Estoy escribiendo esto el 12 de mayo de 2026, exactamente siete días antes de Google I/O. Si las predicciones de este artículo envejecen mal para el 20 de mayo, está bien, prefiero haberlo dejado registrado. Si envejecen bien, mucho mejor.
Lo que quiero hacer aquí es repasar lo que se sabe realmente sobre "Gemini Omni" ahora mismo, separar la señal de la especulación y explicar en qué estoy apostando para /tools/text-to-video y el resto del stack de GeminiOmni cuando llegue el anuncio.
La cadena en la app
La evidencia más concreta apareció el 5 de mayo, cuando el desmontaje APK de 9to5Google encontró un nuevo recurso en la app de Gemini para Android:
Crea con Gemini Omni: conoce nuestro nuevo modelo de video, remezcla tus videos, edita directamente en el chat, prueba plantillas y más.
Varias cosas me llamaron la atención en la primera lectura:
- "Nuestro nuevo modelo de video" — en singular. No "modelos de video", ni "video y audio". La presentación de Google lo posiciona como la próxima oferta de video, incluso si (como argumentaré más adelante) el modelo en sí probablemente sea más general de lo que esa cadena sugiere.
- "Remezcla tus videos, edita directamente en el chat" — este es el movimiento de edición nativa en el chat que Nano Banana 2 ya hace con imágenes. Google está extendiendo la experiencia de edición conversacional al video.
- "Prueba plantillas" — Google está lanzando una superficie de plantillas dentro de la app de Gemini. Esto es una pista sobre distribución, no sobre el modelo en sí. Los desarrolladores independientes deberían asumir que sus herramientas de video ahora compiten con plantillas de un solo toque dentro de la app de consumo de Gemini.
Testing Catalog publicó un seguimiento con resultados de muestra en las compilaciones de depuración de la app. La estética se acerca más a Veo 3.1 que a cualquier cosa que haya visto de Imagen, y las plantillas parecen incluir algunos flujos de imagen a video.
Por qué creo que "Omni" es más grande de lo que sugiere la filtración
El nombre "Omni" está haciendo mucho trabajo. Google no llama "Omni" a los modelos a la ligera. La elección del nombre me dice tres cosas:
Un modelo, no tres. El patrón que Google ha estado estableciendo — Nano Banana para edición de imágenes en contexto, Veo para video, Gemini Flash para todo lo demás — ha sido tres modelos especializados detrás de una interfaz de chat unificada. "Omni" me suena como la unificación de eso. Imagen y audio en una sola pasada. Video e imagen en una sola pasada. Posiblemente, generación de texto ubicada junto con generación de medios en una sola llamada hacia adelante.
El enfoque en video es el argumento de consumo. Los equipos de marketing ponen la capacidad más legible en la cadena del anuncio. "Nuevo modelo de video" es más fácil de explicar en una keynote que "modelo generativo multimodal unificado con audio nativo y edición nativa en chat". Pero la superficie para desarrolladores probablemente sea más amplia de lo que sugiere la keynote.
Omni Reference es la funcionalidad real. Si has usado Veo 3.1 con fotogramas de referencia, sabes lo poderosa que es la experiencia de usuario de "bloquear este sujeto en todo el clip". La palabra clave que la filtración no menciona pero que está implícita en "remezcla tus videos" es — casi con seguridad — el modo Omni con múltiples referencias: dale un sujeto, una imagen de estilo y un guion, y deja que un modelo produzca un fragmento de metraje coherente.
Lo que Veo 3.1 ya hace
Para calibrar expectativas: todo lo que Veo 3.1 Fast ya hace es el piso de lo que Omni traerá. Hoy, en Veo 3.1 Fast a $0.15 por segundo:
- Video en 1080p de 8 segundos con audio espacial sincronizado nativo
- Consistencia de personaje bloqueada por fotograma de referencia (1–4 fotogramas de entrada)
- Movimiento con conciencia física para tela, agua, cabello y refracción
- De texto a video, de imagen a video y remezcla de video corto a video
- Ediciones tipo chat ("ralentiza esto en 0:03") en clips generados previamente
Esto ya es una cantidad absurda de capacidad por el precio. Lo que sea que Omni envíe se medirá con esta línea de base. Si Omni no incluye una versión funcional de cada una de esas características, los desarrolladores independientes se quedarán silenciosamente en Veo 3.1.
Tres predicciones en las que estoy dispuesto a poner mi nombre
Me he equivocado antes con los anuncios de Google I/O, así que tómalos con la dosis adecuada de escepticismo.
Predicción 1: La función estrella de Omni es multimodal en un solo prompt. Podrás escribir un solo prompt de Gemini y recibir un objeto estructurado que contenga video, imágenes fijas, audio de narración y quizás una transcripción, todo generado conjuntamente para que sea internamente consistente. Este es el siguiente paso obvio de "video y audio en una sola pasada" a "todo en una sola pasada".
Predicción 2: El precio será inferior a la suma de las partes. Hoy, generar un video explicativo narrado de 30 segundos implica al menos tres llamadas a la API: Veo para el video, TTS para la narración e Imagen para las imágenes en miniatura. Si Omni agrupa todo esto, Google lo fijará en aproximadamente un 70 % de la suma. Esa es la cuña que alejará a los desarrolladores independientes del flujo de múltiples llamadas.
Predicción 3: No habrá una API utilizable desde el primer día. Google tiene un historial de anunciar modelos en I/O y lanzar el acceso a la API semanas después. Espero un lanzamiento con acceso controlado donde la app de consumo de Gemini reciba Omni de inmediato, AI Studio lo reciba en una semana y la API pública para desarrolladores lo reciba de 2 a 4 semanas después de I/O. Los creadores independientes deberían planificar para un desfase.
Lo que estoy lanzando asumiendo que Omni llegue como se espera
Tres apuestas concretas que he hecho en el código base de GeminiOmni basándome en esta lectura:
Un marcador de posición "Próximamente el 20 de mayo" en la página de inicio. El héroe en geminiomni-ai.com menciona explícitamente el Modo Omni. Prefiero adelantarme a la palabra clave y verme un poco tonto si el lanzamiento se retrasa, que apresurarme a actualizar el texto a las 3 a.m. (hora del Pacífico) el día del lanzamiento.
Enrutamiento de prompts del lado del servidor. Las cuatro herramientas — texto a video, imagen a video, edición Nano Banana y chat PDF — todas enrutan a través de un único endpoint interno con un parámetro de modelo. Cuando se abra la API de desarrollador de Omni, cambio un valor de configuración y la misma herramienta orientada al usuario comenzará a usar el nuevo modelo. No se requieren cambios en el cliente.
Aún no hay interfaz de usuario independiente para "Omni". No construiré un quinto mosaico de herramienta etiquetado como "Omni" hasta que haya visto la API real y haya decidido cuál es el envoltorio de UX correcto. Si la característica distintiva de Omni es "un prompt, cuatro tipos de medios", la interfaz de usuario correcta podría ser un solo cuadro de chat en lugar de cuatro herramientas separadas, y esa es una decisión de producto más grande de la que quiero comprometerme antes del lanzamiento.
Lo que estaré observando durante la keynote
Si te conectas a I/O en vivo del 19 al 20 de mayo, las tres cosas que más afectarán lo que los desarrolladores independientes deberían lanzar a continuación:
- Precio. Un número por segundo para la salida de video de Omni. Si está al mismo nivel o por debajo de Veo 3.1 Fast, las cuentas cuadran. Si es de 3 a 5 veces más alto, Omni es una función de consumo, no una superficie para desarrolladores.
- Fecha estimada de la API. Si Sundar Pichai o Demis Hassabis dicen "disponible hoy en la API de Gemini" o "implementándose para desarrolladores en las próximas semanas". Dos plazos muy diferentes.
- Límites de velocidad en el nivel Gratuito de AI Studio. Lo que Google establezca aquí se convertirá en el techo de facto de lo que las herramientas independientes pueden ofrecer en sus propios planes Gratuitos.
Escribiré sobre esto de nuevo el 21 de mayo con lo que realmente sucedió. Hasta entonces, me encantaría estar equivocada sobre algo de esto.
Lee a continuación
- Por qué Veo 3.1 Fast supera a Sora para trabajos de video independientes
- Generador de video de texto a video con IA
- De imagen a video en Veo 3.1
— Lena
