Prompts para Gemini Omni 1.2 Flash: 7 reglas y 9 ejemplos

👁 113 lecturas

Gemini Omni 1.2 Flash comprende instrucciones naturales y, a primera vista, no exige ninguna sintaxis técnica complicada. Sin embargo, tras probar 24 clips el día de su estreno (el 5 de noviembre de 2026), he comprobado que varios hábitos marcan una gran diferencia: una frase específica para evitar cortes de montaje, acotar los diálogos entre comillas y ajustar la duración en segundos a la longitud real del texto. A continuación recopilo las pautas clave de la documentación de Google, mis propias conclusiones de uso y nueve órdenes listas para copiar.

Siete reglas que funcionan

1. Exige una toma continua. Google indica claramente que el modelo tiende a introducir cortes de montaje por su cuenta. La indicación «una sola toma continua, sin cortes» (en inglés, «a single continuous shot») es la vía más fiable para que la cámara mantenga la fluidez de principio a fin. Sin ella, en una escena con tres interlocutores obtuve cortes directos hacia quien hablaba; al añadirla, la cámara orbitó de forma fluida y continua alrededor del grupo.
2. Describe el movimiento de cámara como a un operador de rodaje. Especifica de dónde parte, qué elementos rebasa y en qué punto exacto frena. Por ejemplo: «El dron desciende en picado entre los bloques de pisos, sobrevuela la zona infantil y entra por la puerta» produjo un vuelo continuo y consistente de 15 segundos.
3. Diálogos entre comillas, con personaje e idioma definidos. Escribe descripciones claras como: «El primero, con gorra plana, dice en polaco con tono de queja: …». Si omites el idioma explícito, el modelo suele asumir el inglés por defecto para el audio vocal.
4. Calcula bien el metraje según la extensión del texto. Como pauta general, calcula unos dos segundos por cada frase corta. En una prueba de 6 segundos, dos intervenciones no tuvieron margen suficiente y el sistema cortó la locución a la mitad.
5. Incluye los elementos no deseados en el cuerpo del texto. Omni no ofrece un campo específico para prompt negativo. Debes integrarlo en la redacción: «sin subtítulos ni letreros», «no dialogue» o «sin efectos de sonido adicionales». Suele responder bien, aunque no siempre: en mis pruebas, los dorsales en camisetas de voleibol aparecieron pese a haber pedido expresamente eliminarlos.
6. Estructura la línea temporal de la escena. Google recomienda recurrir a marcadores temporales o fórmulas como «a los 3 segundos…», así como etiquetas del tipo [0-5s]. Resulta especialmente práctico en secuencias de 10 a 15 segundos donde suceden varios hitos sucesivos.
7. Detalla el sonido con precisión. La música no siempre surge de forma adecuada sin guía. Indicaciones como «música acústica suave», «base de hip-hop contundente» o «el chisporroteo de la comida en la parrilla» generaron exactamente el ambiente sonoro buscado.

Qué conviene evitar

• Menores de edad en plano. Una orden con niños jugando al balón fue rechazada de inmediato por los filtros de seguridad. Al sustituir a los niños por personas jubiladas, la generación concluyó sin problemas.
• Platós de televisión con presentadores. Registré dos denegaciones sucesivas sin mensaje aclaratorio detallado. En cambio, ubicar a una profesora en un aula escolar se aprobó a la primera.
• Marcas registradas y logotipos reales. Plataformas de pruebas como Segmind han experimentado bloqueos habituales por derechos de propiedad intelectual en estos casos. Mencionar nombres de cadenas comerciales dentro de una línea de diálogo se procesó correctamente, pero evité solicitar logotipos en fachadas o carteles.
• Etiquetas obsoletas de versiones previas. La documentación desaconseja utilizar marcadores al estilo de <FIRST_FRAME>. La función de una imagen de referencia debe describirse con lenguaje natural: «la misma escena y las mismas personas que aparecen en la imagen».

Nueve prompts listos para copiar

Cada una de estas instrucciones generó un clip válido en resolución 720p en mis pruebas de API. La duración figura entre paréntesis. Probé los diálogos y escenarios en polaco para analizar la respuesta del modelo ante lenguas no anglosajonas; aquí tienes la traducción adaptada al español de cada prompt original de prueba.

1. Vuelo FPV en una sola toma (15 s)

(Traducción del prompt probado originalmente en polaco)
Una sola toma continua en dron FPV, sin cortes: comienza a gran altura sobre un barrio residencial de bloques prefabricados al atardecer, el dron desciende en picado entre los edificios, pasa a baja altura sobre una estructura de juego infantil y un banco con dos jubilados, entra por la puerta abierta de un comedor tradicional ("bar mleczny"), avanza rasante sobre el mostrador de comida y se detiene frente a un señor mayor que toma sopa y levanta la mirada hacia la cámara. Sonido ambiente natural: viento, rumor del vecindario, tintineo de platos. Sin subtítulos ni letreros.

2. Giro de cámara en torno a un personaje (6 s)

(Traducción del prompt probado originalmente en polaco)
La cámara realiza un giro suave de 360 grados alrededor de una mujer mayor que vende manzanas en un puesto callejero en una plaza de mercado en una mañana de octubre. La mujer sonríe y se recoloca el pañuelo en la cabeza. Escala constante del sujeto, sin cortes de edición. Murmullo de mercado al fondo. Sin rótulos ni texto en pantalla.

3. Diálogo entre dos personas (8 s; en 6 s se corta)

(Traducción de la instrucción probada originalmente en polaco)
Dos vecinos de unos cincuenta años en la parcela de un jardín comunitario junto a una barbacoa. El primero, con gorra plana, le reprocha en polaco (traducción del original en polaco: "¡Te dije que la salchicha tenía que ser de Biedronka, no de Lidl!"). El segundo, con gafas, responde con calma en polaco (traducción del original en polaco: "Te lo comerás y no te quejarás"). Movimiento labial nítido, voces naturales, chisporroteo de la parrilla.

4. Tres personas a la mesa (10 s)

(Traducción de la instrucción probada originalmente en polaco)
Cena de Nochebuena en un piso familiar, mesa servida con platos tradicionales y árbol de Navidad al fondo. Tres personas conversan en polaco, cada una con un tono y timbre de voz diferente. La abuela pregunta (traducción del original en polaco: "¿Quién se ha comido la última empanadilla?"). El nieto adolescente, con la boca llena (traducción del original en polaco: "¡Yo no, lo juro!"). La madre se ríe (traducción del original en polaco: "Tienes una empanadilla en la barbilla"). Sincronía labial precisa en cada sujeto; la cámara desplaza con fluidez el foco de atención hacia la persona que toma la palabra.

5. Una persona mirando a cámara (8 s)

(Traducción de la instrucción probada originalmente en polaco)
Una profesora de historia, de unos 40 años, con jersey y gafas, de pie frente a la pizarra de una clase de colegio sin alumnos visibles en el encuadre. Mira fijamente a cámara y pronuncia con claridad en polaco (traducción del original en polaco: "Batalla de Grunwald, año mil cuatrocientos diez. Apuntáoslo bien, que el viernes hay examen sorpresa"). Sincronización labial exacta, entonación natural, una sola toma continua con un ligero acercamiento suave de cámara.

6. Plano publicitario de producto (8 s)

(Traducción del prompt probado originalmente en polaco)
Anuncio de producto: un tarro de cristal con pepinillos encurtidos caseros con eneldo y ajo, situado sobre una mesa de madera rústica en una cocina de campo iluminada por la luz matinal de la ventana. La cámara orbita despacio alrededor del envase, la mano de una señora mayor desenrosca la tapa, vaho y gotas de salmuera a cámara lenta, y se extrae un pepinillo con un tenedor. Tonos cálidos, profundidad de campo reducida, suave melodía acústica de fondo. Sin etiquetas comerciales ni texto impreso.

7. Estilo anime (8 s)

(Traducción del prompt probado originalmente en polaco)
Animación de estilo cinematográfico tradicional dibujado a mano: un tranvía nocturno circula por la ciudad bajo la lluvia; en su interior, una estudiante de instituto con auriculares observa a través de la ventanilla empañada las luces urbanas, con reflejos de neones sin letras legibles sobre el asfalto mojado. La cámara se desliza con suavidad desde el exterior del tranvía hacia el habitáculo interior atravesando el cristal. Rumor sutil de lluvia y traqueteo metálico de las ruedas.

8. Vídeo vertical en formato reel (8 s, 9:16)

(Traducción del prompt probado originalmente en polaco)
Reel vertical: una joven bailarina con sudadera holgada y pantalones anchos baila hip-hop en la azotea de un edificio urbano durante la puesta de sol. La cámara en mano se mueve ágil a su alrededor mientras el viento agita su pelo; al final, detiene el movimiento y mira directamente al objetivo. Base rítmica potente de hip-hop, sin texto sobreimpreso.

9. Secuencia deportiva (6 s, con limitaciones)

(Traducción del prompt probado originalmente en polaco)
Partido de voleibol en pabellón cubierto, jugadores con equipación deportiva blanca y roja completamente lisa, sin números ni logotipos comerciales. Un jugador salta en suspensión para rematar con fuerza, impacto seco del balón contra el bloqueo defensivo, la pelota cae al suelo y los aficionados estallan en aplausos y vítores. Cámara dinámica desde el lateral de la pista, sonido del golpeo al balón y clamor de la grada.

La acción y el movimiento resultaron impecables visualmente, aunque la indicación explícita de omitir números en las camisetas no fue respetada por la red neuronal.

Configuraciones recomendadas para empezar

• Borrador preliminar: 360p, clips de entre 5 y 8 segundos con semilla fija. En la API oficial tiene un coste aproximado de 0,02 USD (unos 0,018 EUR al cambio de referencia del BCE a fecha 5 de noviembre de 2026; fuente: BCE) por segundo.
• Versión final de difusión: 720p. Ofrece un equilibrio perfecto de nitidez y coste para formatos web y redes sociales.
• Opciones en 1080p y 4K: corresponden a procesos de reescalado posterior. Si cambias el parámetro de resolución en proveedores externos, se suele generar una pieza completamente nueva desde cero en vez de aumentar el clip original; por tanto, conviene elegir la toma definitiva en 720p y escalar posteriormente mediante una herramienta dedicada.

Puedes consultar el desglose detallado de tarifas en el artículo sobre cuánto cuesta Gemini Omni 1.2, examinar las métricas de generación en nuestra prueba de 24 clips y revisar la visión global de la herramienta en el hub de Gemini Omni Flash.

// sigue leyendoEstudiar física con IA: Gemini, ChatGPT y un ejemplo resueltoBenchmarksGemini Omni 1.2 vs 1.1: comparativa con los mismos promptsBenchmarksPrecios de Gemini Omni 1.2 Flash: coste por segundo de 360p a 4KHerramientas de IA

Kinetyra