Gemini Omni Flash 1.1は、テキスト、画像、既存のビデオクリップを含む多様な入力を使用して、ビデオコンテンツを生成、編集、拡張するために設計されたGoogleのマルチモーダルモデルです。単一のプロンプトで完成したクリップを生成する「ワンショット生成」を優先する多くの現代のビデオモデルとは異なり、このモデルは対話型のワークフロー向けに構築されています。これは、ユーザーが複数のターンにわたってシーンを反復的に調整でき、各編集が前の編集を継承しながら、キャラクター、オブジェクト、環境の一貫性を維持できることを意味します。また、このモデルはネイティブの同期オーディオ機能を備えており、音と画面上のテキストは、別のポストプロダクション工程を必要とせず、同じプロセスの一部として生成されます。
このモデルの主な差別化要因は、物理学、歴史、科学、文化の理解を含むGeminiの広範な現実世界の知識ベースに根ざしていることです。これは、より信憑性のあるシーンや、現地の標識や母国語など、地域的に正確な設定を生成することを目的としています。技術面では、このモデルはいくつかの特定の制作ワークフローをサポートしています。ユーザーがショットの始まりと終わりを固定する「最初と最後のフレーム」制御、初期の10秒制限を超えて合計30秒までクリップを延長できるビデオ拡張、そしてキャラクターやオブジェクトの入れ替えです。これらの入れ替えにおいて、モデルは元の動きや台詞をシームレスに引き継ぎながら、被写体を置き換えることができます。
高品質な出力と制作コストのバランスをとるため、Gemini Omni Flash 1.1は階層的な解像度システムを導入しています。ユーザーは、360pのドラフト階層で「テイク」を反復的に調整して低コストでシーンを洗練させ、最終的な決定版を1080pまたは4Kでレンダリングすることができます。このモデルは多目的な制作ツールとして位置付けられていますが、ソース資料にはKlingやVeoといった競合他社と比較した特定の性能を検証するための独立したベンチマークスコアは提供されていません。このモデルは、Geminiの既存の知識を統合することで「グラウンディング（根拠付け）」の優位性を提供し、単一のクリップの品質よりも、マルチターン編集体験の継続性に焦点を当てています。