Física + sonidoCanicas en un laberinto de madera: cada choque con su propio sonido
Demo de Gemini Omni
Vea el clip y explore su movimiento, sus detalles y el trabajo de cámara.
Una sola red neuronal admite cualquier combinación de entradas (texto, hasta 7 fotos, audio, un vídeo de origen) y genera un clip terminado con sonido en una sola pasada. No tiene que montarlo con varios modelos: un único modelo entiende todas las entradas a la vez, imagen, sonido y movimiento.
Cuatro pasos, de la idea al clip terminado. Sin editores externos, sin modelos de locución independientes, sin suscripciones mensuales.
Solo el prompt de texto es obligatorio. Lo demás es opcional: hasta 7 fotos (producto, rostro del protagonista, paleta), un vídeo de origen para volver a renderizar (hasta 30 s; el modelo toma de él un clip de hasta 10 s), personajes guardados o voces guardadas.
Escriba un prompt (hasta 10.000 caracteres): qué aparece en pantalla, cómo se mueve la cámara, la iluminación, el ambiente, el ritmo. El modelo respeta sus referencias y mantiene al protagonista en primer plano.
Elija una duración (4 / 6 / 8 / 10 s) y una resolución (720p / 1080p / 4K). El modelo genera el vídeo y una pista de audio coherente en una sola tarea, sin locución aparte ni edición adicional.
¿El resultado no es del todo el esperado? Cambie el modo, sustituya las referencias, perfeccione el prompt. Los experimentos se pagan con el mismo saldo de créditos, sin necesidad de suscripciones adicionales.
El ejemplo canónico de Google: un vídeo de un helecho + una imagen de luciérnagas + una pista de arpa + un prompt de texto; el modelo lo fusiona todo en una sola escena. Eso es «un modelo para cualquier tipo de entrada» en la práctica.
Демо-видео — Google DeepMind, Gemini Omni keynote, май 2026. Зеркалированы на CDN Clipia для скорости загрузки. · оригинал →
Gemini Omni elige el modo por sí mismo según lo que suba en la página «Crear vídeo». Si sube una foto, pasa a «imagen a vídeo»; si añade un vídeo, a «volver a renderizar»; si no sube nada, a «solo texto». Sin un modelo distinto para cada escenario.
Describa la escena con palabras: el modelo se ocupa del encuadre, la iluminación y el movimiento de cámara. El sonido (física, ambiente, voces) lo genera la misma red neuronal junto con la imagen. Ideal para bocetos rápidos, pruebas de ideas y primeros borradores.
Reúna fotogramas clave, el producto, el estilo y la paleta: el modelo los une en un solo vídeo. Las tomas desde varios ángulos de un mismo protagonista o las transiciones suaves de estilo son cuestión de subir las imágenes adecuadas.
Suba un original de hasta 30 segundos: el modelo toma de él un clip de hasta 10 segundos y lo renderiza de nuevo con otro estilo. Cambie la iluminación, la estación, la hora del día o el estilo artístico, o sustituya objetos mediante una descripción. La composición, el ritmo y el movimiento de cámara se conservan.
Adjunte hasta tres personajes guardados: el rostro, el cuerpo y el estilismo se mantienen idénticos entre generaciones. Útil para series publicitarias, avatares y marcas personales.
Adjunte hasta tres voces guardadas: el modelo genera un vídeo con locución o con un presentador en cámara. Los movimientos de los labios se sincronizan con el habla en el momento de la generación, sin edición adicional.
El material de la presentación de Google muestra toda la gama de capacidades: física y audio, manos y reflejos realistas, estilos artísticos, transformación de objetos, tipografía cinética. Todos los clips se sirven desde el CDN de Clipia.
La experiencia distintiva de Gemini Omni: tras generar, perfeccione el clip con mensajes al estilo de un chat. El modelo recuerda la conversación y actualiza solo lo que usted pidió; los rostros, el ritmo y la lógica de la escena se mantienen coherentes. No es Photoshop ni una «varita mágica»: es un diálogo paso a paso con el modelo.
Suba un vídeo existente y describa el estilo: el modelo vuelve a renderizar la escena conservando el movimiento y el ritmo. El cambio de objetos y los cambios estéticos funcionan a partir de una descripción de texto, sin máscaras ni contornos manuales.
Cuatro diferencias clave respecto a los modelos clásicos de texto a vídeo como Veo 3.1, Kling 3, Wan 2.7 y Seedance 2.0.
Combine fotogramas clave, paleta, rostro del protagonista y estilo en una sola solicitud. Presupuesto compartido: 7 «espacios» entre imágenes, vídeo y personajes (cada imagen = 1 espacio, vídeo = 2, personaje guardado = 1).
Hasta tres personajes fijados. El rostro y el cuerpo se mantienen iguales entre generaciones: las series, los avatares y las franquicias se vuelven realistas sin entrenar modelos adicionales.
El sonido (física, ambiente, voces) lo genera la misma red neuronal que la imagen, así que se mantiene sincronizado con la acción en pantalla. Sin un modelo de locución aparte: todo en una sola pasada.
720p para borradores rápidos, 1080p para redes sociales, 4K para la entrega final. Duraciones de 4 / 6 / 8 / 10 segundos para cualquier formato.
Seis escenarios en los que reunir distintos tipos de entrada en un solo modelo supone una mejora real de velocidad.
Tres razones prácticas, sin palabrería de marketing.
Sin saltar entre «desde texto», «desde imagen» y «desde vídeo» en interfaces distintas. Cualquier entrada: una ventana, un modelo, un precio.
El sitio de Google exige AI Plus a $20/mes. En Clipia: créditos de su plan, cualquier tarjeta, soporte incluido.
Hailuo 2.3, Veo 3.1, Seedance 2.0, Kling 3, Wan 2.7, justo al lado. Compare un mismo prompt entre modelos en minutos.
Respuestas rápidas sobre modos, límites y precios.
El nuevo modelo de Google, presentado en Google I/O 2026. Admite texto, hasta 7 imágenes, vídeo y audio, y produce en una sola pasada un clip de 4–10 segundos en hasta 4K con sonido. La diferencia clave respecto a Veo 3.1, Kling 3 y Seedance 2.0 es que no es una cadena de varios modelos: es una única red neuronal que trabaja con todas las entradas a la vez.
Cinco: «solo texto», «texto + hasta 7 fotos», «texto + un vídeo de origen de hasta 30 segundos» (el modelo toma de él un clip de hasta 10 s), «texto + hasta 3 personajes guardados» (para mantener coherente al protagonista entre clips) y «texto + hasta 3 voces guardadas». El modo se elige automáticamente según los campos que rellene en la página «Crear vídeo».
El modelo tiene un presupuesto compartido de 7 «espacios» para sus entradas: cada imagen = 1 espacio, un vídeo de origen = 2 espacios, un personaje guardado = 1 espacio. Las voces guardadas no cuentan. Ejemplo: 5 imágenes + 1 personaje = 6 espacios, correcto. 6 imágenes + 1 vídeo = 8, supera el límite: la solicitud se rechaza antes de enviarse.
Cuatro valores fijos: 4, 6, 8 y 10 segundos. En «vídeo a vídeo» la duración la determina el fragmento del vídeo de origen (inicio–fin), con un máximo de 10 segundos por ejecución. El sitio de Google también tiene un límite de 10 segundos.
720p (predeterminada), 1080p y 4K. La relación de aspecto es 16:9 o 9:16. El formato cuadrado 1:1 no se admite en el lanzamiento (solo horizontal y vertical, para Shorts/Reels). 4K duplica aproximadamente el coste y el tiempo de generación respecto a 1080p.
El precio depende de la resolución y la duración: desde 30 créditos por 720p × 4 segundos hasta 100 créditos por 4K × 10 segundos. El coste exacto se muestra antes de iniciar. 4K es el nivel más caro. Los créditos se descuentan del saldo de su plan.
Un identificador de personaje guardado: el rostro y el cuerpo que el modelo mantiene coherentes entre distintos clips. Útil para series con un mismo protagonista: campañas publicitarias, conjuntos de avatares, episodios. Por ahora los personajes guardados se crean a través de soporte; la subida por cuenta propia está prevista para más adelante.
Voces guardadas que se usan para la locución o para un presentador en pantalla. El modelo ajusta el movimiento de los labios y la entonación al texto. Hasta 3 voces guardadas por generación. Por ahora la configuración de voces se hace a través de soporte; más adelante habrá un catálogo público.
Sí. Las generaciones realizadas en cualquier plan de pago de Clipia (Basic / Standard / Pro / Ultima) pueden usarse en anuncios, contenido y productos, y venderse a clientes. Google también añade SynthID, una marca de agua invisible en el vídeo que lo identifica como generado por IA. Es el nuevo estándar del sector en materia de transparencia.
Hailuo 2.3: física realista y animación de imagen a vídeo de hasta 10 segundos. Veo 3.1: 8 segundos fijos con sonido. Kling 3: clips de 3–15 s y escenas de varios planos. Seedance 2.0: hasta 9 referencias y generación rápida. Gemini Omni destaca por la amplitud de entradas: es el único modelo en el que texto, hasta 7 fotos, vídeo, un personaje con el mismo protagonista y audio se combinan en una sola solicitud, todo en una única red neuronal. Los cuatro están disponibles en Clipia: elija el que mejor se ajuste a la tarea.