Gemini Omni 1.2 Flash erstellt Videos bis 15 Sekunden

Im Videogenerator von ChatX steht ein neues Modell zur Wahl: Gemini Omni 1.2 Flash von Google. Es erzeugt Clips von bis zu 15 Sekunden am Stück, immer mit Ton. Google hat das Modell am 5. November 2026 allgemein freigegeben. Hier steht, was es kann, was ein Clip an Token kostet und wie du deine Prompts schreibst, damit das Ergebnis passt.

Das Wichtigste in Kürze

• Länge: 3 bis 15 Sekunden pro Clip, in Schritten von einer Sekunde. Der Vorgänger Omni 1.1 schaffte höchstens 10 Sekunden.
• Ton: Sprache, Geräusche und Musik entstehen zusammen mit dem Bild. Ein Video ohne Tonspur gibt es nicht.
• Auflösung: 360p, 720p, 1080p und 4K. Die beiden höchsten Stufen werden hochskaliert.
• Format: Querformat 16:9 oder Hochformat 9:16, 24 Bilder pro Sekunde, als MP4.
• Eingabe: ein Text, ein Startbild oder Start- und Endbild. Mit zwei Bildern sind höchstens 10 Sekunden möglich.
• Vorlagenbilder: Bis zu sechs Bilder halten eine Figur oder ein Produkt über den ganzen Clip hinweg gleich.
• Kennzeichnung: Jedes Video trägt das unsichtbare Wasserzeichen SynthID, an dem sich KI-Videos erkennen lassen.

Laut Googles Ankündigung klingen Dialoge natürlicher und die Lippen bewegen sich passender zur Sprache als bisher. Außerdem ist das Modell 30 Prozent günstiger als Omni 1.1.

Von Veo zu Omni

Wer bisher mit Googles Videomodellen gearbeitet hat, kennt den Namen Veo. In der Gemini API hat Omni diese Rolle übernommen:

• 30. Juni 2026: Omni Flash erscheint als Vorschau, mit Clips bis 10 Sekunden in 720p.
• 27. August 2026: Omni 1.1 Flash wird allgemein verfügbar und bringt Start- und Endbild sowie Auflösungen bis 4K.
• 22. Oktober 2026: Google schaltet Veo 3.1 in der Gemini API ab und nennt Omni als Nachfolger.
• 5. November 2026: Omni 1.2 Flash folgt mit 15 Sekunden, bis zu sechs Vorlagenbildern und niedrigerem Preis.

Was ein Clip auf ChatX kostet

Gemini Omni 1.2 Flash findest du im Videogenerator neben Seedance 2.5, Kling 4.0, Wan 3.0, MiniMax H3 Max und HeyGen Video 1. Du brauchst dafür ein kostenloses Konto. Abgerechnet wird pro Sekunde Video, der Preis hängt von der Auflösung ab.

Ein Clip mit vollen 15 Sekunden in 720p kostet demnach 255.000 Token. Unser Rat: Probiere eine Idee zuerst in 360p aus. Das kostet ein Drittel und zeigt dir, ob Bildaufbau, Bewegung und Ton stimmen. Erst wenn der Prompt sitzt, lohnt sich die höhere Auflösung.

Unser Test mit drei kurzen Clips

Wir haben drei Eingabearten ausprobiert: Text, Startbild und Vorlagenbild, jeweils mit 3 Sekunden in 360p. Das ist die günstigste Einstellung und kostet rund 17.000 Token je Clip.

Alle drei Clips kamen mit Tonspur. Mit dem Startbild beginnt das Video exakt beim hochgeladenen Foto: Die Kamera fährt heran, die Ladentür geht auf und die Kreidetafel mit „Lesung heute um 19 Uhr, Eintritt frei“ bleibt Buchstabe für Buchstabe lesbar.

Clip mit Startbild: 3 Sekunden, 360p, mit Ton. Das Bild der Buchhandlung stammt aus unserem Test von Nano Banana 2.1.

Beim Vorlagenbild baut das Modell die Szene neu auf. Laden, Schriftzug und Kreidetafel blieben erhalten, dazu kamen Regen, nasses Pflaster und Passanten mit Schirmen. Kleinigkeiten gingen verloren, etwa die Bank vor der Tür. Wichtig ist eine deutliche Beschreibung: „Es regnet stark, nasses Pflaster“ wirkt besser als nur „im Regen“.

Clip mit Vorlagenbild: derselbe Laden, jetzt im Regen.

So schreibst du gute Prompts

Die folgenden Hinweise stammen aus Googles Prompt-Leitfaden für Omni Flash. Schreib deine Prompts am besten auf Englisch (mehr dazu im letzten Abschnitt).

• Eine Einstellung verlangen: Ohne Vorgabe schneidet das Modell gern mehrere Einstellungen zusammen. Willst du eine durchgehende Szene, schreib „In a single continuous shot“ oder „No scene cuts“ dazu.
• Den Ton beschreiben: Omni wählt sonst selbst eine passende Tonspur. Musik musst du ausdrücklich nennen, etwa „Include calm background music“. Soll niemand sprechen, hilft „No dialogue“.
• Zeitpunkte angeben: Du kannst festlegen, wann etwas passiert. Das geht in normaler Sprache („After 3 seconds …“) oder mit Zeitmarken wie [0-5s].
• Unerwünschtes direkt ausschließen: Ein eigenes Feld für Negativ-Prompts kennt das Modell nicht. Schreib Verbote einfach in den Prompt.
• Text im Bild vorgeben: Schilder oder Einblendungen gelingen am ehesten, wenn du den genauen Wortlaut in Anführungszeichen nennst.

Drei Beispiele zum Anpassen:

Ruhige Einzelszene mit Geräuschen

In a single continuous shot, a ceramic mug of coffee steams on a wooden table next to a rain-streaked window. The camera slowly pushes in. Sound design: soft rain, a distant tram bell. No dialogue, no music.

Ablauf mit Zeitmarken (15 Sekunden)

[0-5s] A cyclist rides along a foggy lakeside path at dawn.
[5-10s] She stops and takes a thermos from her bag.
[10-15s] Wide shot: the sun breaks through the fog over the lake. Calm acoustic guitar music throughout.

Produktclip mit lesbarem Schriftzug (Hochformat)

A slow rotating shot of a matte green water bottle on a white pedestal, soft studio light. A small sign next to it says: "Refill. Repeat." Upbeat, minimal electronic music. No scene cuts, no people.

Für den Produktclip kannst du ein eigenes Foto als Vorlagenbild hochladen. Dann bleibt die Flasche im Video deutlich näher am Original.

Wo das Modell an Grenzen stößt

• Sprache: Laut Google ist nur Englisch vollständig getestet. Deutsche Prompts können funktionieren, die Ergebnisse schwanken aber stärker.
• Personen auf Vorlagen: Fotos bestimmter erkennbarer Personen lehnt Google ab. Bilder, auf denen Minderjährige zu sehen sind, werden im Europäischen Wirtschaftsraum, in der Schweiz und in Großbritannien ebenfalls nicht angenommen.
• Inhaltsfilter: Google prüft den Prompt und das fertige Video. Was gegen Googles Richtlinien verstößt, wird blockiert. Darauf hat ChatX keinen Einfluss.
• Schwierige Motive: Schnelle Sportszenen und komplizierte Physik nennt Google selbst als Bereiche, an denen noch gearbeitet wird.
• Hohe Auflösung: 1080p und 4K entstehen durch Hochskalieren. Mehr Bilddetails als in 720p stecken also nicht unbedingt drin.