O gerador de vídeo do ChatX tem um modelo novo: o Gemini Omni 1.2 Flash, do Google. Ele cria clipes de até 15 segundos de uma vez só, sempre com som. O Google liberou o modelo para todos em 5 de novembro de 2026. Aqui você vê o que ele faz, quantos tokens custa um clipe e como escrever seus prompts para o resultado sair do jeito que você quer.
O essencial em poucas palavras
- Duração: de 3 a 15 segundos por clipe, em passos de um segundo. O antecessor, Omni 1.1, chegava a no máximo 10 segundos.
- Som: fala, ruídos e música são gerados junto com a imagem. Não existe vídeo sem trilha de áudio.
- Resolução: 360p, 720p, 1080p e 4K. Os dois níveis mais altos são obtidos por upscaling.
- Formato: horizontal 16:9 ou vertical 9:16, 24 quadros por segundo, em MP4.
- Entrada: um texto, uma imagem inicial ou imagem inicial e final. Com duas imagens, o máximo é de 10 segundos.
- Imagens de referência: até seis imagens mantêm um personagem ou um produto igual durante o clipe inteiro.
- Identificação: todo vídeo leva a marca-d’água invisível SynthID, que permite reconhecer vídeos feitos por IA.
Segundo o anúncio do Google, os diálogos soam mais naturais e os lábios acompanham melhor a fala do que antes. Além disso, o modelo é 30% mais barato que o Omni 1.1.
Do Veo ao Omni
Quem já trabalhou com os modelos de vídeo do Google conhece o nome Veo. Na Gemini API, o Omni assumiu esse papel:
- 30 de junho de 2026: o Omni Flash sai em prévia, com clipes de até 10 segundos em 720p.
- 27 de agosto de 2026: o Omni 1.1 Flash fica disponível para todos e traz imagem inicial e final, além de resoluções de até 4K.
- 22 de outubro de 2026: o Google desativa o Veo 3.1 na Gemini API e aponta o Omni como sucessor.
- 5 de novembro de 2026: chega o Omni 1.2 Flash, com 15 segundos, até seis imagens de referência e preço menor.
Quanto custa um clipe no ChatX
Você encontra o Gemini Omni 1.2 Flash no gerador de vídeo, ao lado do Seedance 2.5, Kling 4.0, Wan 3.0, MiniMax H3 Max e HeyGen Video 1. Para usar, você precisa de uma conta gratuita. A cobrança é por segundo de vídeo, e o valor depende da resolução.
| Resolução | Tokens por segundo | Clipe de 10 segundos |
|---|---|---|
| 360p | cerca de 5.700 | cerca de 57.000 |
| 720p | 17.000 | 170.000 |
| 1080p | 25.500 | 255.000 |
| 4K | 51.000 | 510.000 |
Um clipe com os 15 segundos completos em 720p custa, portanto, 255.000 tokens. Nossa dica: teste a ideia primeiro em 360p. Custa um terço e já mostra se a composição, o movimento e o som estão certos. Só quando o prompt estiver afinado vale a pena subir a resolução.
Nosso teste com três clipes curtos
Testamos três tipos de entrada: texto, imagem inicial e imagem de referência, cada um com 3 segundos em 360p. É a configuração mais barata e custa cerca de 17.000 tokens por clipe.
| Entrada | Pedido | Tempo de espera |
|---|---|---|
| só texto | pipa vermelha de papel sobre um campo | 24 segundos |
| imagem inicial | a câmera avança em direção à vitrine de uma livraria, a porta da loja se abre | 28 segundos |
| imagem de referência | a mesma livraria em uma noite chuvosa, pessoas com guarda-chuvas passam em frente | 27 segundos |
Os três clipes vieram com trilha de áudio. Com a imagem inicial, o vídeo começa exatamente na foto enviada: a câmera se aproxima, a porta da loja se abre e a lousa de giz com o texto em alemão “Lesung heute um 19 Uhr, Eintritt frei” (leitura hoje às 19h, entrada gratuita) continua legível, letra por letra.
Clipe com imagem inicial: 3 segundos, 360p, com som. A imagem da livraria vem do nosso teste do Nano Banana 2.1.
Com a imagem de referência, o modelo monta a cena do zero. A loja, o letreiro e a lousa de giz foram mantidos, e entraram a chuva, o calçamento molhado e pedestres com guarda-chuvas. Alguns detalhes se perderam, como o banco em frente à porta. O importante é descrever com clareza: “chove forte, calçamento molhado” funciona melhor do que apenas “na chuva”.
Clipe com imagem de referência: a mesma loja, agora na chuva.
Como escrever bons prompts
As dicas a seguir vêm do guia de prompts do Google para o Omni Flash. O ideal é escrever seus prompts em inglês (mais sobre isso na última seção).
- Peça um único plano: sem orientação, o modelo gosta de juntar vários planos com cortes. Se você quer uma cena contínua, acrescente “In a single continuous shot” ou “No scene cuts”.
- Descreva o som: caso contrário, o Omni escolhe sozinho uma trilha de áudio adequada. Música precisa ser pedida de forma explícita, por exemplo “Include calm background music”. Se ninguém deve falar, “No dialogue” ajuda.
- Indique os momentos: você pode definir quando algo acontece. Dá para fazer isso em linguagem comum (“After 3 seconds …”) ou com marcações de tempo como [0-5s].
- Exclua o que não quer direto no texto: o modelo não tem um campo separado para prompts negativos. Escreva as proibições no próprio prompt.
- Informe o texto que aparece na imagem: placas e letreiros na tela têm mais chance de dar certo quando você coloca as palavras exatas entre aspas.
Três exemplos para adaptar:
Cena única e tranquila com ruídos
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.
Sequência com marcações de tempo (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.
Clipe de produto com texto legível (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 o clipe de produto, você pode enviar uma foto sua como imagem de referência. Assim a garrafa do vídeo fica bem mais próxima da original.
Onde o modelo chega ao limite
- Idioma: segundo o Google, só o inglês foi testado por completo. Prompts em outros idiomas podem funcionar, mas os resultados variam mais.
- Pessoas nas imagens de referência: o Google recusa fotos de pessoas específicas e reconhecíveis. Imagens em que aparecem menores de idade também não são aceitas no Espaço Econômico Europeu, na Suíça e no Reino Unido.
- Filtro de conteúdo: o Google analisa o prompt e o vídeo pronto. O que viola as diretrizes do Google é bloqueado. O ChatX não tem como interferir nisso.
- Cenas difíceis: o próprio Google cita cenas rápidas de esporte e física complexa como áreas em que ainda está trabalhando.
- Alta resolução: 1080p e 4K são gerados por upscaling. Ou seja, não há necessariamente mais detalhes na imagem do que em 720p.