Przejdź do treści

Gemini Omni 1.2 Flash: wideo AI od Google do 15 sekund i 30% taniej

Adam Marzec
Okładka: Gemini Omni 1.2 Flash, pomarańczowa pieczątka GA 5.11.2026, biała karta z liczbami: 0,07 USD za sekundę wideo 720p, klipy 3-15 sekund, cena za milion tokenów wideo niższa o 31 procent niż w wersji 1.1; odczyty dokumentacji i cennika z 7 listopada 2026

5 listopada Google wypuściło Gemini Omni 1.2 Flash, pierwszy ogólnodostępny model rodziny Omni, która buduje wideo jak rozmowę: generujesz klip, a potem poprawiasz go kolejnymi zdaniami, zamiast zaczynać od nowa. Nowa wersja robi ujęcia do 15 sekund z natywnym dźwiękiem, lepiej trzyma postacie i produkty między kadrami, a przy okazji obniża cenę API o mniej niż jedną trzecią: sekunda wideo 720p kosztuje teraz około 0,07 USD, czyli około 1,04 USD za pełny piętnastosekundowy klip. Ciszej w ogłoszeniu brzmi fakt, że Omni przejmuje po Veo rolę modelu wideo w Gemini API, bo podgląd Veo 3.1 Google wyłączył już 22 października. Ten tekst rozkłada ceny i limity na fakty z dokumentacji odczytanej 7 listopada, pokazuje, co dokładnie zmieniło się wobec wersji 1.1, i sprawdza, ile z tego realnie działa w Polsce.

Najważniejsze informacje

CoSzczegóły
PremieraGemini Omni 1.2 Flash, ogłoszenie blog.google z 5.11.2026, dostępny ogólnie w Gemini API i Google Cloud
Długość klipu3 do 15 sekund co do sekundy (domyślnie 10 s), 24 klatki/s, proporcje 16:9 albo 9:16
Rozdzielczości360p, 720p (domyślna), 1080p i 4K przez upscaling
Cena wideook. 0,07 USD za sekundę 720p (5 792 tok./s przy 12 USD za mln); 360p: 0,023 USD/s; 1080p: 0,104 USD/s; 4K: 0,209 USD/s (odczyt cennika 7.11.2026)
Pozostałe cenywejście 1,50 USD za mln tokenów; wyjście: 9 USD tekst, 12 USD wideo za mln (w wersji 1.1 wideo kosztowało 17,50 USD)
Darmowa warstwa APIBrak, cennik przewiduje wyłącznie tier płatny (odczyt 7.11.2026)
Veo 3.1 w APIPreview wyłączone 22.10.2026; pełne Veo 3.1 zostaje w Gemini Enterprise Agent Platform
Znak wodnySynthID w każdym klipie, niewidoczny gołym okiem, wykrywalny programowo

Co to jest Omni i skąd ta nazwa

Omni to rodzina modeli DeepMind zapowiedziana 19 maja 2026 z hasłem „create anything from anything”, czyli twórz cokolwiek z czegokolwiek. Założenie brzmi marketingowo, ale opisuje konkretną różnicę architektoniczną: zamiast łańcucha osobnych modeli, w którym jeden zamienia zdjęcie na opis, drugi opis na scenę, a trzeci dokłada dźwięk, Omni ma przetwarzać tekst, obrazy i wideo jednym przejściem i od razu zwracać obraz z zsynchronizowaną mową. Jeden z komentujących na Hacker News tłumaczył to porównaniem: model z osobnym kodowaniem obrazu czyta opis zdjęcia, nie samo zdjęcie, więc w detalach zawsze coś gubi. Jak głęboko ta idea sięga w architekturę, z zewnątrz nie zweryfikujemy, ale efekt na powierzchni jest wymierny: synchroniczny dźwięk i lip-sync wychodzą z generowania, nie są doklejane później osobnym narzędziem.

Nazewnictwo Google rozszyfruje się po kolei. Omni to rodzina, Flash oznacza wariant szybki i tani, a liczby wersji prowadzą przez krótką historię: podgląd gemini-omni-flash-preview został zamknięty, wersja 1.1 zadebiutowała 27 sierpnia 2026 z klipami 3 do 10 sekund, a 1.2 z 5 listopada wydłuża je do 15 sekund i wychodzi ze statusu podglądu do ogólnej dostępności. Deweloperzy trafiają do modelu przez Interactions API, nowy endpoint do rozmów z multimodalnym modelem, w którym każda tura to polecenie typu „zmień tło na jesienny park” albo „przejdź na pionowe 9:16″, a model podmienia wskazany element, zachowując resztę sceny. Stary adres gemini-omni-1.1-flash ma żyć do 3 grudnia 2026, potem każde żądanie trafi automatycznie do 1.2 z nowym, niższym cennikiem.

Co dokładnie jest nowego w 1.2

Najbardziej odczuwalna zmiana to długość: piętnaście sekund zamiast dziesięciu, z wyborem trwania co do sekundy w zakresie od 3 do 15. Google tłumaczy to narracyjnie: w 15 sekundach mieści się cała mini-reklama albo pełny spot w mediach społecznościowych, a nie jeden kadr. Parametr trwania wygrywa z treścią prompta, więc jeśli napiszesz w opisie „10-sekundowe wideo”, a w konfiguracji ustawisz 15 sekund, model zrobi 15 sekund. Próba ustawienia czegokolwiek powyżej 15 zwraca błąd argumentu.

Edycja rozmową działa teraz na pełnych 15-sekundowych klipach i to na niej Google pokazuje najwięcej przykładów: podmiana produktu albo tła, zmiana światła, pogody czy proporcji kadru, turą po turze, bez ponownego briefu. Model przyjmuje do 6 obrazów referencyjnych, z których trzyma twarze, ubrania, typografię opakowań i kolory marki przez cały klip; do tego dochodzi wideo referencyjne do 3 sekund, jedno dla klipów 11-15 s albo trzy dla krótszych. Z przykładów Google: klip wirtualnej przymiarki z obrotami modelki, spin katalogowy produktu albo reklama marki, w której litery logo nie rozpływają się po pierwszym cięciu. Rozszerzanie ma twarde ograniczenia, o których dokumentacja mówi wprost: doliczasz 3 do 10 sekund na turę do łącznie 30 sekund, doklejanie działa tylko na końcu nagrania, a model patrzy na ostatnie 10 sekund materiału, więc element, który pojawił się wcześniej, może w nowym fragmencie po prostu zniknąć. Interpolacja między pierwszą i ostatnią klatką, czyli podajesz dwa zdjęcia, a model nakręca przejście, ogranicza się do 3-10 sekund.

Trzecia grupa zmian dotyczy dźwięku i kamery: dialogi mają brzmieć naturalniej, lip-sync jest wyraźniejszy, a w wielogłosowych scenach głos trafia do właściwej postaci. Reżyserowane ruchy kamery, od przelotów FPV po najazdy i orbity, mają wychodzić bez przypadkowych cięć. Google uczciwie wylicza też, czego wciąż brakuje: szybkich akcji sportowych, częstych zmian skryptu i złożonej fizyki. Dokumentacja dorzuca do tego listę twardych braków: wgrywanie plików audio i referencji dźwiękowych w obecnej wersji API nie działa, edycji głosu w istniejącym nagraniu nie ma, a wizerunki rozpoznawalnych osób są zablokowane.

Ile kosztuje Gemini Omni 1.2 Flash

Cennik jest tokenowy: rozliczenie idzie za tokeny wyjścia, sekunda wideo 720p to 5 792 tokenów, a przy stawce 12 USD za milion wychodzi około 0,07 USD za sekundę. Pełny piętnastosekundowy klip w 720p kosztuje więc około 1,04 USD, dziesiusekundowy około 0,70 USD. Robienie szkiców w 360p wychodzi 0,023 USD za sekundę, upscaling do 1080p kosztuje 0,104 USD za sekundę, a 4K 0,209 USD, i tu też Google podpowiada workflow oszczędnościowy: szkic powstaje w taniej rozdzielczości, poprawki idą rozmową zamiast regeneracji od zera, a dopiero najlepsze ujęcia lecą w 1080p albo 4K. Za tokeny wejścia płaci się 1,50 USD za milion, a wyjście tekstowe (opisy, plany, dalsze tury) stoi na 9 USD za milion.

Wobec poprzedniej wersji to spadek z 17,50 USD na 12,00 USD za milion tokenów wideo, czyli o 31,4%; Google w ogłoszeniu mówi o 30%, choć arytmetyka cennika daje 31,4%. Darmowej warstwy API nie ma, cennik przewiduje wyłącznie tier płatny, więc pierwszy klip wymaga podpiętej metody płatności. Klipów na własną rękę nie generowaliśmy, wszystkie liczby w tej sekcji pochodzą z cennika i dokumentacji, nie z pomiaru. Są jednak darmowe ścieżki w produktach: według ogłoszenia Google Vids generuje klipy do 15 sekund bez dodatkowych kosztów dla każdego konta Google albo subskrypcji Workspace, edycję rozmową dostają użytkownicy Flow, a aplikacja Gemini ma rozdawać 15-sekundowe wideo subskrybentom AI Ultra. Interesujący kontrapunkt wypadł na Hacker News: jeden z komentujących zauważył, że w Flow kredytowy koszt 10 sekund w 720p podwoił się z 15 do 30 przy przejściu z 1.1 na 1.2, czyli tańsze API nie musiało przełożyć się na tańszy produkt; to obserwacja użytkownika, nie pozycja z oficjalnej dokumentacji. Jeśli budżet jest zerem, darmowe wejścia u konkurencji, od Klinga po Hailuo, mamy rozpisane w mapie generatorów wideo AI.

Omni a Veo: przejęta posada, nie koniec produktu

Największej zmianie towarzyszy najmniej hałasu. Dokumentacja Gemini API od 22 października 2026 zawiera komunikat, że preview Veo 3.1, wszystkie trzy warianty z „generate” w nazwie, został wyłączony, a deweloperów kieruje do Omni 1.2 Flash albo do pełnych modeli Veo 3.1 w Gemini Enterprise Agent Platform. Inaczej mówiąc: w API dla deweloperów Omni zajął miejsce Veo, ale sam produkt Veo żyje i DeepMind wciąż go osobno reklamuje jako linię „cinematic video”; stracił jeden kanał dystrybucji, nie głowę. Rodzinę Veo z cenami za sekundę i wariantami opisywaliśmy osobno, więc przy przesiadce porównanie masz gotowe: sekunda Veo 3 w API kosztowała od 0,05 do 0,60 USD, a Omni zaczyna od 0,023 USD w 360p.

Po stronie produktów Omni trafia do AI Studio, Google Cloud, Flow, Vids, aplikacji Gemini i Google Ads, w każdym z inną rolą, od prototypu po kampanie reklamowe. Wątek na Hacker News zebrał 350 punktów (odczyt 7 listopada) i większość komentarzy dotyczy nie modelu, a kupowania w Google: jeden użytkownik skarżył się, że mimo aktywnej subskrypcji za 5 USD nie widzi nowszych modeli, inny opisywał miesiące walki z weryfikacją uprawnień do Antigravity w Europie, a trzeci podsumował nazewnictwo słowami, że Google jest dla niego nie do rozgryzienia. To ważny kontekst praktyczny: lista miejsc, w których Omni technicznie działa, nie równa się liście miejsc, w których da się go realnie dostać.

Co z tego dla Polski

Ścieżka aplikacyjna jest w Polsce na dziś zamknięta: Omni 1.2 w aplikacji Gemini ma trafiać do planu AI Ultra, a Ultra wciąż nie ma na polskiej liście planów. Odczyt one.google.com z 7 listopada pokazuje AI Plus za 46,99 zł i AI Pro za 97,99 zł, bez Ultra na końcu; ceny i plany Gemini omawiamy w hubie. Zostaje API z kartą płatniczą, AI Studio w przeglądarce i produkty kontowe typu Vids, którego interfejsu po polsku nie zweryfikowaliśmy, bo stoi za logowaniem.

Dokumentacja przewiduje też ograniczenie regionalne, które trafia dokładnie w nas: dla użytkowników z Europejskiego Obszaru Gospodarczego, Szwajcarii i Wielkiej Brytanii edycja i rozszerzanie wgranych własnych nagrań jest niedostępna, choć obróbka materiałów wygenerowanych przez sam model działa. Czyli w Polsce możesz wygenerować klip i poprawiać go rozmową, ale nie wgrasz własnego filmu z telefonu i nie każesz modelowi dorysować końcówki; w tym samym regionie nie wolno też wgrywać zdjęć z małoletnimi. Do tego dochodzi język: dokumentacja deklaruje pełne wsparcie angielskiego i ostrzega, że innych języków nie oceniano, więc polskie prompty mogą działać, ale bez gwarancji jakości, i to zastrzeżenie trzeba traktować dosłownie, bo pochodzi od producenta. SynthID dokłada się do każdego klipu: znak wodny jest niewidoczny, a wykryć da się go programowo, co przy rozliczeniach z klientami za treści wideo ma znaczenie praktyczne.

Dla deweloperów z kodem na 1.1 migracja sprowadza się do sprawdzenia jednego: czy żadna tura nie opiera się na zachowaniach, których 1.2 nie ma, na przykład na edycji wgranych wideo z regionu EOG, bo właśnie ten wariant dokumentacja wyłączyła. Przekierowanie od 3 grudnia dzieje się samo, a rachunek wyjdzie nowy, czyli niższy; z konfiguracją klucza pomoże nasza ściąga po Gemini API.

Najczęstsze pytania

Co to jest Gemini Omni?

Rodzina multimodalnych modeli Google DeepMind do generowania i edycji wideo przez rozmowę, zapowiedziana 19 maja 2026. Omni 1.2 Flash to jej pierwszy ogólnodostępny wariant: klipy 3-15 sekund z natywnym dźwiękiem, edycja turami i ceny od 0,023 USD za sekundę w 360p.

Ile kosztuje Gemini Omni 1.2 Flash?

Sekunda wideo 720p wychodzi około 0,07 USD, bo sekunda to 5 792 tokeny przy 12 USD za milion. Piętnastosekundowy klip kosztuje około 1,04 USD, a 1080p po upscalingu około 0,104 USD za sekundę (cennik, odczyt 7.11.2026).

Czy Gemini Omni jest darmowy?

API nie: cennik przewiduje tylko tier płatny. Darmowo generować 15-sekundowe klipy można w Google Vids przy zwykłym koncie Google albo subskrypcji Workspace, a generowanie w aplikacji Gemini dostają subskrybenci AI Ultra, czyli planu, którego w Polsce na razie nie ma.

Czy Gemini Omni Flash zastępuje Veo?

W Gemini API tak: preview Veo 3.1 Google wyłączył 22 października 2026 i kieruje deweloperów do Omni 1.2 Flash. Sam produkt Veo zostaje jako osobna linia DeepMind z pełnymi modelami w Gemini Enterprise Agent Platform.

Kiedy wyszedł Gemini Omni 1.2 Flash?

Ogłoszenie blog.google ukazało się 5 listopada 2026 i od tego dnia model jest ogólnie dostępny w Gemini API i Google Cloud. Wersja 1.1 zadebiutowała 27 sierpnia 2026, a żądania do niej od 3 grudnia 2026 trafią automatycznie do 1.2.

Źródła

Powiązane artykuły