En el generador de vídeo de ChatX hay un modelo nuevo para elegir: Gemini Omni 1.2 Flash, de Google. Genera clips de hasta 15 segundos de una sola vez, siempre con sonido. Google lanzó el modelo de forma general el 5 de noviembre de 2026. Aquí te contamos qué sabe hacer, cuántos tokens cuesta un clip y cómo escribir tus prompts para que el resultado sea el que buscas.
Lo más importante en resumen
- Duración: de 3 a 15 segundos por clip, en pasos de un segundo. Su predecesor, Omni 1.1, llegaba como máximo a 10 segundos.
- Sonido: la voz, los efectos y la música se generan junto con la imagen. No hay vídeos sin pista de audio.
- Resolución: 360p, 720p, 1080p y 4K. Los dos niveles más altos se obtienen por reescalado.
- Formato: horizontal 16:9 o vertical 9:16, 24 fotogramas por segundo, en MP4.
- Entrada: un texto, una imagen inicial o una imagen inicial y otra final. Con dos imágenes, el máximo son 10 segundos.
- Imágenes de plantilla: hasta seis imágenes mantienen igual a un personaje o un producto durante todo el clip.
- Identificación: cada vídeo lleva la marca de agua invisible SynthID, que permite reconocer los vídeos creados con IA.
Según el anuncio de Google, los diálogos suenan más naturales y los labios se mueven más acordes con la voz que antes. Además, el modelo es un 30 por ciento más barato que Omni 1.1.
De Veo a Omni
Si ya has trabajado con los modelos de vídeo de Google, te sonará el nombre Veo. En la API de Gemini, Omni ha asumido ese papel:
- 30 de junio de 2026: Omni Flash sale en versión preliminar, con clips de hasta 10 segundos en 720p.
- 27 de agosto de 2026: Omni 1.1 Flash pasa a estar disponible de forma general y trae imagen inicial y final, además de resoluciones de hasta 4K.
- 22 de octubre de 2026: Google desactiva Veo 3.1 en la API de Gemini y señala a Omni como sucesor.
- 5 de noviembre de 2026: llega Omni 1.2 Flash con 15 segundos, hasta seis imágenes de plantilla y un precio más bajo.
Cuánto cuesta un clip en ChatX
Encontrarás Gemini Omni 1.2 Flash en el generador de vídeo junto a Seedance 2.5, Kling 4.0, Wan 3.0, MiniMax H3 Max y HeyGen Video 1. Para usarlo necesitas una cuenta gratuita. Se cobra por segundo de vídeo y el precio depende de la resolución.
| Resolución | Tokens por segundo | Clip de 10 segundos |
|---|---|---|
| 360p | unos 5.700 | unos 57.000 |
| 720p | 17.000 | 170.000 |
| 1080p | 25.500 | 255.000 |
| 4K | 51.000 | 510.000 |
Un clip de 15 segundos completos en 720p cuesta, por tanto, 255.000 tokens. Nuestro consejo: prueba primero tu idea en 360p. Cuesta un tercio y te muestra si la composición, el movimiento y el sonido encajan. Solo cuando el prompt esté afinado merece la pena subir la resolución.
Nuestra prueba con tres clips cortos
Probamos tres tipos de entrada: texto, imagen inicial e imagen de plantilla, cada uno con 3 segundos en 360p. Es el ajuste más económico y cuesta unos 17.000 tokens por clip.
| Entrada | Encargo | Tiempo de espera |
|---|---|---|
| solo texto | una cometa roja de papel sobre un prado | 24 segundos |
| imagen inicial | la cámara se acerca al escaparate de una librería y la puerta de la tienda se abre | 28 segundos |
| imagen de plantilla | la misma librería en una tarde lluviosa, con gente que pasa con paraguas | 27 segundos |
Los tres clips llegaron con pista de audio. Con la imagen inicial, el vídeo empieza exactamente en la foto subida: la cámara se acerca, la puerta de la tienda se abre y la pizarra de tiza con el texto en alemán “Lesung heute um 19 Uhr, Eintritt frei” (lectura hoy a las 19 h, entrada libre) sigue legible letra por letra.
Clip con imagen inicial: 3 segundos, 360p, con sonido. La imagen de la librería viene de nuestra prueba de Nano Banana 2.1.
Con la imagen de plantilla, el modelo reconstruye la escena desde cero. La tienda, el rótulo y la pizarra de tiza se conservaron, y se añadieron la lluvia, el pavimento mojado y los transeúntes con paraguas. Se perdieron algunos detalles, como el banco delante de la puerta. Lo importante es describir con claridad: “llueve con fuerza, pavimento mojado” funciona mejor que un simple “bajo la lluvia”.
Clip con imagen de plantilla: la misma tienda, ahora bajo la lluvia.
Cómo escribir buenos prompts
Las siguientes indicaciones proceden de la guía de prompts de Google para Omni Flash. Lo mejor es que escribas tus prompts en inglés (más sobre esto en el último apartado).
- Pide una sola toma: si no le dices nada, el modelo tiende a montar varias tomas seguidas. Si quieres una escena continua, añade “In a single continuous shot” o “No scene cuts”.
- Describe el sonido: de lo contrario, Omni elige por su cuenta una pista de audio adecuada. La música tienes que pedirla expresamente, por ejemplo con “Include calm background music”. Si no quieres que hable nadie, ayuda “No dialogue”.
- Indica los momentos: puedes fijar cuándo ocurre algo. Sirve tanto el lenguaje normal (“After 3 seconds …”) como las marcas de tiempo del tipo [0-5s].
- Excluye directamente lo que no quieres: el modelo no tiene un campo aparte para prompts negativos. Escribe las prohibiciones sin más en el prompt.
- Indica el texto en pantalla: los carteles o rótulos salen mejor si pones las palabras exactas entre comillas.
Tres ejemplos para adaptar:
Escena tranquila de una sola toma con sonido ambiente
In a single continuous shot, a ceramic mug of coffee steams on a wooden table next to a rain-streaked window. The camera slowly pushes in. Sound design: soft rain, a distant tram bell. No dialogue, no music.
Secuencia con marcas de tiempo (15 segundos)
[0-5s] A cyclist rides along a foggy lakeside path at dawn. [5-10s] She stops and takes a thermos from her bag. [10-15s] Wide shot: the sun breaks through the fog over the lake. Calm acoustic guitar music throughout.
Clip de producto con rótulo legible (formato vertical)
A slow rotating shot of a matte green water bottle on a white pedestal, soft studio light. A small sign next to it says: "Refill. Repeat." Upbeat, minimal electronic music. No scene cuts, no people.
Para el clip de producto puedes subir una foto propia como imagen de plantilla. Así la botella del vídeo se parece mucho más al original.
Dónde están los límites del modelo
- Idioma: según Google, solo el inglés está probado por completo. Los prompts en otros idiomas pueden funcionar, pero los resultados varían más.
- Personas en las plantillas: Google rechaza las fotos de determinadas personas reconocibles. Tampoco se aceptan imágenes en las que aparezcan menores en el Espacio Económico Europeo, Suiza y el Reino Unido.
- Filtro de contenido: Google revisa el prompt y el vídeo terminado. Lo que incumple las políticas de Google se bloquea. ChatX no puede influir en ello.
- Motivos difíciles: la propia Google menciona las escenas deportivas rápidas y la física compleja como ámbitos en los que todavía se está trabajando.
- Alta resolución: 1080p y 4K se obtienen por reescalado. Así que no contienen necesariamente más detalle que 720p.