Megérkezett a Gemini Omni 1.1 – Íme, ami valójában változott (és amiben a szalagcímek tévedtek)

A Gemini Omni 1.1 Flash a Google legújabb multimodális AI videómodellje, amelyet videók készítésére és szerkesztésére terveztek szöveges, képi és videós bemenetek segítségével. A korábbi AI videóeszközökhöz képest a jobb jelenetkonzisztenciára, a társalgási szerkesztésre és a filmes vezérlésre összpontosít. Ebben az útmutatóban bemutatjuk a funkcióit, a valós használati eseteit, a promptokat, a korlátokat, valamint azt, hogyan próbálhatja ki a Gemini Omni 1.1-et a ChatGoat AI-n keresztül.

Mi változott az Omni 1.0-ról az Omni 1.1-re

Az eredeti Gemini Omni Flash, amelyet 2026 májusában jelentettek be a Google I/O-n, bevezette az alapvető elképzelést: egyetlen modell, amely szöveget, képet, hangot vagy videót fogad bemenetként, és egyetlen lépésben szinkronizált videókimenetet generál. Az 1.1-es verzió nem helyettesíti ezt az alapot – hanem olyan vezérlőrétegeket ad hozzá, amelyeket a fejlesztők a bevezetés óta kértek.

A számok, amelyeket mindenki félreért

Az első 24 órában megjelent hírek nagy része azt sugallja, hogy a Gemini Omni 1.1 képes egyetlen folyamatos, 40 másodperces 4K-s klipet generálni. Nem képes rá, és itt érdemes pontosnak lenni, mert ez közvetlenül befolyásolja a gyártási munkafolyamat tervezését:

• Minden egyes generálás
• 3-10 másodperc 24 FPS sebességgel, nem pedig 40. A 40 másodperces adat egy kumulatív végösszeg, amelyet egy klip 10 másodperces lépésekben történő ismételt meghosszabbításával érnek el, miközben a modell minden alkalommal újraelemzi az előző szegmens végét.
• A 4K felskálázott, nem natívan generált. A modell alacsonyabb felbontásban generál, és a Google felskálázását alkalmazza az 1080p vagy 4K eléréséhez. Az API dokumentációja ezt kifejezetten kimondja. Ha natív nagy felbontású részletekre (finom szövegek, bonyolult textúrák) van szüksége, számítson ugyanazokra a korlátokra, amelyekkel bármely felskálázási folyamat rendelkezik.
• Az első/utolsó képkocka interpoláció valóban új és hasznos a kameramozgásokhoz, zoom átmenetekhez és a végtelenített klipekhez – de egyetlen 3-10 másodperces szegmensen működik, nem pedig egy teljes meghosszabbított sorozaton.

Mindez nem teszi kevésbé hasznossá az Omni 1.1-et – ez még mindig jelentős ugrás a vezérlés terén, ami a gyártási csapatok számára a tényleges szűk keresztmetszetet jelentette. Ez csupán azt jelenti, hogy a „40 másodpercnyi 4K videó” egy munkafolyamat eredménye, nem pedig egyetlen generálásé.

Árazás

A Gemini Omni 1.1 Flash számlázása a kimenet másodpercenkénti díja alapján történik, és az ár a felbontással együtt skálázódik:

A 360p vázlat mód kifejezetten azért létezik, hogy a csapatok olcsón kísérletezhessenek a promptokkal és a keretezéssel, mielőtt elköteleznék magukat a teljes felbontású renderelés mellett – egy 10 másodperces 4K klip 3,00 dollárba kerül, míg ugyanez a klip 360p-ben 0,30 dollár.

Gemini Omni 1.1 vs. Seedance 2.5 és MiniMax H3

A két modell, amelyet jelenleg a legközvetlenebbül hasonlítanak össze az Omni 1.1-gyel, nem a Google szokásos riválisai – hanem a ByteDance Seedance 2.5 és a MiniMax nyílt súlyú H3 modellje, amelyek mindegyike ugyanazon néhány héten belül jelent meg, és mindkettő agresszív árazású.

Néhány dolog, amit érdemes kiemelni, mielőtt választana:

• Papíron a natív időtartamban a Seedance 2.5 jár az élen. A ByteDance saját specifikációja akár 30 másodpercet is ígér egyetlen generálási lépésben, szemben az Omni 1.1 10-second szegmenseivel, amelyek egy 40 másodperces kumulatív végösszeggé vannak összefűzve. Hogy ez a natív 30 másodperces ígéret a különböző szolgáltatóknál mennyire állja meg a helyét, azt a korai felhasználók még tesztelik – tekintse ezt specifikációs adatnak, amíg saját maga ki nem próbálja.
• A MiniMax H3 az egyetlen a három közül, amely nyílt súlyokkal rendelkezik, és a MiniMax saját közösségi licence alatt jelent meg (nem olyan szabványos megengedő licenc alatt, mint az MIT vagy az Apache 2.0). Ez akkor számít, ha a helyi telepítés vagy a finomhangolás szerepel az ütemtervében – sem az Omni 1.1, sem a Seedance 2.5 nem kínál ilyen lehetőséget.
• Az árazás mindhárom esetben jelentősen eltér a szolgáltatótól függően. A közvetlen API-árak és a harmadik féltől származó átjárók (fal, Replicate, BytePlus, Atlas Cloud stb.) lényegesen eltérő másodpercenkénti árakat adnak meg ugyanarra a modellre, néha 2-3-szoros eltéréssel. Ne bízzon egyetlen megadott számban sem a Seedance 2.5 vagy a H3 esetében anélkül, hogy ellenőrizné azt a konkrét szolgáltatót, amelyen keresztül valójában számláznak Önnek – az Omni 1.1 árazása egységesebb, mivel a Google az egyetlen szolgáltató.
• Az Omni 1.1 igazi megkülönböztető jegye továbbra is a társalgási, munkameneten belüli szerkesztési ciklus – cserélje ki a témát, változtassa meg a megvilágítást, javítson ki egy kezet a generálási állapot visszaállítása nélkül. A Seedance 2.5 hasonló céllal kínál időbélyeg-szintű szerkesztést; a H3 inkább a videó-videó mozgásátvitelre támaszkodik, mint a promptok iteratív finomítására.

Ha már összehasonlítja a Seedance 2.5-öt a MiniMax H3-mal a gyártási folyamatához, az Omni 1.1-et érdemes felvenni a szűkített listára, különösen az olyan projekteknél, amelyeknél a szigorú első/utolsó képkockás kameravezérlésre van szükség, nem pedig a maximális natív kliphosszra vagy a legalacsonyabb másodpercenkénti költségre.

Hogyan érhető el a Gemini Omni 1.1

A Gemini Omni 1.1 Flash egy fejlesztőknek szánt modell. Még nincs hozzá dedikált lakossági alkalmazás – a hozzáférés jelenleg a következőkön keresztül történik:

1. Google AI Studio – a leggyorsabb módja a tesztelésnek kódírás nélkül. Kap egy prompt beviteli mezőt, képkocka-vezérlőket, valamint vázlat/felskálázási opciókat.
2. Gemini API (gemini-omni-1.1-flash) – a saját termékébe vagy folyamatába való beépítéshez. A gemini-omni-flash-preview a régebbi előzetes verzió; az 1.1 a stabil kiadás.
3. Gemini Enterprise Agent Platform – azon Google Cloudot használó csapatok számára, akik szeretnék ezt a meglévő ágens-munkafolyamataikba beépíteni.

Mindezekhez Google Cloud projektre, engedélyezett számlázásra és az API-kulcsok vagy az Agent Studio legalább alapszintű ismeretére van szükség. Ha csak azt szeretné felfedezni, hogy mire képesek a Gemini mögöttes modelljei – következtetés, képértelmezés, multimodális csevegés – anélkül, hogy először fejlesztői fiókot hozna létre, ez egy könnyebb kiindulópont, mielőtt elkötelezné magát a videó API mellett.

Itt jön képbe egy olyan eszköz a munkafolyamatban, mint a ChatGOAT AI. A ChatGOAT ingyenes, böngészőalapú hozzáférést biztosít a Gemini modellekhez (beleértve a Gemini 3.7 Flash-t) a GPT 5.6 Sol, a Grok 4.6 és a DeepSeek mellett, valamint tartalmaz egy beépített AI képgenerátort is – fiók létrehozása, számlázási konfiguráció és API-kulcsok nélkül. Ha egy Gemini Omni 1.1 videóprojektet tervez, a ChatGOAT képgenerátorával felvázolhatja az első és az utolsó képkocka referenciáit, még mielőtt hozzáérne az API-hoz – mivel az Omni 1.1 képkocka-interpolációs funkciójának pontosan ilyen típusú bemenetre van szüksége. Magát a videót nem fogja elkészíteni, de megszünteti a referencianyag előkészítésével járó nehézségeket.

Gemini Omni 1.1 AI Video Generator: Hogyan készítsünk filmes videókat promptokkal

Egy technikailag helyes videó kinyerése az Omni 1.1-ből egyszerű. Az viszont, hogy olyat kapjunk, ami valóban filmes hatású – tudatos kameramozgással, konzisztens megvilágítással és egy olyan felvétellel, amely inkább rendezettnek, mintsem generáltnak tűnik – szinte teljesen attól függ, hogyan építjük fel a promptot.

A működő promptszerkezet

Kezeljen minden promptot úgy, mint egy jelenetleírást, nem pedig általános kérésként. Az Omni 1.1-hez készült filmes promptnak a következő elemeket kell sorrendben tartalmaznia:

1. Téma és cselekvés – ki vagy mi van a képkockában, és mit csinál
2. Kameramozgás – hogyan viselkedik a kamera (statikus, kocsizás előre/dolly in, svenkelés/pan, daru/crane, kézi kamera/handheld)
3. Felvételtípus és keretezés – tág, közeli, nagyközeli, váll feletti (over-the-shoulder)
4. Megvilágítás és hangulat – aranyóra, éles stúdiófény, borult idő, neon
5. Stílusreferencia – filmtípus, rendezői vizuális nyelv vagy műfaj („35 mm-es filmre forgatva”, „visszafogott színosztályozás”, „kis mélységélesség”)

Egy olyan prompt, amely csak a témát írja le („egy nő éjszaka sétál a városon át”), túl nagy szabadságot ad a modellnek, és általában sablonos mozgást eredményez. A kamera- és világítási irányok hozzáadása az, ami a kimenetet a használható irányba tereli.

Példa – gyenge prompt:

"Egy autó vezet egy hegyi úton."

Példa – filmes prompt:

"Egy veterán kabrió halad egy kanyargós tengerparti hegyi úton az aranyórában. A drónra alacsonyan szerelt kamera sebességgel halad az autó mellett, enyhe mozgáselmosódással a kerekeken. Meleg, alacsony szögű napfény, hosszú árnyékok, kis mélységélesség, az út lágyan elmosódik az előtérben."

A második verzió konkrét kameraviselkedést és világítási logikát ad az Omni 1.1-nek, amit követnie kell, és itt mutatkoznak meg valójában a modell fizikai és mozgáskonzisztencia terén elért fejlesztései.

Az első és az utolsó képkocka vezérlésének használata a filmes mozgáshoz

Ez az Omni 1.1 leghasznosabb eszköze kifejezetten a kameramozgás irányítására. Ahelyett, hogy a kameramozgást csak szavakkal írná le, a következőket teheti:

1. Generáljon vagy töltsön fel egy első képkockát – a felvétel kezdő kompozícióját
2. Generáljon vagy töltsön fel egy utolsó képkockát – ahová a kamerának és a témának el kell jutnia
3. Adja meg a köztük lévő mozgást – „lassú kocsizás előre (dolly-in) fokuszváltással (rack focus) a háttérről a témára”

Ez egy kétértelmű utasítást („drámai ráközelítés”) egy meghatározott kezdeti és végállapottá alakít át, amely között a modell interpolál, ami sokkal konzisztensebb, professzionálisabb kameramozgásokat eredményez, mintha a mozgást a semmiből indítaná el. Különösen hatékony a leleplező felvételeknél (reveal shots), termékbemutatóknál (product hero shots) és a két helyszín közötti átmeneteknél.

Vázlat-első munkafolyamat a filmes promptokhoz

Mivel a prompt megfogalmazása nagy hatással van a kimenetre, ne generálja az első kísérletet teljes felbontásban:

1. Írjon 2-3 prompt-variációt, minden alkalommal csak a kameramozgást vagy a világítás leírását változtatva
2. Generálja le mindhármat 360p vázlat módban ($0.03/másodperc), hogy olcsón összehasonlíthassa a keretezést és a mozgás minőségét
3. Válassza ki a legerősebb kompozíciójú verziót, és finomítsa a prompt megfogalmazását a ténylegesen leképezett eredmény alapján
4. Csak a végső kiválasztott felvételt skálázza fel 1080p vagy 4K felbontásra

Ez ugyanaz az iterációs ciklus, amelyet a professzionális prompt engineer-ek általában a videómodelleknél használnak, de itt jobban számít, mert a 4K generálás a 360p vázlat árának tízszeresébe kerül.

Gyakori filmes prompt kifejezések, amelyeket érdemes használni

• Kameramozgások: kocsizás előre/hátra (dolly in/out), svenkelés balra/jobbra (pan left/right), döntés fel/le (tilt up/down), darufelvétel (crane shot), kézi kamera (handheld), statikus rögzített felvétel (static lockdown), követő felvétel (tracking shot)
• Felvétel keretezése: tág alapozó felvétel (wide establishing shot), közeli felvétel (medium shot), nagyközeli felvétel (close-up), szuperközeli felvétel (extreme close-up), váll feletti felvétel (over-the-shoulder)
• Megvilágítás: aranyóra, kék óra, nagy kontrasztú/éles fény, lágy szórt fény, praktikus világítás, háttérfényes sziluett
• Objektív/stílus jelek: kis mélységélesség, anamorf fényfolt (anamorphic flare), filmszemcse, telítetlen színosztályozás, 35 mm-es hatás

Ha szeretné tesztelni a filmes promptok megfogalmazását, mielőtt elkötelezné magát az Omni 1.1 másodpercenkénti számlázása mellett, a vizuális nyelvet – megvilágítást, keretezést, színpalettát – először állóképekként is felvázolhatja a ChatGOAT AI képgenerátorával, majd ugyanezeket a leíró kifejezéseket átviheti az Omni 1.1 promptjába. A megjelenés eltalálása egy állóképen sokkal olcsóbb, mint a fizetős videógenerálásokon keresztüli kísérletezés.

Gyakorlati használati esetek

• Termékbemutató videók: Használjon egy első képkockás termékfotót és egy utolsó képkockás „használat közbeni” fotót, és hagyja, hogy a Omni 1.1 generálja a köztük lévő mozgást.
• Közösségi média tartalomvázlatok: Iteráljon olcsón 360p-ben, egyszerre csak egy promptelemet változtatva, majd csak a megtartani kívánt verziót skálázza fel.
• Forgatókönyv-készítés (storyboarding): Először vázolja fel a kulcsképkockákat állóképként (egy AI képgenerátor jól működik erre), majd táplálja be őket az Omni 1.1-be kezdő/végpont referenciaként.
• Jelenetfolytatás: Hosszabbítsa meg egy meglévő klip narratíváját anélkül, hogy a semmiből újra generálná – ez hasznos epizodikus vagy sorozatos tartalmak esetén.

Korlátok, amelyeket érdemes tudni a fejlesztés előtt

• Nem egyetlen felvételből álló, hosszú formátumú generátor – tervezzen szegmentált meghosszabbítással, ha 10 másodpercnél többre van szüksége.
• A 4K kimenet felskálázott; ne hagyatkozzon rá olyan tartalmaknál, amelyek natív nagy felbontású pontosságot igényelnek.
• Google Cloud/fejlesztői beállítást igényel – jelenleg nincs kódolás nélküli lakossági videóalkalmazás ehhez a specifikus modellhez.
• Az árazás gyorsan növekszik a magasabb felbontásoknál a hosszabb kumulatív klipek esetében, ezért a vázlat módú iterációt érdemes a kezdetektől beépíteni a folyamatba.

GYIK

Ingyenes a Gemini Omni 1.1 használata?

Nem. A számlázás a generált videó másodpercenkénti díja alapján történik, a 360p-s $0.03/másodperctől a 4K-s $0.30/másodpercig. A Google AI Studio a fiókjától függően korlátozott ingyenes keretet kínálhat.

Képes a Gemini Omni 1.1 egy teljes 40 másodperces videót generálni egyetlen kéréssel?

Nem. Minden generálás 3-10 másodpercet eredményez. A 40 másodperces adat arra a kumulatív hosszúságra utal, amely a klip 10 másodperces lépésekben történő meghosszabbításával érhető el.

A 4K kimenet natív vagy felskálázott?

Felskálázott. A Google saját dokumentációja az 1080p és 4K kimeneteket alacsonyabb felbontású generálásokból felskálázottként jelöli meg.

Mi a különbség a Gemini Omni 1.1 és a Gemini Omni Flash Preview között?

A gemini-omni-1.1-flash a stabil, gyártásra kész kiadás. A gemini-omni-flash-preview a korábbi előzetes verzió, amelyet kivezetnek az 1.1 javára.

Szükséges kódolnom a használatához?

Nem feltétlenül – a Google AI Studio vizuális felületet biztosít. De a termékbe történő teljes integrációhoz szükség van a Gemini API-ra.

Miben különbözik ez attól, mintha csak a Gemini csevegőmodelljét használnám?

A Gemini standard csevegőmodelljei szöveges, képi és érvelési feladatokat kezelnek. Az Omni 1.1 kifejezetten a Gemini családon belüli videógeneráló és -szerkesztő modell – általános multimodális beszélgetésekhez, képgeneráláshoz és mindennapi AI-segítséghez egy olyan eszköz, mint a ChatGOAT AI (amely a Gemini-re és más vezető modellekre épül), egyszerűbb belépési pontot jelent.