---

title: Was wir über Gemini Omni wissen – 48 Stunden vor der Google I/O description: Strings in der Gemini App, ein Leak von 9to5Google und das, was Veo 3.1 bereits kann – zusammen zeichnen sie ein ziemlich klares Bild dessen, was Google ankündigen wird. Meine Einschätzung sieben Tage vor dem Start. created_at: 2026-05-12 author_name: Lena Hoffmann author_image: /imgs/authors/lena-hoffmann.jpg image: /imgs/blog/what-we-know-about-gemini-omni-before-io.webp

Ich schreibe dies am 12. Mai 2026 – genau sieben Tage vor der Google I/O. Sollten die Vorhersagen in diesem Beitrag bis zum 20. Mai schlecht altern, ist das in Ordnung, ich lasse mich lieber darauf festlegen. Wenn sie gut altern, umso besser.

Was ich hier tun möchte, ist, das tatsächlich Bekannte über "Gemini Omni" durchzugehen, das Signal vom Spekulativen zu trennen und zu erklären, worauf ich für /tools/text-to-video und den Rest des GeminiOmni-Stacks setze, wenn die Ankündigung kommt.

Der String in der App

Das konkreteste Beweisstück kam am 5. Mai, als 9to5Googles APK-Teardown eine neue Ressource in der Gemini Android App fand:

Erstellen mit Gemini Omni: Lerne unser neues Videomodell kennen, mische deine Videos neu ab, bearbeite direkt im Chat, probiere Vorlagen aus und vieles mehr.

Einige Dinge sind mir beim ersten Lesen sofort aufgefallen:

1. "Unser neues Videomodell" – Singular. Nicht "Videomodelle", nicht "Video und Audio". Googles Rahmung positioniert dies als das Video-Angebot der nächsten Generation, auch wenn (wie ich weiter unten argumentieren werde) das Modell selbst wahrscheinlich allgemeiner ist, als dieser String impliziert.
2. "Mische deine Videos neu ab, bearbeite direkt im Chat" – das ist die chat-native Bearbeitungsfunktion, die Nano Banana 2 bereits für Bilder bietet. Google erweitert die konversationelle Bearbeitungs-UX auf Videos.
3. "Probiere Vorlagen aus" – Google liefert eine Vorlagenoberfläche innerhalb der Gemini App aus. Dies ist ein Hinweis auf die Distribution, nicht auf das Modell selbst. Indie-Entwickler sollten davon ausgehen, dass ihre Videotools jetzt mit Ein-Klick-Vorlagen in der Verbraucher-Gemini-App konkurrieren.

Testing Catalog führte eine Nachverfolgung mit Beispielausgaben in den Debug-Builds der App durch. Die Ästhetik ist näher an Veo 3.1 als an irgendetwas, das ich von Imagen gesehen habe, und die Vorlagen scheinen einige Bild-zu-Video-Abläufe zu enthalten.

Warum ich glaube, dass "Omni" größer ist als der Leak vermuten lässt

Der Name "Omni" hat eine große Bedeutung. Google nennt Modelle nicht leichtfertig "Omni". Die Namenswahl sagt mir drei Dinge:

Ein Modell, nicht drei. Das Muster, das Google niedergelegt hat – Nano Banana für kontextbezogene Bildbearbeitung, Veo für Video, Gemini Flash für alles andere – waren drei spezialisierte Modelle hinter einer Chat-Oberfläche. "Omni" liest sich für mich wie die Vereinheitlichung dessen. Bild und Audio in einem Durchlauf. Video und Bild in einem Durchlauf. Möglicherweise Textgenerierung, die mit der Mediengenerierung in einem einzigen Vorwärtsaufruf zusammengelegt wird.

Die Video-Rahmung ist der Verbraucher-Pitch. Marketingteams stecken die verständlichste Fähigkeit in den Ankündigungs-String. "Neues Videomodell" ist auf einer Keynote leichter zu erklären als "vereinheitlichtes multimodales generatives Modell mit nativer Audio- und Chat-nativer Bearbeitung." Aber die Entwickleroberfläche ist wahrscheinlich breiter, als die Keynote vermuten lässt.

Omni Reference ist das eigentliche Feature. Wenn du Veo 3.1 mit Referenzbildern verwendet hast, weißt du, wie leistungsfähig die UX "Sperre dieses Motiv über den gesamten Clip" ist. Das Stichwort, das der Leak nicht erwähnt, das aber durch "Mische deine Videos neu ab" impliziert wird, ist – mit ziemlicher Sicherheit – Multi-Reference-Omni-Mode: Gib ihm ein Motiv, ein Stilbild und ein Drehbuch, und lass ein Modell ein kohärentes Videostück produzieren.

Was Veo 3.1 bereits kann

Um die Erwartungen zu kalibrieren: Alles, was Veo 3.1 Fast bereits kann, ist die Basis für das, was Omni ausliefert. Heute, bei Veo 3.1 Fast für 0,15 $ pro Sekunde:

• 8-sekündiges 1080p-Video mit nativem synchronisierten räumlichen Audio
• Referenzbild-gesperrte Charakterkonsistenz (1–4 Eingabebilder)
• Physik-bewusste Bewegung für Stoff, Wasser, Haare und Brechung
• Text-zu-Video, Bild-zu-Video und Kurzform-Video-zu-Video-Remixing
• Chat-artige Bearbeitungen ("verlangsame dies bei 0:03") an zuvor generierten Clips

Dies ist bereits eine absurde Menge an Fähigkeit für den Preis. Was auch immer Omni ausliefert, wird an dieser Basis gemessen werden. Wenn Omni keine funktionierende Version all dieser Funktionen enthält, werden Indie-Entwickler leise bei Veo 3.1 bleiben.

Drei Vorhersagen, bei denen ich meinen Namen nenne

Ich habe mich schon bei Google I/O-Ankündigungen geirrt, also nimm dies mit der gebotenen Vorsicht.

Vorhersage 1: Omnis Hauptmerkmal ist Multi-Modal-in-einem-Prompt. Du wirst in der Lage sein, einen einzigen Gemini-Prompt einzugeben und ein strukturiertes Objekt zurückzubekommen, das Video, Standbilder, Erzähl-Audio und vielleicht ein Transkript enthält – alles gemeinsam generiert, sodass es intern konsistent ist. Dies ist der offensichtliche nächste Schritt von "Video und Audio in einem Durchlauf" zu "alles in einem Durchlauf."

Vorhersage 2: Die Preisgestaltung liegt unter der Summe der Teile. Heute erfordert die Generierung eines 30-sekündigen erklärenden Videos mit Erzählung mindestens drei API-Aufrufe: Veo für das Video, TTS für die Erzählung, Imagen für Daumenkino-Bilder. Wenn Omni diese bündelt, wird Google es zu etwa 70 % der Summe bepreisen. Das ist der Hebel, der Indie-Entwickler vom Mehrfachaufruf-Workflow wegbringt.

Vorhersage 3: Es wird am ersten Tag keine nutzbare API geben. Google hat eine Geschichte damit, Modelle auf der I/O anzukündigen und den API-Zugang Wochen später auszuliefern. Ich erwarte einen Launch mit kontrolliertem Zugang, bei dem die Verbraucher-Gemini-App Omni sofort erhält, AI Studio innerhalb einer Woche und die öffentliche Entwickler-API 2–4 Wochen nach der I/O. Indie-Entwickler sollten mit einer Lücke planen.

Was ich unter der Annahme ausliefere, dass Omni wie erwartet landet

Drei konkrete Wetten, die ich im GeminiOmni-Codebase basierend auf dieser Lektüre eingegangen bin:

Ein "Coming May 20"-Platzhalter auf der Startseite. Der Hero auf geminiomni-ai.com erwähnt Omni Mode explizit. Ich setze lieber vorzeitig auf das Stichwort und wirke leicht albern, wenn der Launch verrutscht, als um 3 Uhr morgens pazifischer Zeit am Launchday den Text zu aktualisieren.

Serverseitiges Prompt-Routing. Die vier Tools – Text-zu-Video, Bild-zu-Video, Nano Banana Bearbeitung, PDF-Chat – routen alle durch einen einzigen internen Endpunkt mit einem Modellparameter. Wenn Omnis Entwickler-API geöffnet wird, ändere ich einen Konfigurationswert, und dasselbe benutzerseitige Tool beginnt, das neue Modell zu verwenden. Keine Client-Änderungen erforderlich.

Noch keine eigenständige "Omni"-Benutzeroberfläche. Ich baue keine fünfte Tool-Kachel mit der Bezeichnung "Omni", bis ich die tatsächliche API gesehen und entschieden habe, was die richtige UX-Hülle ist. Wenn Omnis Markenzeichen "Ein Prompt, vier Medientypen" ist, könnte die richtige Benutzeroberfläche ein einzelnes Chat-Feld anstelle von vier separaten Tools sein – und das ist eine größere Produktentscheidung, als ich vor dem Launch treffen möchte.

Worauf ich während der Keynote achte

Wenn du live auf der I/O am 19.–20. Mai einschaltest, sind dies die drei Dinge, die am meisten beeinflussen, was Indie-Entwickler als Nächstes ausliefern sollten:

1. Preisgestaltung. Eine Zahl pro Sekunde für Omni-Videoausgabe. Wenn sie auf oder unter Veo 3.1 Fast liegt, geht die Rechnung auf. Wenn sie 3–5× höher ist, ist Omni ein Verbraucher-Feature, keine Entwickleroberfläche.
2. API-ETA. Ob Sundar Pichai oder Demis Hassabis "heute in der Gemini API verfügbar" oder "in den kommenden Wochen für Entwickler ausgerollt" sagt. Zwei sehr unterschiedliche Zeitpläne.
3. Ratenlimits auf der Free-Stufe in AI Studio. Was auch immer Google hier festlegt, wird zur faktischen Obergrenze dafür, was Indie-Tools in ihren eigenen Free-Plänen anbieten können.

Ich werde dies am 21. Mai mit dem, was tatsächlich passiert ist, noch einmal aufschreiben. Bis dahin würde ich mich gerne in irgendetwas davon irren.

Weiterlesen

• Warum Veo 3.1 Fast Sora für Indie-Videoarbeit schlägt
• Text-zu-Video-KI-Generator
• Bild-zu-Video auf Veo 3.1

— Lena