Gemini Omni Flash 1.1 es un modelo multimodal de Google diseñado para generar, editar y extender contenido de video utilizando una variedad de entradas, incluyendo texto, imágenes y clips de video existentes. A diferencia de muchos modelos de video contemporáneos que priorizan la generación de una sola toma —donde un solo prompt produce un clip terminado— este modelo está construido para un flujo de trabajo conversacional. Esto significa que los usuarios pueden iterar sobre una escena a lo largo de múltiples turnos, donde cada edición posterior se construye sobre la anterior manteniendo la consistencia en personajes, objetos y entornos. El modelo también cuenta con audio sincronizado nativo, lo que significa que el sonido y el texto en pantalla se generan como parte del mismo proceso en lugar de requerir una pasada de postproducción separada.
El principal diferenciador del modelo es su fundamentación en la base de conocimientos del mundo real de Gemini, que incluye una comprensión de la física, la historia, la ciencia y la cultura. Esto tiene la intención de producir escenas más creíbles y entornos regionalmente precisos, como señalización local y lenguajes nativos. Técnicamente, el modelo admite varios flujos de trabajo de producción específicos: control de 'primer y último cuadro', donde un usuario fija el inicio y el final de una toma; extensión de video, que puede llevar un clip más allá de su límite inicial de 10 segundos hasta un total de 30 segundos; y cambios de personajes u objetos. En estos cambios, el modelo puede reemplazar a un sujeto manteniendo el movimiento y el diálogo originales de manera fluida.
Para equilibrar la producción de alta calidad con los costos de producción, Gemini Omni Flash 1.1 introduce un sistema de resolución por niveles. Los usuarios pueden iterar sobre 'tomas' en un nivel de borrador de 360p para refinar la escena a un costo menor antes de renderizar la versión final en 1080p o 4K. Si bien el modelo se posiciona como una herramienta de producción versátil, el material de origen no proporciona puntuaciones de referencia independientes para verificar su rendimiento específico en relación con competidores como Kling o Veo. Se basa en la integración del conocimiento existente de Gemini para proporcionar su ventaja 'fundamentada', enfocándose en la continuidad de una experiencia de edición de múltiples turnos en lugar de solo la calidad de un clip aislado.