Gemini Omni 1.2 Flash im Test: 15 Sekunden ohne Schnitt
Gemini Omni 1.2 Flash von Google DeepMind im Praxistest: Bis zu 15 Sekunden ohne Schnitt, Video-Generierung mit Audio und detaillierte API-Kosten.
👁 115 Aufrufe
Der erste Clip aus Gemini Omni 1.2 Flash, der mich wirklich beeindruckt hat, dauert 15 Sekunden und kommt völlig ohne Schnitt aus. Eine Drohne startet bei Sonnenuntergang über Plattenbauten, taucht dazwischen ab, überfliegt einen Teppichklopfer, fliegt durch die Tür in eine Milchbar und stoppt vor einem älteren Herrn mit einem Teller Suppe. Der Mann blickt auf und sagt: „Guten Tag“ („Guten Tag“ (Übersetzung aus dem polnischen Original)). Dieser Satz stand nicht im Prompt. Das Modell hielt es von sich aus für passend.
Google brachte Omni 1.2 Flash am 5. November 2026 heraus. Am Abend hatte ich bereits 24 Clips generiert: neun Demoszenen, einen Vergleich mit fünf Konkurrenzmodellen, eine Auflösungsleiter von 360p bis 4K und einige Fehlversuche. Das Ganze kostete ca. 11,60 EUR (13,02 USD; Umrechnung nach EZB-Referenzkurs vom 05.11.2026: 1 EUR = 1,1224 USD, Quelle: ecb.europa.eu). Dieser Text zeigt die praktischen Möglichkeiten ohne Tabellenberge. Zahlen und detaillierte Vergleiche finden Sie in separaten Artikeln sowie gebündelt im Gemini Omni Flash Hub.
Fünfzehn Sekunden in einer einzigen Einstellung
Das ist die wichtigste Neuerung in Version 1.2. Die Vorgängerversion war auf 10 Sekunden limitiert, nun lässt sich die Dauer sekundengenau von 3 bis 15 Sekunden einstellen. Doch die reine Länge ist nicht alles. Ältere Videomodelle neigen bei längeren Sequenzen zum sogenannten Morphen: Der Hintergrund verschiebt sich, Gesichter verformen sich und die Kamera springt abrupt. In diesem Überflug bleibt das Gebäude bis zum Schluss stabil, das Innere der Bar bleibt konsistent, und der Herr am Tisch sieht vom ersten bis zum letzten Frame, in dem er erscheint, identisch aus.
Ein praktischer Hinweis: Die erste Version dieses Prompts sah vor dem Wohnblock spielende Kinder vor. Das Modell lehnte den Auftrag ohne Berechnung ab. Nachdem ich die Kinder durch zwei Rentner auf einer Bank ersetzt hatte, wurde der Clip sofort gerendert. Google verweist in der Dokumentation auf strengere Richtlinien bei Minderjährigen. Wenn eine Generierung abbricht, prüfen Sie zuerst diesen Faktor.
Dialoge mit drei Stimmen
Ein polnischer Heiligabend mit Borschtsch, Teigtaschen und Weihnachtsbaum: drei Personen, drei Dialogzeilen auf Polnisch, jede mit einer eigenen Stimme. Die Großmutter fragt, wer die letzte Teigtasche gegessen hat, der Teenager streitet es mit vollem Mund ab, die Mutter lacht, weil er noch Reste am Kinn hat. Ein anschließender Spracherkennungstest lieferte wortwörtlich den vorgegebenen Prompttext. Die Kameraführung wechselt dabei eigenständig auf die jeweils sprechende Person.
Google gibt offiziell an, dass lediglich Englisch vollständig validiert wurde und andere Sprachen bisher nicht formal bewertet wurden. In meinen Testläufen funktionierte Polnisch dennoch erstaunlich gut, wenn auch nicht immer fehlerfrei. Detaillierte Analysen samt Vergleichen mit Veo, Wan, Seedance und Kling finden Sie im Artikel zum Lip-Sync-Vergleich.
Produktaufnahme in der Küche
Ein Glas eingelegte Gurken auf einem Holztisch, Morgenlicht durch das Fenster, eine Hand öffnet den Deckel. Solche Produktaufnahmen sind typische Anwendungsfälle für kosteneffiziente Videomodelle: Man erzeugt mehrere Varianten, wählt die beste aus und setzt sie im Marketing ein. Omni behielt die Form des Glases über den gesamten Clip stabil bei, Dill und Piment wirken plastisch und realistisch, während im Hintergrund die gewünschte, dezente Akustikgitarre läuft.
Anime in der nächtlichen Straßenbahn
Ich wollte testen, ob das Modell strikt an Fotorealismus gebunden ist. Eine nächtliche Straßenbahnfahrt im Regen, eine Schülerin mit Kopfhörern an einer beschlagenen Fensterscheibe: Das Ergebnis erinnert stark an Kino-Anime mit weichem Licht, Tropfen auf dem Glas und Reflexionen auf nassem Asphalt. Der Übergang von der Außen- zur Innenansicht der Straßenbahn gelingt nahtlos.
Kamerafahrt um den Marktstand
Ein herbstlicher Marktstand mit Äpfeln: Der Prompt verlangte eine vollständige 360-Grad-Kameradrehung um die Verkäuferin ohne Schnitte und mit gleichbleibenden Proportionen. Dies gehört zu den Bereichen, die Google in Version 1.2 explizit optimiert hat. Die Kamera umrundet die Person, schwenkt hinter ihren Rücken und kehrt präzise zum Gesicht zurück. Im direkten Vergleich erzielte Omni hier die sauberste Kameraführung unter allen sechs getesteten Systemen. Details dazu finden Sie im Beitrag zur Kamerabewegung in Omni 1.2.
Vertikales Video und Lehrerszene
Das Hochkantformat 9:16 funktioniert identisch zum Querformat und wird zum selben Preis abgerechnet. Eine Tänzerin auf einem Flachdach über der Stadt im Sonnenuntergang: Eine Handkamera kreist um sie herum, am Ende hält sie an und blickt direkt in die Linse, exakt wie vorgegeben.
In einer weiteren Szene spricht eine Geschichtslehrerin an einer Tafel über die Schlacht bei Tannenberg und kündigt einen Test an. Der gesprochene Text auf Polnisch wurde vollständig erfasst, inklusive der Jahreszahl „vierzehnhundertzehn“ (Übersetzung aus dem polnischen Original) (vierzehnhundertzehn). Auf die Tafel schrieb das Modell eigenständig mit Kreide „Grunwald 1410“. Bemerkenswert: Eine fast identisch aufgebaute Anweisung für eine Wettermoderatorin im Studio lehnte Omni zweimal hintereinander ab, ohne Begründung und ohne Berechnung.
Grenzen und Schwachstellen im Test
Ein realistischer Testbericht muss auch Misserfolge beleuchten. Folgende drei Aspekte bereiteten Probleme:
- Schnelle Sportarten: Google räumt selbst ein, dass dynamische Bewegungen eine Hürde darstellen. Angriff und Block im Volleyball wirken zwar visuell stimmig und das Publikum jubelt, allerdings erhielten die Spieler Trikotnummern, obwohl der Prompt dies explizit untersagte.
- Jahreszeitenwechsel via Bildreferenz: Ich übergab ein Foto eines sommerlichen Schrebergartens mit der Anweisung, dieselbe Szene im Winter zu generieren. Das Resultat war das identische Sommerbild ohne eine einzige Schneeflocke. Das Modell priorisierte die Bildvorlage deutlich gegenüber dem Textprompt.
- Videobearbeitung im Dialog: Die iterative Bearbeitung hochgeladener Videos gehört zu den Kernfunktionen, ließ sich jedoch über die genutzte API-Schnittstelle nicht ausführen (fünf Versuche, fünf Fehlermeldungen). Zudem gilt für die Bearbeitung hochgeladener Videos eine Einschränkung im EWR, der Schweiz und Großbritannien. Mehr dazu im Artikel zur Videobearbeitung im Dialog.
Testaufbau und Bedingungen
Alle Clips wurden über die API via OpenRouter mit dem Modell google/gemini-omni-1.2-flash in 720p inklusive Audio bei identischem Seed erstellt. Die Eingaben erfolgten im Test auf Polnisch. Ein 6-Sekunden-Clip benötigte etwa 45 bis 55 Sekunden Generierungszeit, 15 Sekunden dauerten 81 Sekunden. Abgelehnte Anfragen wurden nicht berechnet. Beispielprompts zum Nachvollziehen finden Sie in unserer Übersicht der Prompts für Gemini Omni 1.2, während die genauen Kosten pro Sekunde im Artikel zu den Preisen von Gemini Omni 1.2 aufgeschlüsselt sind.
More on this from WISSNOX
benchmarks·Prominente in GPT-Image-2.6: Kein Prompt wurde verweigertHistorische Figuren und lebende Promis in GPT-Image-2.6: Warum der Test ohne Blockaden nachdenklich stimmt und Risiken birgt.