Gemini Omni Flash вышел в API: видеопроизводство становится диалогом

Для большинства компаний 90-секундное обучающее видео или объяснение продукта - это отдельный проект. Брифинг, съёмка, монтаж, согласование, поправки. Одна правка в тексте после юриста - и весь цикл заново. 30 июня Google запустила Gemini Omni Flash в API - модель, которая превращает этот процесс в обычный диалог.

Gemini Omni Flash - первая модель из нового семейства Omni. В мае она дебютировала как потребительский продукт на I/O 2026, но без программного интерфейса была скорее игрушкой. Теперь API открыт для разработчиков и enterprise-клиентов.

Ключевая идея - не просто генерация текста в видео, а возможность редактировать уже готовый ролик через разговор. Попросили пересветить объект - сделано. Сменить фон - пожалуйста. Каждая правка строится поверх предыдущей, не теряя того, что уже работало.

Пять инструментов в одном диалоге

Раньше команды собирали AI-видео через цепочку: LLM для сценария, text-to-image модель, image-to-video, отдельный липсинк, голосовой генератор. У каждого свой контракт, свой биллинг, свой пайплайн данных.

Omni объединяет всё в одной модели. Она принимает текст, изображения и видео - и возвращает готовый клип с синхронизированным звуком. Для компании, которая избегала генеративного видео из-за сложности сборки, уравнение меняется.

Референс-контроль: бренд-активы как ингредиенты

Omni принимает не только текстовые промпты. Можно загрузить до семи референсных изображений и три видеоклипа - и модель перенесёт их характеристики в результат. Фото продукта, логотип бренда, конкретную локацию - не надо описывать словами и надеяться, что модель угадает.

Две возможности особенно важны для бизнеса. Первая - world model: модель понимает физику сцены. Добавили дождь и лужи в существующий кадр - она рендерит отражения людей и объектов в мокром асфальте. Вторая - вставка текста и логотипов. Можно заменить вывески в кадре на другой язык или бренд, вписать логотип компании.

Результаты не идеальны: трекинг знаков в сложных сценах не всегда точен, часть текста может проскакивать на исходном языке. Для итогового ролика всё равно нужен человеческий контроль. Но для обучающих видео с внутрикадровыми подписями или рекламы с логотипом - это рабочий инструмент.

Цены и ограничения

Omni Flash стоит 0,10 долларов за секунду 720p-видео. 10-секундный клип - примерно 1 доллар. Это соответствует Veo 3.1 Fast на том же разрешении и вчетверо дешевле стандартного Veo 3.1.

Ограничения: только 720p, без 1080p или 4K. Клипы от 3 до 10 секунд. Для сборки длинного ролика нужно генерировать фрагменты и склеивать. Звук генерируется вместе с видео, но отдельно аудио как вход пока не принимается.

Каждый раунд контекстного редактирования - это новая генерация за свои деньги. Но stateful-интерфейс снижает количество пустых попыток: контекст переносится между шагами, и каждая генерация улучшает уже работающий результат, а не стартует с нуля.

Безопасность и водяные знаки

Google встроила SynthID-водяные знаки во все клипы Omni, расширяет C2PA Content Credentials и запустила AI Content Detection API для обнаружения AI-медиа. Модель не умеет брать фото человека и аудио и синхронизировать их в речь - осознанное ограничение против дипфейков. Но может взять запись говорящего человека и перевести на другой язык.

На LMArena Text-to-Video Arena Omni Flash занял первое место с 1527 баллами. Ранний сигнал по качеству - сильный.

Что это значит для бизнеса

Для маркетинговых и L&D-команд, которые производят больше всего внутреннего видео, Gemini Omni Flash снижает порог входа до одного диалога. Вместо того чтобы собирать конвейер из пяти инструментов или нанимать внешнюю продакшн-студию, можно сесть и в диалоге с моделью сделать 90-секундный ролик за час.

Для компаний во Владивостоке это особенно актуально: автоматизация с помощью ии контент-производства - один из самых быстрых способов сократить издержки. Новости gemini google и новости нейросетей в этой сфере - сигнал, что рынок инструментов для бизнеса созрел.