Estou escrevendo isso em 12 de maio de 2026 — exatamente sete dias antes do Google I/O. Se as previsões deste post ficarem desatualizadas até 20 de maio, tudo bem, prefiro ter deixado registrado. Se envelhecerem bem, melhor ainda.
O que quero fazer aqui é percorrer o que se sabe de fato sobre "Gemini Omni" agora, separar o sinal da especulação e explicar no que estou apostando para /tools/text-to-video e o restante da stack GeminiOmni quando o anúncio chegar.
A string no app
A evidência mais concreta surgiu em 5 de maio, quando a análise de APK do 9to5Google encontrou um novo recurso no app Gemini Android:
Crie com Gemini Omni: conheça nosso novo modelo de vídeo, remixe seus vídeos, edite diretamente no chat, experimente templates e muito mais.
Algumas coisas me chamaram a atenção na primeira leitura:
- "Nosso novo modelo de vídeo" — singular. Não "modelos de vídeo", não "vídeo e áudio". O enquadramento do Google posiciona isso como a oferta de vídeo de próxima geração, mesmo que (como argumentarei abaixo) o modelo em si seja provavelmente mais geral do que essa string sugere.
- "Remixe seus vídeos, edite diretamente no chat" — este é o movimento de edição nativa do chat que o Nano Banana 2 já faz para imagens. O Google está estendendo a UX de edição conversacional para vídeo.
- "Experimente templates" — o Google está lançando uma superfície de templates dentro do app Gemini. Isso é uma dica sobre distribuição, não sobre o modelo em si. Desenvolvedores independentes devem assumir que suas ferramentas de vídeo agora competem com templates de um toque dentro do app Gemini para consumidores.
O Testing Catalog fez um acompanhamento com exemplos de saída nos builds de debug do app. A estética é mais próxima do Veo 3.1 do que de qualquer coisa que vi do Imagen, e os templates parecem incluir alguns fluxos de imagem para vídeo.
Por que acho que "Omni" é maior do que o vazamento sugere
O nome "Omni" está carregado de significado. O Google não nomeia modelos de "Omni" levianamente. A escolha do nome me diz três coisas:
Um modelo, não três. O padrão que o Google vem estabelecendo — Nano Banana para edição de imagens no contexto, Veo para vídeo, Gemini Flash para todo o resto — tem sido três modelos especializados por trás de uma única interface de chat. "Omni" soa para mim como a unificação disso. Imagem e áudio em uma única passada. Vídeo e imagem em uma única passada. Possivelmente geração de texto co-localizada com geração de mídia em uma única chamada direta.
O enquadramento de vídeo é o discurso para o consumidor. As equipes de marketing colocam a capacidade mais legível na string do anúncio. "Novo modelo de vídeo" é mais fácil de explicar em uma keynote do que "modelo generativo multimodal unificado com áudio nativo e edição nativa do chat". Mas a superfície para desenvolvedores é provavelmente mais ampla do que a keynote sugere.
Omni Reference é o recurso real. Se você já usou o Veo 3.1 com quadros de referência, sabe o quão poderosa é a UX de "travar este sujeito em todo o clipe". A palavra-chave que o vazamento não menciona, mas que é implícita por "remixe seus vídeos", é — quase com certeza — o modo Omni com múltiplas referências: forneça um sujeito, uma imagem de estilo e um roteiro, e deixe um modelo produzir um pedaço de vídeo coerente.
O que o Veo 3.1 já faz
Para calibrar as expectativas: qualquer coisa que o Veo 3.1 Fast já faz é o piso para o que o Omni oferece. Hoje, no Veo 3.1 Fast a $0,15 por segundo:
- Vídeo 1080p de 8 segundos com áudio espacial sincronizado nativo
- Consistência de personagem travada por quadro de referência (1–4 quadros de entrada)
- Movimento com física realista para tecido, água, cabelo e refração
- Texto para vídeo, imagem para vídeo e remixagem de vídeo curto para vídeo
- Edições no estilo chat ("desacelere isso aos 0:03") em clipes gerados anteriormente
Isso já é uma quantidade absurda de capacidade pelo preço. O que quer que o Omni lance será medido contra essa linha de base. Se o Omni não incluir uma versão funcional de cada um desses recursos, desenvolvedores independentes ficarão silenciosamente no Veo 3.1.
Três previsões que estou disposto a colocar meu nome
Já errei antes sobre anúncios do Google I/O, então leve isso com a dose adequada de ceticismo.
Previsão 1: O recurso principal do Omni é multimodal-em-um-prompt. Você poderá digitar um único prompt do Gemini e receber de volta um objeto estruturado contendo vídeo, imagens estáticas, áudio de narração e talvez uma transcrição — tudo gerado em conjunto para ser internamente consistente. Este é o próximo passo óbvio de "vídeo e áudio em uma passada" para "tudo em uma passada".
Previsão 2: O preço fica abaixo da soma das partes. Hoje, gerar um vídeo explicativo narrado de 30 segundos significa pelo menos três chamadas de API: Veo para o vídeo, TTS para a narração, Imagen para as imagens de miniatura. Se o Omni empacotar isso, o Google vai precificar em algo como 70% da soma. Essa é a cunha que tira os desenvolvedores independentes do fluxo de múltiplas chamadas.
Previsão 3: Não haverá uma API utilizável no primeiro dia. O Google tem um histórico de anunciar modelos no I/O e liberar o acesso à API semanas depois. Espero um lançamento com acesso controlado, onde o app Gemini para consumidores receba o Omni imediatamente, o AI Studio dentro de uma semana e a API pública para desenvolvedores 2–4 semanas após o I/O. Construtores independentes devem planejar uma lacuna.
O que estou lançando na suposição de que o Omni chega como esperado
Três apostas concretas que fiz no código do GeminiOmni com base nesta leitura:
Um placeholder "Chegando em 20 de maio" na página inicial. O herói em geminiomni-ai.com menciona o Modo Omni explicitamente. Prefiro pré-marcar a palavra-chave e parecer levemente bobo se o lançamento atrasar do que me apressar para atualizar o texto às 3h da manhã do Pacífico no dia do lançamento.
Roteamento de prompt no servidor. As quatro ferramentas — texto para vídeo, imagem para vídeo, edição Nano Banana, chat PDF — todas roteiam por um único endpoint interno com um parâmetro de modelo. Quando a API do desenvolvedor do Omni abrir, mudo um valor de configuração e a mesma ferramenta voltada para o usuário começa a usar o novo modelo. Nenhuma alteração no cliente necessária.
Nenhuma UI isolada "Omni" ainda. Não estou construindo um quinto bloco de ferramenta chamado "Omni" até ter visto a API real e decidido qual é o invólucro de UX correto. Se a característica marcante do Omni for "um prompt, quatro tipos de mídia", a UI certa pode ser uma única caixa de chat em vez de quatro ferramentas separadas — e essa é uma decisão de produto maior do que quero assumir antes do lançamento.
O que estou observando durante a keynote
Se você for acompanhar o I/O ao vivo em 19–20 de maio, as três coisas que mais afetarão o que construtores independentes devem lançar a seguir:
- Preço. Um número por segundo para a saída de vídeo do Omni. Se for igual ou abaixo do Veo 3.1 Fast, a conta fecha. Se for 3–5 vezes maior, o Omni é um recurso para consumidores, não uma superfície para desenvolvedores.
- ETA da API. Se Sundar Pichai ou Demis Hassabis disser "disponível hoje na API Gemini" ou "sendo lançado para desenvolvedores nas próximas semanas". Duas linhas do tempo muito diferentes.
- Limites de taxa no nível Gratuito do AI Studio. O que quer que o Google defina aqui se torna o teto de facto para o que ferramentas independentes podem oferecer em seus próprios planos Gratuitos.
Vou escrever sobre isso novamente em 21 de maio com o que realmente aconteceu. Até lá, adoraria estar errado sobre qualquer coisa disso.
Leia a seguir
- Por que o Veo 3.1 Fast supera o Sora para trabalho independente de vídeo
- Gerador de vídeo AI de texto para vídeo
- Imagem para vídeo no Veo 3.1
— Lena
