Nel generatore video di ChatX c’è un nuovo modello tra cui scegliere: Gemini Omni 1.2 Flash di Google. Genera clip fino a 15 secondi in un’unica ripresa, sempre con l’audio. Google lo ha reso disponibile per tutti il 5 novembre 2026. Qui trovi che cosa sa fare, quanti token costa una clip e come scrivere i prompt per ottenere il risultato che vuoi.
L’essenziale in breve
- Durata: da 3 a 15 secondi per clip, a passi di un secondo. Il predecessore Omni 1.1 arrivava al massimo a 10 secondi.
- Audio: parlato, rumori e musica nascono insieme alle immagini. Un video senza traccia audio non è previsto.
- Risoluzione: 360p, 720p, 1080p e 4K. I due livelli più alti sono ottenuti con l’upscaling.
- Formato: orizzontale 16:9 o verticale 9:16, 24 fotogrammi al secondo, in MP4.
- Input: un testo, un’immagine iniziale oppure immagine iniziale e finale. Con due immagini si arriva al massimo a 10 secondi.
- Immagini di riferimento: fino a sei immagini mantengono uguale un personaggio o un prodotto per tutta la clip.
- Marcatura: ogni video contiene la filigrana invisibile SynthID, che permette di riconoscere i video creati con l’AI.
Secondo l’annuncio di Google, i dialoghi suonano più naturali e il labiale segue il parlato meglio di prima. Inoltre il modello costa il 30 per cento in meno rispetto a Omni 1.1.
Da Veo a Omni
Chi finora ha lavorato con i modelli video di Google conosce il nome Veo. Nella Gemini API quel ruolo è passato a Omni:
- 30 giugno 2026: Omni Flash esce in anteprima, con clip fino a 10 secondi in 720p.
- 27 agosto 2026: Omni 1.1 Flash diventa disponibile per tutti e porta immagine iniziale e finale, oltre a risoluzioni fino al 4K.
- 22 ottobre 2026: Google disattiva Veo 3.1 nella Gemini API e indica Omni come successore.
- 5 novembre 2026: arriva Omni 1.2 Flash con 15 secondi, fino a sei immagini di riferimento e un prezzo più basso.
Quanto costa una clip su ChatX
Gemini Omni 1.2 Flash si trova nel generatore video accanto a Seedance 2.5, Kling 4.0, Wan 3.0, MiniMax H3 Max e HeyGen Video 1. Per usarlo ti serve un account gratuito. Il costo si calcola per secondo di video e dipende dalla risoluzione.
| Risoluzione | Token al secondo | Clip da 10 secondi |
|---|---|---|
| 360p | circa 5.700 | circa 57.000 |
| 720p | 17.000 | 170.000 |
| 1080p | 25.500 | 255.000 |
| 4K | 51.000 | 510.000 |
Una clip da 15 secondi pieni in 720p costa quindi 255.000 token. Il nostro consiglio: prova prima un’idea in 360p. Costa un terzo e ti fa capire se composizione, movimento e audio funzionano. La risoluzione più alta conviene solo quando il prompt è a punto.
La nostra prova con tre clip brevi
Abbiamo provato tre tipi di input: testo, immagine iniziale e immagine di riferimento, ogni volta con 3 secondi in 360p. È l’impostazione più economica e costa circa 17.000 token per clip.
| Input | Richiesta | Attesa |
|---|---|---|
| solo testo | aquilone rosso di carta sopra un prato | 24 secondi |
| immagine iniziale | la camera avanza verso la vetrina di una libreria, la porta del negozio si apre | 28 secondi |
| immagine di riferimento | la stessa libreria in una sera di pioggia, passano persone con l’ombrello | 27 secondi |
Tutte e tre le clip sono arrivate con la traccia audio. Con l’immagine iniziale il video parte esattamente dalla foto caricata: la camera si avvicina, la porta del negozio si apre e la lavagnetta con la scritta in tedesco «Lesung heute um 19 Uhr, Eintritt frei» (lettura oggi alle 19, ingresso libero) resta leggibile lettera per lettera.
Clip con immagine iniziale: 3 secondi, 360p, con audio. L’immagine della libreria viene dalla nostra prova di Nano Banana 2.1.
Con l’immagine di riferimento il modello ricostruisce la scena da capo. Negozio, insegna e lavagnetta sono rimasti, in più sono arrivati la pioggia, il selciato bagnato e i passanti con l’ombrello. Qualche dettaglio si è perso, per esempio la panchina davanti alla porta. Conta una descrizione chiara: «piove forte, selciato bagnato» funziona meglio di un semplice «sotto la pioggia».
Clip con immagine di riferimento: lo stesso negozio, ora sotto la pioggia.
Come scrivere buoni prompt
Le indicazioni che seguono vengono dalla guida ai prompt di Google per Omni Flash. Meglio scrivere i prompt in inglese (ne parliamo nell’ultima sezione).
- Chiedi un’unica inquadratura: se non lo specifichi, il modello tende a montare insieme più inquadrature. Se vuoi una scena continua, aggiungi «In a single continuous shot» oppure «No scene cuts».
- Descrivi l’audio: altrimenti Omni sceglie da solo una traccia adatta. La musica va chiesta espressamente, per esempio con «Include calm background music». Se non deve parlare nessuno, basta «No dialogue».
- Indica i tempi: puoi stabilire quando succede qualcosa. Lo fai con una frase normale («After 3 seconds …») oppure con marcatori temporali come [0-5s].
- Escludi subito ciò che non vuoi: il modello non ha un campo a parte per i prompt negativi. Scrivi i divieti direttamente nel prompt.
- Indica il testo nell’immagine: insegne o scritte in sovrimpressione riescono meglio se riporti le parole esatte tra virgolette.
Tre esempi da adattare:
Scena singola e tranquilla con rumori
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.
Sequenza con marcatori temporali (15 secondi)
[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 di prodotto con scritta leggibile (formato verticale)
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.
Per la clip di prodotto puoi caricare una tua foto come immagine di riferimento. Così nel video la bottiglia resta molto più vicina all’originale.
Dove il modello mostra i suoi limiti
- Lingua: secondo Google solo l’inglese è stato testato a fondo. I prompt in altre lingue possono funzionare, ma i risultati sono più altalenanti.
- Persone nelle immagini di riferimento: Google rifiuta le foto di persone specifiche e riconoscibili. Anche le immagini in cui compaiono minori non vengono accettate nello Spazio economico europeo, in Svizzera e nel Regno Unito.
- Filtro dei contenuti: Google controlla sia il prompt sia il video finito. Ciò che viola le sue linee guida viene bloccato. Su questo ChatX non ha alcun potere.
- Soggetti difficili: le scene sportive veloci e la fisica complessa sono ambiti su cui, per ammissione della stessa Google, si sta ancora lavorando.
- Alta risoluzione: 1080p e 4K nascono dall’upscaling. Non è detto quindi che contengano più dettagli rispetto al 720p.