Google hat mit Gemini Omni 1.1 Flash ein Update seines multimodalen Video-Modells veröffentlicht, das für KI-Videoproduktionen wie unsere in mehrfacher Hinsicht relevant ist. Das Modell wurde Ende August 2026 vorgestellt und rückt eine Eigenschaft in den Mittelpunkt, an der sich in der Praxis oft entscheidet, ob ein KI-Clip brauchbar ist oder nicht: Kontrolle. Statt bei jedem Prompt aufs Neue zu würfeln, bekommen Kreative jetzt Werkzeuge, um Szenen gezielt zu verlängern, Anfang und Ende eines Clips über zwei Standbilder festzulegen und bestehende Aufnahmen um mehrere Sekunden weiterzuerzählen. Wir haben die Ankündigung und die technischen Details der Fachpresse gesichtet und ordnen ein, was das Modell wirklich kann – und wo Google mit Begriffen wie „4K" vorsichtig formuliert.
Was Gemini Omni 1.1 Flash ist
Gemini Omni ist Googles Familie multimodaler Generierungsmodelle, die Text, Bild und Video als Eingabe verarbeiten und Video mit synchronem Ton ausgeben. Die Version 1.1 Flash ist die auf Geschwindigkeit und Kosten optimierte Variante innerhalb dieser Reihe – das „Flash" im Namen kennzeichnet bei Google traditionell die schnellen, preisgünstigen Modelle, die für hohe Volumina und produktive Workflows gedacht sind. Der Fokus dieses Updates liegt nicht auf einem spektakulären Sprung in der reinen Bildqualität, sondern auf Steuerbarkeit: Google positioniert Omni 1.1 Flash als Modell, mit dem man Video-Sequenzen kontrolliert aufbaut, statt sich auf den Zufall eines einzelnen Prompts zu verlassen.
Das Modell ist laut Google über mehrere Kanäle verfügbar: über die Gemini API und Google AI Studio für Entwickler:innen, über die Gemini Enterprise Agent Platform für Unternehmen sowie in Google Flow und in der Gemini-App für Abonnent:innen der Tarife Google AI Plus, Pro und Ultra. Damit deckt Google die gesamte Kette ab – vom API-Zugriff für Studios und Automatisierungen bis zur Consumer-Oberfläche für einzelne Creator.
Die neuen Funktionen im Detail
Szenenverlängerung (Scene Extension)
Das Kernstück des Updates ist die Szenenverlängerung. Das Modell analysiert das Ende eines vorhandenen Clips und generiert eine Fortsetzung von drei bis zehn Sekunden, die nahtlos anschließen soll. Entscheidend ist dabei ein erweitertes Kontextfenster: Während die Vorgängerversion nur die letzte Sekunde des Ausgangsvideos berücksichtigte, bezieht Omni 1.1 Flash laut übereinstimmenden Fachberichten bis zu die vorangehenden zehn Sekunden mit ein. Das verbessert die Chance, dass Bewegung, Beleuchtung und Bildkomposition über den Schnittpunkt hinweg konsistent bleiben.
Zwei Einschränkungen sollte man kennen: Die Verlängerung funktioniert ausschließlich am Ende eines Clips – ein Einfügen in der Mitte oder ein Rückwärts-Erweitern ist nicht vorgesehen. Und die einzelnen Verlängerungen bauen inkrementell aufeinander auf. Auf diese Weise lassen sich Sequenzen bis zu einer Gesamtlänge von rund 40 Sekunden zusammensetzen – nicht als ein einziger Rechendurchlauf, sondern schrittweise über mehrere Extension-Zyklen.
First- und Last-Frame-Interpolation
Die zweite große Neuerung ist die First-/Last-Frame-Steuerung. Nutzer:innen weisen dem Modell zwei Bilder zu – eines als Startframe, eines als Endframe – und das Modell interpoliert ein durchgehendes Video zwischen beiden. Für die Produktion ist das ein handfester Kontrollgewinn: Wer den Anfangs- und Endzustand einer Einstellung exakt vorgeben kann, plant Übergänge, Kamerafahrten und Produkt-Reveals deutlich verlässlicher, als wenn man rein über Text-Prompts arbeitet.
Referenzvideos für Charaktere und Bewegung
Omni 1.1 Flash akzeptiert bis zu drei Referenzvideos von jeweils maximal drei Sekunden Länge, um Charaktere oder Bewegungsmuster über mehrere Generierungen hinweg zu erhalten. Das ist der Ansatz, mit dem die Branche das notorische Problem der Charakter-Konsistenz angeht – also die Frage, ob eine Figur in Shot 2 noch so aussieht wie in Shot 1. Google weist allerdings selbst darauf hin, dass ein echtes Querverweisen oder Schlussfolgern über mehrere Videos hinweg nicht unterstützt wird und die Genauigkeit hier begrenzt bleibt.
Audio
Das Modell erzeugt Ton passend zum Bild und nimmt Vorgaben zu Dialog oder Musik über den Prompt entgegen. Was es nicht kann: eine Audiodatei als Eingabe verarbeiten, Stimmen nachträglich bearbeiten oder den Ton aus einem Referenzvideo übernehmen. Für vertonte Clips heißt das – der Sound entsteht generativ aus der Prompt-Beschreibung, nicht aus zugeliefertem Material.
„4K" – aber mit Sternchen
Ein Punkt, bei dem sich genaues Hinsehen lohnt: Google bewirbt eine 4K-Ausgabe, kennzeichnet diese in der API-Dokumentation aber ausdrücklich als hochskaliert, nicht als nativ generiert. Die interne Standardauflösung des Modells liegt bei 720p; 1080p und 4K werden als Upscales angeboten.
Wer „4K" in der Feature-Liste liest, sollte das als Upscaling verstehen, nicht als native Auflösung. Für Web- und Social-Ausspielung ist das oft völlig ausreichend – für großformatige Ausgabe auf hochauflösenden Displays sollte man die Ergebnisse aber real prüfen, statt sich auf das Label zu verlassen.
Diese Ehrlichkeit im Kleingedruckten ist bemerkenswert, weil „4K" als Marketingbegriff im KI-Video-Sektor inflationär verwendet wird. Für die Produktionsplanung ist die native 720p-Basis die ehrlichere Kennzahl.
Auflösung, Bildrate und Preise
Die einzelnen Ausgaben liegen bei drei bis zehn Sekunden Länge mit 24 Bildern pro Sekunde – die klassische Kino-Bildrate. Bei den Preisen hat Google im offiziellen Blog keine detaillierte Tabelle veröffentlicht; laut übereinstimmenden Branchenberichten bewegen sich die API-Kosten pro Sekunde generiertem Video jedoch ungefähr in dieser Größenordnung:
- 360p: ca. 0,03 US-Dollar pro Sekunde
- 720p: ca. 0,10 US-Dollar pro Sekunde
- 1080p: ca. 0,15 US-Dollar pro Sekunde
- 4K (upscaled): ca. 0,30 US-Dollar pro Sekunde
Zusätzlich gibt es Berichten zufolge einen Draft-Modus in 360p, der bis zu 60 Prozent schneller laufen und rund ein Drittel der Kosten einer Standard-720p-Generierung verursachen soll. Für iteratives Arbeiten – also viele schnelle Entwürfe, bevor man den finalen Take in höherer Auflösung rechnet – ist das ein praktischer Hebel. Wir behandeln diese Preisangaben ausdrücklich als von der Fachpresse berichtete Näherungswerte; verbindlich sind die aktuellen Zahlen in der offiziellen Gemini-API-Preisübersicht.
Bekannte Grenzen
Google kommuniziert die Schwächen des Modells vergleichsweise transparent. Das Model Card nennt Herausforderungen bei der Konsistenz während Edits, bei komplexen Bewegungen und bei der akkuraten Darstellung von Text im Bild – der Klassiker unter den Schwachstellen generativer Videomodelle. Auch sprachverändernde Edits sind derzeit eingeschränkt. Wer also darauf setzt, dass ein Modell fehlerfreie Schriftzüge, Logos oder Untertitel direkt ins Bild rendert, wird weiterhin nacharbeiten müssen.
Ein organisatorisches Detail für Entwickler:innen: Der frühere Preview-Endpunkt wird laut Fachberichten am 30. September 2026 abgeschaltet. Wer Automatisierungen oder Pipelines auf der Vorschau-Version aufgebaut hat, sollte rechtzeitig auf den regulären Endpunkt migrieren, um Ausfälle zu vermeiden.
Einordnung: Kontrolle schlägt Spektakel
Das eigentlich Interessante an diesem Release ist die Richtung, die er markiert. Der Wettlauf der KI-Videomodelle wurde lange über zwei Zahlen ausgetragen: maximale Clip-Länge und maximale Auflösung. Omni 1.1 Flash verschiebt den Schwerpunkt auf Steuerbarkeit und Wiederholbarkeit – also genau die Eigenschaften, die den Unterschied zwischen einem viralen Einzelclip und einem produktionstauglichen Werkzeug ausmachen. Szenenverlängerung mit größerem Kontextfenster, First-/Last-Frame-Vorgaben und Referenzvideos sind keine Show-Features, sondern Antworten auf die täglichen Reibungspunkte im Studio-Alltag.
Gleichzeitig zeigt das „4K"-Kleingedruckte, dass die Branche noch mit denselben physikalischen Grenzen ringt: native Hochauflösung ist teuer, also wird upgescalt. Wer Modelle vergleicht, sollte weniger auf die Schlagworte in der Feature-Liste und mehr auf native Auflösung, Bildrate, tatsächliche Konsistenz und die realen Kosten pro fertigem Take achten.
Was das für eure Projekte bedeutet
Für die Praxis in einer KI-Videoproduktion ergeben sich aus diesem Update mehrere konkrete Ansatzpunkte. Erstens die Szenenverlängerung: Wer bisher gegen die harte Grenze kurzer Clips gelaufen ist, kann Sequenzen jetzt schrittweise auf rund 40 Sekunden aufbauen – ideal für Establishing-Shots, Produkt-Loops oder Übergänge, die ein paar Sekunden mehr Luft brauchen. Wichtig ist, die inkrementelle Logik einzuplanen: Jede Verlängerung baut auf dem vorherigen Ende auf, also lohnt es sich, den Ausgangsclip sauber und mit klarer Bewegungsrichtung zu produzieren, damit die Fortsetzungen nicht driften.
Zweitens die First-/Last-Frame-Kontrolle: Für Auftragsarbeiten, bei denen ein bestimmter Start- und Endzustand vorgegeben ist – etwa ein Produkt, das sich aus einer definierten Position in eine andere bewegt –, ersetzt dieses Feature das mühsame Prompt-Roulette durch planbare Ergebnisse. Wir empfehlen, die beiden Keyframes vorab als saubere Standbilder zu gestalten (gegebenenfalls aus einem Bildmodell), weil die Qualität der Interpolation stark von der Qualität dieser Eckpunkte abhängt.
Drittens der Draft-Modus in 360p: Für die Iterationsphase ist er ein Kostenhebel. Ein sinnvoller Workflow ist, viele Varianten günstig in 360p zu testen, die Bild- und Bewegungsidee dort festzuzurren und erst den finalen Take in 1080p zu rechnen. Das spart bei Volumen spürbar Budget, ohne kreative Freiheit zu opfern.
Viertens die Konsistenz-Referenzen: Die Möglichkeit, bis zu drei kurze Referenzvideos für Charaktere oder Bewegung mitzugeben, ist einen Test wert – gerade für wiederkehrende Figuren oder Markenelemente. Angesichts der von Google selbst genannten Genauigkeitsgrenzen sollte man sie aber als Hilfe, nicht als Garantie einplanen und Konsistenz weiterhin im Schnitt absichern.
Und schließlich die Einschränkungen ehrlich einkalkulieren: Text im Bild, komplexe Bewegungen und exakte Logos bleiben Nacharbeits-Kandidaten. Wer solche Elemente braucht, plant sie besser als Compositing-Ebene in der Postproduktion ein, statt sie vom Modell rendern zu lassen. Unter dem Strich ist Gemini Omni 1.1 Flash weniger ein „schöneres Bild"-Update als ein Werkzeug-Update – und genau solche Kontroll-Features sind es, die KI-Video vom Effekt zum verlässlichen Produktionsmittel machen.