Gerar vídeo por inteligência artificial funcionou por muito tempo como uma máquina caça-níqueis cara: você digitava um comando, torcia para o resultado fazer sentido e, se a iluminação ou o produto saíssem errados, precisava jogar tudo fora e pagar por uma nova tentativa. Nesta quinta-feira (5), o Google (abre em nova aba) liberou para o público geral o Gemini Omni 1.2 Flash com uma proposta diferente. O novo modelo estica a duração dos vídeos gerados de 10 para até 15 segundos, corta o preço em 30% em relação à versão 1.1 e permite corrigir detalhes da cena apenas conversando pelo chat.
Essa edição por conversa resolve uma das maiores frustrações de quem tenta usar IA no trabalho prático. Em vez de recomeçar do zero quando um detalhe desagrada, o usuário pode pedir no próprio diálogo para o modelo trocar o objeto em destaque, mudar o ângulo da câmera ou ajustar a luz mantendo o restante do clipe intacto. O foco declarado do Google Cloud (abre em nova aba) não é o cinema experimental, mas o vídeo corporativo feito em volume, como anúncios para redes sociais, demonstrações de produtos e provadores virtuais.
Para que a conta feche no uso diário, a empresa desenhou um fluxo de trabalho em duas etapas que lembra uma ilha de edição tradicional. Você pode gerar rascunhos rápidos e baratos em baixa resolução (360p ou 720p), ajustar o que for preciso na conversa e só então ampliar a qualidade (fazer o upscaling) das melhores versões para 1080p ou 4K. Segundo o levantamento da consultoria Beam AI sobre a tabela oficial do Google, o custo por segundo de vídeo gerado varia conforme a definição escolhida:
| Resolução | Uso principal | Preço por segundo (US$) | Custo de um clipe de 15s (US$) |
|---|---|---|---|
| 360p | Rascunho inicial rápido | 0,023 | 0,345 |
| 720p | Rascunho em HD e redes sociais | 0,070 | 1,050 |
| 1080p | Finalização em Full HD | 0,104 | 1,560 |
| 4K | Finalização em ultra-alta definição | 0,209 | 3,135 |
Além do bolso, o modelo ataca o problema da memória curta das ferramentas visuais, que costumam deformar rostos e rótulos de um corte para o outro. O Gemini Omni 1.2 Flash segue imagens e vídeos de referência com mais fidelidade para manter personagens, produtos e detalhes de marca consistentes entre diferentes tomadas. O áudio nativo também evoluiu: os clipes de 3 a 15 segundos agora saem com diálogos mais fluidos, sincronia labial mais nítida e separação clara quando há mais de uma pessoa falando na cena.
Nem tudo está aberto de imediato para qualquer conta. Embora o modelo aceite textos, imagens e vídeos de até 10 minutos para leitura de contexto (além de estender vídeos já existentes em blocos de 3 a 10 segundos), o uso de arquivos de áudio como referência continua restrito a clientes aprovados em uma lista de permissão do Google. Como acompanhamos no IA.com.br, a transição das ferramentas generativas para o ambiente empresarial passa tanto por controle de custos quanto por rastreabilidade, e todo vídeo criado pelo novo modelo recebe a marca d'água invisível SynthID, da Google DeepMind (abre em nova aba), para identificar a origem sintética do arquivo.
Para quem não sabe programar, a atualização chega direto aos programas onde o trabalho já acontece. Além do acesso técnico via API e pelo Google AI Studio (abre em nova aba), o Gemini Omni 1.2 Flash está sendo distribuído no Google Vids, no Google Ads, no Flow, no Gemini para empresas, em plataformas parceiras como o Artlist e no aplicativo do Gemini para assinantes do plano Google AI Ultra. Em uma semana na qual a OpenAI concentrou esforços em imagens estáticas com o lançamento do GPT Image 2.6 e segue sem uma API de vídeo ativa desde a retirada do Sora 2 em setembro, o Google aproveita o espaço vazio para tentar transformar o vídeo gerado por IA em peça de rotina de qualquer equipe de marketing.