Gemini Omni Flash, se centra en el vídeo: puedes generar un clip a partir de un texto, añadir imágenes o audio de referencia y después editar el resultado describiendo el cambio que quieres. Está pensado para creadores y desarrolladores que prefieren un solo modelo para generar y corregir en lugar de encadenar varias herramientas.
Acerca de Gemini Omni
Qué es Gemini Omni
Gemini Omni es el modelo de IA multimodal más reciente de Google DeepMind, presentado en Google I/O el 20 de mayo de 2026. Donde los modelos de vídeo anteriores tomaban un texto y producían un clip, Omni se plantea como un sistema any-to-any: entra texto, imagen, audio y vídeo, y sale un resultado coherente. El primer modelo de la familia, Gemini Omni Flash, llegó a la app de Gemini, Google Flow y YouTube, con acceso a la API prometido más adelante.
La propuesta es la edición conversacional. En lugar de repetir la generación hasta acertar por suerte, describes un cambio ("haz invisible el violín", "cambia el ángulo de cámara a por encima del hombro") y el modelo lo aplica manteniendo estable el resto de la escena. DeepMind afirma que Omni ha dado un salto en comprensión del mundo, así que la física y el comportamiento de los objetos generados se sostienen mejor que antes.
La generación de vídeo con IA es la función por la que la gente llega. El precio de Gemini Omni es lo que decide si se queda.
La principal limitación es el alcance. Ahora mismo, en la práctica, Omni es un modelo de vídeo. El enfoque any-to-any apunta a generación futura de imagen y audio, pero eso es una hoja de ruta, no una función ya disponible. DeepMind también marca con SynthID y metadatos C2PA todo lo que produce, algo que importa si piensas usar el resultado con fines comerciales.
Cómo empezar
- Abre la app de Gemini, Google Flow o YouTube y busca las herramientas de vídeo con tecnología Omni.
- Escribe un texto que describa el clip que quieres, o sube imágenes, audio o vídeo de referencia como guía.
- Genera la primera versión y revísala.
- Describe los cambios en lenguaje natural, como cambiar un fondo o un objeto, y deja que Omni regenere esa parte.
- Exporta o comparte el clip. Cuenta con que las marcas SynthID y C2PA viajan con el archivo.
Información del producto
Un vistazo rápido a los precios, las plataformas compatibles y el rendimiento de Gemini Omni.
Ideal para
Los usuarios, tareas y casos de uso en los que esta herramienta encaja mejor.
Usuarios
- Creadores de vídeo
- Marketing y equipos de redes
- Equipos de producto y diseño
- Desarrolladores
Tareas
- Texto a vídeo
- Edición de vídeo conversacional
- Imagen a vídeo
- Referencia a vídeo
Casos de uso
- Producir un lote de clips cortos para redes a partir de un concepto, donde el coste en créditos por generación marca el límite práctico.
- Iterar sobre un guion gráfico antes de comprometerse con un rodaje completo.
- Añadir elementos generados por IA a metraje real, como colocar a un sujeto en un entorno nuevo.
Funciones clave
Entrada multimodal any-to-any
Omni acepta texto, imágenes, audio y vídeo como entradas, y produce vídeo como salida. En la práctica, puedes darle una foto y una frase, o un clip más una referencia hablada, y trabaja con todo ello a la vez. DeepMind lo presenta como la base de la familia, con otros tipos de salida prometidos más adelante.
Edición de vídeo conversacional
La función estrella es editar describiendo. Le dices a Omni qué cambiar y aplica la edición manteniendo coherente la escena que la rodea. Entre los ejemplos que aparecen en la página de DeepMind hay hacer invisible un objeto, trasladar a un músico a otro escenario y cambiar el ángulo de cámara. Es la diferencia entre repetir y dirigir.
Física sólida y comprensión del mundo
DeepMind asegura un salto en comprensión del mundo, y sus ejemplos se apoyan en la continuidad física: una canica rodando por un circuito, una luz que se enciende al ritmo de la música, una mano que interactúa con un juguete. Mejor física significa menos artefactos de objetos que se derriten, esos que hacían inservibles los modelos de vídeo anteriores para algo más que la novedad.
Personajes y voces coherentes
El soporte de referencia a vídeo te deja introducir referencias de imagen y audio para que un personaje conserve el mismo aspecto y la misma voz a lo largo de un clip. DeepMind informa de resultados líderes en Preferencia global y Adherencia del habla en su prueba interna de referencia a vídeo, con evaluadores humanos sobre 468 ejemplos.
Resultados de referencia documentados
DeepMind publicó datos comparativos en lugar de afirmaciones vagas. En MovieGenBench, una prueba de Meta, Omni rindió mejor en Preferencia global y Seguimiento de instrucciones sobre 1.003 textos. En la prueba de imagen a vídeo VBench, Omni Flash empató con Grok-Imagine-Video y Kling, por delante de otros modelos. Todas las cifras salen de las propias evaluaciones de DeepMind.
Procedencia del contenido integrada
Todo lo que se crea o edita con Omni en la app de Gemini, Google Flow o YouTube lleva una marca de agua imperceptible SynthID y metadatos C2PA. La marca sobrevive a la mayoría de las ediciones, lo que ayuda a que las plataformas y los espectadores distingan el vídeo generado por IA del metraje de cámara.
Acceso basado en créditos
La generación funciona con créditos, no con uso ilimitado. Según informes de primera mano, un solo vídeo cuesta entre 15 y 40 créditos y una ronda de ediciones unos 40, con el plan Google AI Pro de $20 al mes que incluye 1.000 créditos. Las pruebas intensas agotan esa asignación deprisa. ¿Hasta dónde llegan de verdad 1.000 créditos? No tanto como esperarías.
Ventajas y desventajas
Ventajas
- Un solo modelo cubre generación y edición, así que no vas saltando entre herramientas distintas para cada paso.
- Las ediciones conversacionales reducen el prueba y error de repetir el vídeo hasta que quede bien.
- La física mejorada y la comprensión del mundo reducen ese aspecto flotante de objetos que se derriten.
- El contenido va marcado con SynthID y C2PA, lo que apoya una divulgación responsable.
- Disponible desde el primer día en la app de Gemini, Google Flow y YouTube.
Desventajas
- En la práctica es un modelo de vídeo, así que la promesa any-to-any mira sobre todo al futuro.
- Los costes en créditos se acumulan: un solo clip o edición puede comerse una parte notable de la asignación mensual.
- Todavía no hay API pública, lo que bloquea a los desarrolladores que quieren construir sobre él.
- La salida sigue siendo vídeo con IA, así que aparecen artefactos y fallos de continuidad, como señalaron las primeras reseñas.
Preguntas frecuentes
Gemini Omni está pensado para crear y editar vídeo. Describes un clip con texto, añades opcionalmente referencias de imagen o audio y genera el vídeo. Después puedes revisarlo describiendo cambios en lenguaje natural.
Contenido relacionado
Explora herramientas, habilidades y artículos relacionados con Gemini Omni.
Alternativas a Gemini Omni
ngram 2.0
ngram · Vídeo · Marketingngram 2.0 es un generador de vídeo con IA pensado para equipos. Convierte una indicación, una grabación de pantalla o la URL de un producto en un vídeo explicativo, una demo o un vídeo con avatar IA, y cada escena sigue siendo editable.
OpenScreen 2
OpenScreen (open-source project) · Vídeo · ProductividadOpenScreen 2 es un grabador de pantalla y editor de vídeos de demostración gratuito y de código abierto para Windows, macOS y Linux, con zoom automático, marcos, subtítulos locales y edición con agentes.
Skreno
Skreno · Vídeo · ProductividadSkreno es un grabador de pantalla en el navegador que captura una pestaña, una ventana o todo el escritorio y añade transcripciones con IA, resúmenes y registros de consola a un solo enlace.