Gemini Omni 1.2 Flash: prueba a fondo, 15 segundos sin cortes

👁 113 lecturas

El primer clip de Gemini Omni 1.2 Flash que realmente me sorprendió dura 15 segundos y no tiene ni un solo corte. Un dron despega sobre bloques de pisos al atardecer, desciende entre ellos, pasa sobre un batidor de alfombras, cruza la puerta de un bar de menús tradicionales y se detiene frente a un señor mayor con un plato de sopa. El hombre levanta la vista y dice «Buenos días (traducción del original polaco)» (buenos días). Esa frase no estaba en el prompt. El modelo decidió por su cuenta que era lo más natural.

Google lanzó Omni 1.2 Flash el 5 de noviembre de 2026. Al caer la noche ya había generado 24 clips: nueve escenas de demostración, una comparativa con cinco competidores, una escala de resoluciones desde 360p hasta 4K y varios intentos fallidos. En total gasté unos 11,60 EUR (13,02 USD; tipo de cambio de referencia del BCE a 05/11/2026: 1 EUR = 1,1224 USD, fuente: https://www.ecb.europa.eu/stats/eurofxref/eurofxref-daily.xml). Este artículo es una muestra directa de sus capacidades, sin tablas. Las cifras y comparativas detalladas van en publicaciones independientes, y todo el material agrupado se encuentra en el hub de Gemini Omni Flash.

Quince segundos en una sola toma

Este es el cambio más relevante en la versión 1.2. El modelo anterior se quedaba en 10 segundos; ahora puedes ajustar la duración segundo a segundo, de 3 a 15. No obstante, el tiempo no lo es todo. En vídeos largos, los modelos generativos más antiguos tienden a «respirar»: el fondo muta, el rostro del personaje cambia o la cámara da saltos bruscos. En este vuelo, el edificio mantiene su estructura de principio a fin, el interior del local es coherente y el comensal sentado a la mesa es el mismo hombre en cada fotograma.

Un apunte práctico: la primera versión de este prompt incluía a unos niños jugando al fútbol entre los bloques. El modelo la rechazó al instante, sin coste alguno. Tras sustituir a los niños por dos jubilados en un banco, el clip se generó sin problemas. La documentación de Google advierte de filtros más estrictos con menores de edad; si una petición da error de inmediato, suele deberse a este motivo.

Conversación entre tres personas en polaco

Cena de Nochebuena, sopa de remolacha tradicional, empanadillas y árbol de Navidad. Tres personas, tres frases en polaco, cada una con una voz diferente. La abuela pregunta quién se ha comido la última empanadilla, el adolescente lo niega con la boca llena y la madre se ríe al ver que tiene un resto en la barbilla. Pasé el archivo de audio por un reconocedor de voz y transcribió exactamente las líneas indicadas en el prompt. Además, la cámara enfoca de forma autónoma a quien tiene el turno de palabra.

Google señala oficialmente que solo el inglés ha sido evaluado en profundidad y que el resto de idiomas «no han sido calibrados». En estas pruebas, el polaco funcionó con un nivel notable, aunque no perfecto en cada toma. El análisis técnico frente a Veo, Wan, Seedance y Kling se detalla en el artículo sobre sincronización labial en idiomas no ingleses.

Anuncio de producto en una cocina rústica

Un tarro de pepinillos en salmuera sobre una mesa de madera, luz matinal entrando por la ventana y una mano desenroscando la tapa. Este tipo de planos de producto encaja a la perfección con la generación de vídeo económica: creas varias alternativas, eliges la mejor y la montas en la campaña. Omni mantuvo la geometría del frasco estable durante todo el plano; el eneldo y la pimienta se ven realistas y de fondo suena la guitarra suave solicitada en la instrucción.

Estilo anime en un tranvía nocturno

Quería comprobar si el modelo estaba atado exclusivamente al fotorrealismo. Un tranvía nocturno en Varsovia bajo la lluvia, una estudiante con auriculares junto a la ventanilla empañada. El resultado recuerda a producciones cinematográficas de anime: iluminación suave, gotas sobre el cristal y reflejos en el asfalto mojado. La cámara pasa del exterior al interior del tranvía con absoluta fluidez.

Giro de cámara completo en un puesto de mercado

Mercado de Kleparz en Cracovia, octubre, un puesto de manzanas. Pedí un giro de 360 grados alrededor de la vendedora sin cortes y manteniendo la escala corporal constante. Es una de las mejoras destacadas por Google en la versión 1.2 y respondió bien: la cámara rodea a la mujer, pasa por detrás de su espalda y vuelve a encuadrar su rostro. En comparación con las alternativas del mercado, fue el paneo más limpio entre los seis modelos evaluados. Analizo la cinemática a fondo en el artículo sobre movimiento de cámara en Omni 1.2.

Formato vertical 9:16 y clase en el aula

La relación de aspecto 9:16 para redes sociales funciona igual de bien que la panorámica y tiene la misma tarifa. Una bailarina sobre la azotea de un bloque en Łódź al atardecer, cámara en mano orbitando a su alrededor; al final, la chica se detiene y mira directamente a la lente, tal como indicaba la instrucción.

En otra prueba, una profesora de historia junto a la pizarra habla sobre la batalla de Grunwald y anuncia un examen sorpresa. El diálogo solicitado en polaco se articuló por completo, pronunciando el año «mil cuatrocientos diez (traducción del original polaco)» (mil cuatrocientos diez) de manera impecable. El propio modelo escribió con tiza en la pizarra «Grunwald 1410». Como apunte curioso: al intentar generar una presentadora del tiempo en un plató con una descripción similar, Omni rechazó la orden dos veces, sin coste y sin detallar el motivo.

Dónde falló el modelo

Una prueba real debe reflejar los errores; estos son los tres tropiezos más claros durante la sesión:

• Voleibol de alta velocidad. La propia Google advierte de que el deporte rápido sigue siendo un reto. El remate y el bloqueo son comprensibles y el público reacciona bien, pero los jugadores aparecen con dorsales en las camisetas a pesar de haber pedido explícitamente que no llevaran números.
• Cambio estacional a partir de una imagen. Introduje una fotografía de una parcela de jardín en verano pidiendo convertir la escena al invierno. El modelo devolvió exactamente el mismo encuadre estival, sin rastro de nieve. La referencia visual tuvo más peso que la orden escrita.
• Edición de vídeo existente. La edición conversacional sobre clips es una de las grandes novedades anunciadas, pero a través del proveedor API utilizado no fue posible ejecutarla. Cinco intentos se saldaron con cinco errores de sistema. Explico este comportamiento en el artículo sobre edición de vídeo mediante conversación. Ten en cuenta que la edición de clips propios subidos presenta además limitaciones regulatorias en el EEE, Suiza y el Reino Unido.

Cómo realicé las pruebas

Todos los vídeos se procesaron a través de la API en OpenRouter con el identificador google/gemini-omni-1.2-flash, resolución de 720p con audio y la misma semilla aleatoria. En este experimento redacté los prompts solicitando diálogos en polaco para comprobar su comportamiento multilingüe fuera del inglés estándar. Un clip de 6 segundos tardó entre 45 y 55 segundos en generarse, mientras que la toma de 15 segundos requirió 81 segundos. Los intentos bloqueados por moderación no generaron coste. Tienes los textos adaptados para probar en el análisis de prompts para Gemini Omni 1.2 y el desglose de costes por segundo frente a la competencia en el estudio sobre el precio de Gemini Omni 1.2.

// sigue leyendoGemini 4 Argon para programar: pruebas y benchmarksBenchmarksGemini 4 Argon inventa fuentes: prueba con 16 publicacionesBenchmarksHaiku 5.5 vs GPT-6 Luna vs Gemini 3.8 Flash: qué modelo elegirBenchmarks

Kinetyra