Envía un video de selfie al modelo y di: “Que la imagen se ondule como un líquido”, “Convierte al personaje en un títere”, “Mantén la habitación y los movimientos originales”. Lo que antes requería que un editor de video realizara capa por capa en la línea de tiempo, ahora se puede lograr mediante preguntas continuas, como si se modificara un texto. Google DeepMind lanzó el 5 de noviembre la ficha del modelo Gemini Omni 1.2 Flash, describiéndolo como capaz de generar videos de alta resolución con sonido a partir de entradas de texto, imágenes, audio y video, y que admite ediciones repetidas mediante conversación natural. La entrada para la creación de videos se está moviendo desde los paneles de software hacia el lenguaje, pero esto también hace que las huellas de edición, los permisos de personajes y la credibilidad factual sean más difíciles de detectar a simple vista.
¿Qué realmente ahorró la edición del chat?
Los videos generados tradicionalmente suelen ser "un solo prompt, un solo resultado". Si los creadores quieren modificar los movimientos de los personajes, la iluminación o el encuadre, a menudo deben regenerarlos, lo que puede distorsionar los personajes y escenas de la versión anterior. Gemini Omni se enfatiza en la edición continua: cada modificación se basa en el resultado del ciclo anterior, manteniendo en la medida de lo posible la coherencia de la escena. Este mecanismo descompone operaciones complejas en una secuencia de intenciones comprensibles, permitiendo a los creadores acercarse gradualmente a su objetivo sin necesidad de aprender previamente máscaras, fotogramas clave y nodos de composición.
La ficha del modelo enumera entradas que cubren texto, imágenes, audio y video, con salida en video con audio. La página del producto muestra además casos de uso en los que se modifican el estilo visual, se reescriben los movimientos y se complementan los efectos de sonido utilizando materiales de referencia. No solo reduce el tiempo de producción, sino también el costo de expresión. Un director puede primero describir “la persona toca el espejo” y luego añadir detalles sobre materiales, efectos de sonido y ritmo de cámara, sin necesidad de escribir una sola instrucción larga y difícil de controlar.
The speed version model is not targeting a movie
“Flash” significa que el producto se enfoca más en la velocidad y el costo. Los equipos de publicidad, creadores de videos cortos, estudios de juegos y productores de contenido educativo suelen probar rápidamente múltiples versiones: el mismo material con diferentes proporciones, idiomas y ritmos, y luego ajustarlo según los comentarios. Si el modelo puede mantener la coherencia del personaje, el diálogo y los movimientos en un período corto, lo primero que cambiará será la iteración frecuente, no la producción masiva y única.
Esto también reorganizará la distribución del equipo. Muchas tareas de formato y síntesis preliminar que antes realizaban los ejecutivos podrían asignarse primero al modelo; las personas dedicarán su tiempo a seleccionar planos, controlar el ritmo, verificar hechos y gestionar derechos de autor. Los puestos creativos no desaparecerán automáticamente por tener menos botones, pero la ventaja competitiva de "saber operar un software específico" se reducirá, mientras que aumentará el valor de comprender la narrativa, la estética y la audiencia.
Las personas que pueden cambiar la voz tienen un riesgo mayor que cambiar el fondo.
DeepMind menciona específicamente en la ficha del modelo que la capacidad de edición de video puede alterar lo que dice una persona, y actualmente se impone una restricción sobre esto, continuando la investigación sobre cómo abrirlo de forma segura. Esta afirmación es muy importante. Cambiar el color del cielo y hacer que una persona real diga algo que nunca dijo no representan el mismo riesgo. Lo último podría implicar daño a la reputación, fraude, propagación política y contaminación de pruebas, y cuanto mayor sea la calidad de la generación, más difícil será para los usuarios comunes juzgarlo intuitivamente.
Google indica que el sistema utiliza medidas de seguridad antes y después del entrenamiento, y añade marcas de agua al contenido de IA mediante SynthID. Las marcas de agua proporcionan pistas para la verificación en la plataforma, pero no son pruebas infalibles: la capacidad de identificación puede verse afectada si el video se recorta, transcodifica o vuelve a filmarse; las aplicaciones que no admiten verificación tampoco alertarán automáticamente a los espectadores. Una gobernanza verdaderamente efectiva requiere que funcionen conjuntamente el registro de origen, la autorización de personas, la etiquetación de la plataforma y los mecanismos de denuncia de abusos.
La tarjeta del modelo también revela brechas de información
Esta ficha del modelo no proporciona una lista completa de los datos de entrenamiento, sino que remite varios contenidos al modelo base Gemini Omni Flash; las limitaciones conocidas también se basan principalmente en materiales del modelo base. Para creadores comunes, esto no impide su prueba; pero para juristas empresariales, medios de comunicación e instituciones educativas, implica que aún deben responder por su cuenta a preguntas sobre licencias de datos, accesibilidad geográfica, retratos de personas y responsabilidad de salida.
La ficha del modelo también indica que Omni 1.2 Flash no se considera que aporte un avance sustancial en capacidad frontal en comparación con Gemini 3.1 Pro o 3.7 Flash, por lo que se mantienen las evaluaciones de seguridad correspondientes. Este es un juicio de clasificación de riesgo, no equivale a que todos los escenarios de edición de video hayan sido verificados. Los riesgos sociales de productos que pueden modificar a gran escala el sonido y la imagen provienen más de la disponibilidad, la velocidad y la propagación, y no solo de si el modelo alcanza un nivel de capacidad frontal determinado.
El software de video se está convirtiendo en un sistema de intención
Las herramientas de video del futuro ya no requerirán que los usuarios comiencen con una caja de materiales, pistas y filtros, sino que primero pregunten: “¿Qué quieres que vea la audiencia?”. El modelo traducirá luego una frase en lenguaje natural a planos, pistas de audio y efectos. Este enfoque otorgará capacidad de expresión a más personas y provocará un aumento exponencial en la cantidad de videos producidos. El recurso escaso cambiará así de las técnicas de producción hacia fuentes confiables, materiales únicos y responsabilidad autoral reconocible.
Lo más destacable de Gemini Omni 1.2 Flash no es que pueda generar imágenes aún más hermosas, sino que la edición de acciones está pasando de ser un proceso manual a convertirse en un servicio conversacional y llamable de forma continua. Cuando la barrera de entrada para la creación disminuye, las plataformas y los creadores deben elevar simultáneamente la barrera de verificación: ¿de quién es esta cara, de quién es esta voz, qué partes han sido modificadas y cómo puede verificarlo el público? De lo contrario, la herramienta de edición más conveniente también podría convertirse en la herramienta de falsificación más económica.


