Gemini Omni 1.2 Flash: mój test w dniu premiery. 15 sekund bez cięcia, Wigilia w trzech głosach

👁 113 przeczytań

Pierwszy klip z Gemini Omni 1.2 Flash, który naprawdę mnie ruszył, trwa 15 sekund i nie ma ani jednego cięcia. Dron startuje nad blokami z wielkiej płyty o zachodzie słońca, nurkuje między nimi, przelatuje nad trzepakiem, wlatuje przez drzwi do baru mlecznego i zatrzymuje się przy starszym panu z talerzem zupy. Pan podnosi wzrok i mówi „Dzień dobry”. Tego zdania nie było w poleceniu. Model sam uznał, że tak wypada.

Google wypuściło Omni 1.2 Flash 5 listopada 2026. Wieczorem miałem już za sobą 24 klipy: dziewięć scen pokazowych, porównanie z pięcioma rywalami, drabinę rozdzielczości od 360p do 4K i kilka prób, które się nie udały. Całość kosztowała 13,02 USD. Ten tekst to pokaz możliwości, bez tabelek. Liczby i porównania są w osobnych tekstach, a wszystko razem w hubie Gemini Omni Flash.

Piętnaście sekund jednym ujęciem

To jest najważniejsza zmiana w 1.2. Poprzednia wersja kończyła się na 10 sekundach, teraz długość ustawiasz co sekundę od 3 do 15. Ale sama długość to nie wszystko. Starsze modele wideo w dłuższych klipach lubią „oddychać”: tło się przestawia, postać zmienia twarz, kamera nagle skacze. W tym przelocie blok jest blokiem do końca, wnętrze baru ma sens, a pan przy stoliku wygląda jak ten sam pan od pierwszej do ostatniej klatki, w której go widać.

Jedna uwaga praktyczna. Pierwsza wersja tego polecenia miała dzieci grające w piłkę pod blokiem. Model ją odrzucił, bez opłaty. Po zamianie dzieci na dwóch emerytów na ławce klip przeszedł od razu. Google w dokumentacji pisze o ostrzejszych zasadach przy nieletnich, więc jeśli coś ci się nie generuje, szukaj najpierw tutaj.

Rozmowa trzech osób po polsku

Wigilia, barszcz, uszka, choinka. Trzy osoby, trzy kwestie po polsku, każda innym głosem. Babcia pyta, kto zjadł ostatnie uszko, nastolatek z pełną buzią się wypiera, mama się śmieje, że ma uszko na brodzie. Puściłem gotowy plik przez rozpoznawanie mowy i dostałem słowo w słowo to, co napisałem w poleceniu. Kamera sama przenosi uwagę na tego, kto mówi.

Google oficjalnie pisze, że w pełni sprawdzony jest tylko angielski, a pozostałe języki „nie były oceniane”. W moich próbach polski wychodził bardzo dobrze, choć nie zawsze w całości. Szczegóły, łącznie z porównaniem z Veo, Wan, Seedance i Klingiem, są w tekście lip-sync po polsku.

Reklama w kuchni babci

Słoik ogórków kiszonych na drewnianym stole, poranne światło z okna, ręka odkręca wieczko. Takie ujęcia produktowe to klasyczne zastosowanie tanich modeli wideo: robisz kilka wersji, wybierasz jedną, wrzucasz do reklamy. Omni trzymał słoik w jednym kształcie przez cały klip, koper i ziele angielskie wyglądają jak w prawdziwym słoiku, a w tle gra cicha gitara, o którą prosiłem.

Anime w warszawskim tramwaju

Chciałem sprawdzić, czy model nie jest przywiązany do fotorealizmu. Nocny tramwaj, deszcz, licealistka w słuchawkach przy zaparowanej szybie. Wyszło coś bardzo bliskiego kinowemu anime: miękkie światło, krople na szybie, odbicia w mokrym asfalcie. Kamera przechodzi z zewnątrz do środka tramwaju bez szwu.

Obrót wokół babci z jabłkami

Kleparz, październik, stragan z jabłkami. Poprosiłem o pełny obrót kamery wokół sprzedawczyni bez cięć i ze stałą skalą postaci. To jedna z rzeczy, które Google wymienia jako poprawione w 1.2, i u mnie zadziałała: kamera obchodzi panią dookoła, zagląda jej za plecy i wraca do twarzy. W porównaniu z rywalami to był najczystszy obrót ze wszystkich sześciu modeli. Więcej o kamerze w tekście ruch kamery w Omni 1.2.

Rolka pionowa i nauczycielka

Format 9:16 działa tak samo jak poziomy, w tej samej cenie. Tancerka na dachu bloku nad Łodzią, zachód słońca, kamera z ręki krąży wokół niej, na końcu dziewczyna zatrzymuje się i patrzy w obiektyw, dokładnie jak w poleceniu.

Nauczycielka historii przy tablicy mówi o Grunwaldzie i zapowiada kartkówkę. Tekst po polsku wyszedł w całości, z liczbą „tysiąc czterysta dziesiąty” przeczytaną poprawnie. Na tablicy model sam napisał kredą „Grunwald 1410”. Ciekawostka: prezenterki pogody w studiu telewizyjnym, z prawie identycznym poleceniem, Omni nie chciał zrobić ani razu. Dwie odmowy, bez opłaty i bez podanego powodu.

Gdzie się wyłożył

Pokaz możliwości bez potknięć byłby reklamą, więc trzy rzeczy, które nie wyszły:

• Siatkówka. Google samo pisze, że szybki sport to wciąż słaby punkt. U mnie atak i blok wyglądają czytelnie, kibice się cieszą, ale zawodnicy dostali numery na koszulkach, choć wprost prosiłem, żeby ich nie było.
• Zmiana pory roku przez obraz. Dałem modelowi kadr z letniej działki i poprosiłem o tę samą scenę zimą. Dostałem dokładnie tę samą letnią scenę, bez płatka śniegu. Model trzymał się obrazu mocniej niż polecenia.
• Edycja gotowego wideo. Edycja w rozmowie to jedna z głównych nowości, ale przez pośrednika, z którego korzystałem, nie dało się jej uruchomić. Pięć prób, pięć błędów. Rozpisuję to w tekście edycja wideo w rozmowie.

Czytasz Promptowego częściej? Dodaj go do preferowanych źródeł w Google, a nowe teksty będą wyżej w Twoich wynikach.

Jak to robiłem

Wszystkie klipy wygenerowałem przez API w OpenRouterze, model google/gemini-omni-1.2-flash, 720p z dźwiękiem, ten sam seed. Polecenia pisałem po polsku. Klip 6-sekundowy był gotowy po 45-55 sekundach, 15-sekundowy po 81. Odrzucone zlecenia nic nie kosztowały. Gotowe polecenia do skopiowania są w tekście prompty do Gemini Omni 1.2, a rachunek za sekundę w porównaniu z konkurencją w tekście ile kosztuje Gemini Omni 1.2.