Envie um vídeo de selfie ao modelo e diga: “faça a imagem ondular como um líquido”, “transforme a pessoa em um boneco”, “mantenha o quarto e os movimentos originais”. Tarefas que antes exigiam editores trabalhando camada por camada na linha do tempo agora podem ser realizadas por meio de perguntas contínuas, como se estivesse editando um texto. O Google DeepMind lançou em 5 de novembro o cartão do modelo Gemini Omni 1.2 Flash, descrevendo-o como capaz de gerar vídeos de alta resolução com som a partir de entradas de texto, imagem, áudio e vídeo, além de suportar edições repetidas por meio de conversa natural. A entrada para a criação de vídeos está se movendo dos painéis de software para a linguagem, mas isso também torna mais difícil para o olho humano identificar marcas de edição, autorização de pessoas e credibilidade factual.
O que a edição de conversa realmente economizou
Vídeos gerados tradicionalmente geralmente seguem o modelo “um prompt, um resultado”. Se os criadores quiserem alterar os movimentos dos personagens, a iluminação ou o enquadramento, frequentemente precisam regenerar o vídeo, o que pode distorcer os personagens e cenários da versão anterior. O Gemini Omni enfatiza a edição contínua: cada modificação é construída sobre o resultado da rodada anterior, mantendo o máximo possível a coerência da cena. Esse mecanismo divide operações complexas em uma sequência de intenções compreensíveis, permitindo que os criadores se aproximem gradualmente do objetivo sem precisar primeiro aprender sobre máscaras, quadros-chave e nós de composição.
A ficha do modelo lista entradas que cobrem texto, imagens, áudio e vídeo, com saída em vídeo com áudio. A página do produto apresenta ainda casos de uso que alteram o estilo visual, reescrevem ações e complementam sons usando materiais de referência. O que reduz não é apenas o tempo de produção, mas também o custo de expressão. Um diretor pode primeiro descrever “a pessoa toca no espelho” e depois adicionar materiais, efeitos sonoros e ritmo da câmera, sem precisar escrever uma única instrução longa e difícil de controlar.
O modelo de velocidade não é voltado para um filme.
“Flash” significa que o produto prioriza velocidade e custo. Equipes de publicidade, criadores de vídeos curtos, estúdios de jogos e produtores de conteúdo educacional geralmente precisam testar rapidamente várias versões: alterando proporções, idiomas e ritmo do mesmo material, e depois refinando com base no feedback. Se o modelo conseguir manter consistência nos personagens, diálogos e ações em um curto período de tempo, as iterações frequentes serão as primeiras a serem adotadas, e não produções grandes e únicas.
Isso também reorganizará as atribuições da equipe. Muitas tarefas anteriores realizadas por profissionais, como ajustes de formato e síntese inicial, poderão ser atribuídas primeiro ao modelo; os humanos concentrarão seu tempo em selecionar cenas, controlar o ritmo, verificar fatos e lidar com direitos autorais. Os cargos criativos não desaparecerão automaticamente por terem menos botões, mas a vantagem competitiva trazida por “saber operar um determinado software” se tornará mais fina, enquanto o valor de compreender narrativa, estética e público aumentará.
Personagens que podem alterar a voz apresentam riscos maiores do que trocar de fundo
O DeepMind menciona especificamente na ficha do modelo que a capacidade de edição de vídeo pode alterar o que as pessoas dizem, e atualmente impõe restrições a isso, continuando a pesquisar como liberá-la com segurança. Essa frase é extremamente importante. Trocar a cor do céu e fazer uma pessoa real dizer algo que nunca disse não são riscos do mesmo tipo. O último pode envolver reputação, fraude, propagação política e contaminação de evidências, e quanto maior a qualidade da geração, mais difícil se torna para usuários comuns julgar intuitivamente.
O Google afirma que o sistema utiliza medidas de segurança antes e depois do treinamento e adiciona marcas d'água ao conteúdo de IA por meio do SynthID. Essas marcas d'água fornecem pistas para verificação na plataforma, mas não são evidência infalível: a capacidade de identificação pode ser afetada após recorte, transcodificação ou nova filmagem do vídeo; aplicações que não suportam verificação também não alertam automaticamente os espectadores. Uma governança eficaz exige que registros de origem, autorizações de pessoas, marcações da plataforma e mecanismos de denúncia de abuso funcionem em conjunto.
O cartão do modelo também expôs lacunas de informação
Este cartão do modelo não fornece uma lista completa dos dados de treinamento, mas direciona vários conteúdos ao modelo base Gemini Omni Flash; as limitações conhecidas também se baseiam principalmente nos materiais do modelo base. Para criadores comuns, isso não impede o uso de teste; porém, para departamentos jurídicos corporativos, mídia e instituições educacionais, isso significa que ainda precisam responder por conta própria às questões de licenciamento de dados, acessibilidade geográfica, retratos de pessoas e responsabilidade pelas saídas.
A ficha do modelo também esclarece que o Omni 1.2 Flash não foi considerado como trazendo um avanço substancial em capacidades de ponta em relação ao Gemini 3.1 Pro ou 3.7 Flash, portanto, as avaliações de segurança relevantes continuam sendo aplicadas. Trata-se de uma avaliação de classificação de risco, o que não significa que todos os cenários de edição de vídeo já tenham sido verificados. Os riscos sociais de produtos capazes de modificar amplamente som e imagem derivam mais da disponibilidade, velocidade e propagação do que da simples capacidade do modelo atingir um determinado nível de ponta.
O software de vídeo está se tornando um sistema de intenção
Ferramentas de vídeo futuras podem não exigir mais que os usuários comecem com caixas de materiais, trilhas e filtros, mas sim perguntem primeiro: “O que você quer que o público veja?”. O modelo traduzirá então uma frase em linguagem natural em planos, trilhas sonoras e efeitos. Essa abordagem dará a mais pessoas a capacidade de expressão e aumentará exponencialmente o número de vídeos produzidos. O recurso escasso passará então de técnicas de produção para fontes confiáveis, materiais únicos e responsabilidade autoral reconhecível.
O mais notável no Gemini Omni 1.2 Flash não é sua capacidade de gerar imagens ainda mais bonitas, mas sim o fato de que a edição está passando de operações manuais para serviços conversacionais e chamáveis continuamente. À medida que a barreira de entrada para a criação diminui, plataformas e criadores devem elevar simultaneamente os critérios de autenticação: de quem é esse rosto, de quem é essa voz, quais partes foram modificadas e como o público pode verificar. Caso contrário, a ferramenta de edição mais conveniente também pode se tornar a mais barata de falsificação.


