Gemini Omni 1.1 Flash erzeugt 4K – doch Referenzclips enden nach 10 Sekunden
Google veröffentlichte Gemini Omni 1.1 Flash am 27. August 2026 als stabile Version seines Modells für Videogenerierung und -bearbeitung. Ein Bericht von ITmedia bestätigt den Start über die Gemini API und Google AI Studio sowie Szenenverlängerung, Start-/Endbild-Steuerung und hochskalierte Ausgaben bis 4K.
Für Entwickler und Videoteams ist die genaue Bezeichnung der Eingaben entscheidend: Das im Titel zugespitzte Zehn-Sekunden-Limit gilt für hochgeladene Videos, die bearbeitet oder verlängert werden. Technische Referenzvideos bilden eine eigene Kategorie und sind sogar auf höchstens drei Clips mit jeweils bis zu drei Sekunden beschränkt.
Die stabile API liefert kurze Videos bis 4K
Der stabile Modellcode lautet gemini-omni-1.1-flash. Das Modell verarbeitet Text, Bilder und Videos und gibt Video mit Ton aus. Ein einzelner Generierungsschritt dauert drei bis zehn Sekunden; unterstützt werden 360p, 720p, 1080p und 4K bei 24 Bildern pro Sekunde.
720p ist die Standardauflösung. 1080p und 4K entstehen laut Dokumentation durch Hochskalierung. Die Formulierung „erzeugt 4K“ bezeichnet damit die Auflösung der ausgegebenen Datei, nicht eine native Synthese sämtlicher Bilddetails in 4K.
Neu ist außerdem die Möglichkeit, ein Start- und ein Endbild für dieselbe Einstellung festzulegen. Das Modell erzeugt die Bewegung zwischen diesen Fixpunkten. Eine Szenenverlängerung setzt dagegen vorhandenes Material am Clipende fort; vorangestellte Ergänzungen oder Erweiterungen in der Mitte unterstützt die API nicht.
Welche Funktion an welcher Grenze endet
Die technische Anleitung zur Omni-API trennt Ausgabe, Bearbeitungsquelle und Referenzmaterial klar voneinander. Daraus ergibt sich folgende Einsatzmatrix:
- Neue Generierung: Ein Aufruf erzeugt drei bis zehn Sekunden Video. Seitenverhältnisse von 16:9 und 9:16 werden unterstützt.
- Szenenverlängerung: Ein hochgeladenes Ausgangsvideo darf höchstens zehn Sekunden lang sein. Bereits vom Modell erzeugte Videos können über aufeinanderfolgende Interaktionen in Zehn-Sekunden-Schritten bis zu einer kumulierten Länge von 40 Sekunden fortgesetzt werden.
- Start-/Endbild-Interpolation: Zwei Bilder markieren den Anfang und das Ende einer Einstellung. Sie definieren jedoch nicht jeden Zwischenzustand und garantieren daher keine framegenaue Kamerafahrt.
- Separate Videoreferenzen: Zulässig sind höchstens drei Referenzclips mit jeweils bis zu drei Sekunden. Ihre Audiospur wird ignoriert; eine gemeinsame inhaltliche Schlussfolgerung über mehrere Videos hinweg wird nicht unterstützt.
- Auflösung: 360p dient als schnelle Entwurfsstufe, 720p ist der Standard. 1080p und 4K sind hochskalierte Ausgaben.
Für Deutschland, Österreich und die Schweiz kommt eine weitere Grenze hinzu: Das Bearbeiten oder Verlängern selbst hochgeladener Videos ist derzeit im Europäischen Wirtschaftsraum, in der Schweiz und im Vereinigten Königreich nicht verfügbar. Die Verlängerung eines zuvor vom Modell erzeugten Videos wird in den verfügbaren Regionen dagegen unterstützt. Damit ist die stabile API zwar erreichbar, aber nicht jeder beworbene Arbeitsablauf lässt sich im Zielmarkt bereits nutzen.
4K hebt die Zeitgrenzen nicht auf
Die Auflösungswahl und die zeitlichen Grenzen betreffen unterschiedliche Stufen der Verarbeitung. Ein zehnsekündiger Quellclip kann als zulässige Bearbeitungs- oder Verlängerungseingabe dienen und anschließend als hochskalierte 4K-Datei ausgegeben werden. Die höhere Auflösung erweitert jedoch weder die erlaubte Eingabelänge noch die Dauer eines einzelnen Generierungsschritts.
Auch die kumulierten 40 Sekunden sind kein einzelner durchgehender Modelllauf. Sie entstehen aus mehreren Verlängerungen, bei denen jeweils ein neuer Abschnitt generiert wird. Dadurch können sich Abweichungen bei Figuren, räumlichen Details, Bewegung oder Ton von Schritt zu Schritt fortsetzen.
Die Start-/Endbild-Interpolation bietet an einer anderen Stelle Kontrolle: Sie fixiert zwei sichtbare Zustände, überlässt dem Modell aber den Weg dazwischen. Für eine geplante Einstellung ist das präziser als ein reiner Textprompt, ersetzt jedoch keine framegenaue Animation oder klassische Nachbearbeitung.
Sicherheitsprüfungen ändern nichts an bekannten Qualitätsgrenzen
Die Model Card von Google DeepMind dokumentiert fortlaufende menschliche und automatisierte Bewertungen, spezialisiertes Red-Teaming sowie Ethik- und Sicherheitsprüfungen vor der Veröffentlichung. Google nennt außerdem Produktionsfilter und SynthID zur maschinell erkennbaren Kennzeichnung generierter Videos.
Dieselben Unterlagen führen weiterhin technische Schwächen auf. Vollständige Konsistenz über mehrere Bearbeitungsschritte, komplexe Bewegungen und exakt dargestellter Text bleiben schwierig. Eine ausgegebene 4K-Datei ist deshalb kein Beleg dafür, dass Kontinuität, Schrift oder Bewegungsabläufe ohne weitere Prüfung produktionsreif sind.
Das Modell kann bei der Videobearbeitung grundsätzlich auch die Sprache dargestellter Personen verändern. Google schränkt diese Fähigkeit nach eigenen Angaben derzeit ein, während die sichere Bereitstellung weiter untersucht wird. In der API werden außerdem Sprachbearbeitung und die Verwendung hochgeladener Audioreferenzen nicht unterstützt.
Der stabile Status gilt nicht für jeden Produktionsweg
Fest steht: Gemini Omni 1.1 Flash besitzt seit dem 27. August 2026 einen stabilen API-Modellcode und verbindet kurze Videogenerierung mit Szenenverlängerung, Bildinterpolation sowie hochskalierter 4K-Ausgabe. Die entscheidenden Grenzen liegen bei höchstens zehn Sekunden für hochgeladene Bearbeitungs- und Verlängerungsvideos sowie bei drei Sekunden je separatem Referenzclip.
Offen bleibt, wie zuverlässig lange Ketten von Verlängerungen außerhalb ausgewählter Beispiele ihre visuelle und akustische Kontinuität halten. Für den deutschsprachigen Markt ist zudem maßgeblich, wann Google die regionale Sperre für die Bearbeitung und Verlängerung hochgeladener Videos aufhebt.
Lesen Sie auch:
Newsletter abonnieren
Erhalten Sie die neuesten Nachrichten zu Web3, KI und Krypto direkt in Ihren Posteingang.