Gemini Omni Flash na prática: como usar o gerador de vídeo do Google e se vale a pena

O Google lançou o Gemini Omni Flash prometendo criar vídeo a partir de qualquer coisa: texto, foto, áudio, um pedaço de clipe. Coloquei pra rodar. Esse post é o veredito de quem testou — onde ele impressiona de verdade, onde ele quebra feio, quanto custa e se vale plugar no seu fluxo. Se você chegou aqui querendo saber como usar o Gemini Omni Flash sem enrolação, é isso que vem pela frente.

Sem hype. É engenharia. E como toda engenharia, tem trade-off.

O que é o Gemini Omni Flash

Omni é a primeira família "any-to-any" do Google — o Omni Flash é o primeiro modelo dela, focado em uma coisa: gerar e editar vídeo. É mais um capítulo da enxurrada que o Google abriu e que a gente já mapeou nos 7 anúncios do Google I/O 2026 que mudam o trabalho do AI engineer. Ele chegou pro consumidor em 19 de maio de 2026 e caiu no colo dos desenvolvedores em 30 de junho, no Google AI Studio e na Gemini API.

Na prática, ele é o sucessor do Veo 3.1 pra esse tipo de trabalho. Só que a proposta muda de figura: o Veo era um gerador. O Omni Flash é um gerador com edição conversacional em cima. Você não regenera o vídeo do zero a cada ajuste — você conversa com ele. "Troca o fundo." "Suaviza a luz." "Coloca o produto na mão da pessoa." Ele mantém o contexto e mexe só no que você pediu.

Duas coisas que já valem gravar antes de qualquer teste:

• Todo vídeo sai com marca d'água invisível SynthID. Dá pra provar que aquilo foi gerado por IA.
• O áudio é nativo. Passos, ambiente, o "tunc" de um objeto caindo — vem sincronizado com a imagem, não é dublagem colada depois.

Como usar o Gemini Omni Flash

Tem dois caminhos, e eles servem gente diferente.

No app / Google Flow. Se você é assinante do Google AI Plus, Pro ou Ultra, o modelo já está no app Gemini e no Flow. Você digita o prompt, joga umas imagens de referência e gera. É o caminho do criador de conteúdo, do social media, de quem quer um clipe pra ontem sem escrever uma linha de código.

Na API. Aqui é onde o dev entra. O identificador do modelo é gemini-omni-flash-preview, disponível em preview público no AI Studio e na Gemini API. O formato é o de sempre do google-genai:

from google import genai

client = genai.Client(api_key="SUA_CHAVE")

operation = client.models.generate_videos(
    model="gemini-omni-flash-preview",
    prompt="Um café sendo servido em câmera lenta, luz de manhã, vapor subindo",
    # referências multimodais: até 7 imagens + clipes de até 3s
    config={"reference_images": [imagem_produto]},
)

# geração de vídeo é assíncrona — você faz poll até terminar
while not operation.done:
    operation = client.operations.get(operation)

video = operation.result.generated_videos[0]

A parte que muda o jogo é a edição conversacional. Pra isso o Google expõe a Interactions API, que mantém o histórico da sessão e deixa você empilhar até três edições sequenciais em cima do mesmo vídeo. É o "troca o fundo → agora ajusta a luz → agora coloca uma trilha mais grave" sem perder o que já estava bom.

Os inputs que ele aceita: texto, imagens (até sete de uma vez) e clipes de vídeo curtos. E aqui vem a primeira pegadinha que ninguém te conta na thread de lançamento — falo dela daqui a pouco.

Quanto custa

Direto ao ponto: $0,10 por segundo de vídeo gerado. É o mesmo preço do Veo 3.1 Fast, então não teve regressão de custo — você ganhou a edição conversacional de graça, em termos de tabela.

Um clipe de 10 segundos, o máximo que ele entrega hoje, sai por $1. Se você montar o pipeline completo — imagem no Nano Banana 2 Lite e depois vídeo no Omni Flash — um clipe de 5 segundos fica em torno de $0,50.

No billing detalhado, o Omni Flash cobra por token: 2040 tokens por imagem de entrada, 32 por segundo de áudio, e a saída de vídeo 720p com som sai a 5792 tokens por segundo. Você não precisa decorar isso — precisa saber que vídeo é caro por natureza e que gerar dez versões de um clipe pra achar a boa é dinheiro real saindo. Faça a conta antes de colocar isso num loop automático.

O que impressiona

A edição conversacional não é firula de demo. Ela funciona porque o modelo raciocina sobre física e relação entre objetos, não fica só casando padrão de pixel. Quando você pede pra trocar o produto na mão da pessoa, a sombra acompanha, a mão fecha em volta do objeto novo. Isso é o tipo de coisa que, no fluxo antigo, custava três gerações e uma reza.

O áudio nativo sincronizado é o segundo ponto que surpreende. A maioria dos geradores te dá vídeo mudo e você resolve o som depois. Aqui o footstep bate no frame certo. Pra prototipagem de anúncio, isso economiza uma etapa inteira de pós.

E o caso de uso que já validou na prática: troca de produto e localização de asset. A WPP testou justamente isso em early access — pegar um vídeo base e trocar o produto, o idioma, o cenário pra diferentes mercados. É automação de variação criativa. É onde o modelo ganha dinheiro de verdade.

Onde ele quebra

Agora a parte que a página de lançamento não coloca em negrito.

Teto de 10 segundos, 720p, e ponto. Sem 4K, sem clipe longo. O Google diz que os 10s são uma "escolha de deployment, não uma limitação do modelo" — tradução: é uma trava comercial, não técnica. Não muda o fato de que, pra qualquer coisa de broadcast ou premium, 720p não passa.

Consistência de personagem escorrega. O próprio model card do Google admite que "manter consistência completa ao longo das edições, gerar cenas com movimento complexo ou renderizar texto com precisão continua sendo um desafio". Traduzindo do corporativês: se você empilhar edições, o rosto da pessoa vai derivando. Cena com muito movimento vira sopa. E não peça pra ele escrever uma palavra legível na tela — ele não sabe.

A janela de contexto é de três edições. Passou disso, o contexto degrada. O "conversacional infinito" da demo tem um limite bem concreto.

Referência de vídeo não funciona ainda. Essa é a pegadinha que prometi lá em cima. O schema da API aceita clipe de vídeo como referência, mas o modelo não processa isso corretamente hoje, segundo a própria doc. Áudio como referência e extensão de cena também não estão suportados na API. Ou seja: metade da promessa "any-to-any" ainda é promessa no ambiente de dev.

Pessoa real é bloqueada. Os filtros barram gerar likeness de indivíduos nomeados — o que é certo, evita deepfake. Mas vale saber que a TechRadar já documentou vazamento de IP: o modelo consegue gerar personagens parecidos com propriedade intelectual protegida mesmo com os filtros. O SynthID prova a origem, mas não te blinda de um problema jurídico.

Gemini Omni Flash vs Sora vs Veo

O comparativo honesto, sem torcida:

• vs Sora. A OpenAI não expõe o Sora via API pra uso programático como esse. Se o seu caso é automatizar geração dentro de um produto, o Omni Flash ganha por existir onde o outro não está.
• vs Veo 3.1. O Veo suporta 4K e clipes mais longos. Se o que você quer é qualidade máxima de saída num único gerar, o Veo ainda leva. O Omni Flash troca resolução por edição conversacional — é outra ferramenta pra outro trabalho.
• vs Seedance 2.5. O Seedance gera clipe único de até 30 segundos, o que enterra o teto de 10s do Omni. Mas preço e capacidade de edição ainda não estão públicos, então é comparação parcial.

Não existe "o melhor". Existe o certo pro seu trabalho. Quer variação criativa barata e iterativa? Omni Flash. Quer um hero shot em 4K? Veo. Quer clipe longo? Olha o Seedance.

Vale a pena?

Depende de quem você é.

Se você é criador de conteúdo e quer clipe rápido com som, dentro do app: sim, é a ferramenta mais fluida do Google hoje. Se você é dev montando geração de vídeo dentro de um produto — automação de anúncio, variação de asset, protótipo de campanha — o preço é justo e a edição conversacional economiza etapas reais. Vale plugar, com os olhos abertos pros buracos: 720p, 10 segundos, três edições, e a referência de vídeo que ainda não funciona.

O que não vale é comprar a narrativa de "cria vídeo a partir de qualquer coisa" ao pé da letra. Metade do "qualquer coisa" ainda está em preview quebrado. Trate como o que é: um modelo forte pra um nicho específico — variação criativa iterativa — que ainda vai amadurecer.

E é exatamente esse o ponto que separa quem brinca com IA de quem constrói produto com IA: saber onde o modelo entrega e onde ele te deixa na mão, antes de colocar em produção. É esse tipo de decisão — o que plugar, o que evitar, como orquestrar o modelo dentro de um fluxo real — que a gente destrincha ao vivo no Do Prompt ao Harness, o workshop dos dias 11 e 12 de julho onde construímos um agent de vendas do prompt ao harness, com código rodando e as decisões de arquitetura na mesa.

Testa você também. Gera um clipe, empilha as três edições, força o limite. É assim que você descobre onde a ferramenta serve o seu problema — e onde ela ainda é demo.