Gemini Omni Flash dari Google Hadir di API, Mengubah Produksi Video Perusahaan Menjadi Dialog Interaktif

Bagi banyak perusahaan, membuat video pelatihan berdurasi 90 detik atau video penjelasan produk bukanlah hal yang mudah. Itu melibatkan perencanaan yang matang, tim film internal atau vendor luar, proses syuting, editing, dan serangkaian revisi. Jika satu kalimat dalam teks layar harus diubah karena tinjauan hukum, seluruh proses harus dimulai lagi. Inilah alasan mengapa banyak video internal tidak pernah terwujud.

Google berusaha mengubah situasi ini dengan Gemini Omni Flash, model pertama dari keluarga “Omni” yang kini diluncurkan untuk pengembang dan pelanggan bisnis melalui API setelah diperkenalkan kepada konsumen di I/O 2026. Ambisi Google adalah menciptakan apapun “dari input mana saja,” dimulai dari video. Namun, interaksi utama bukan hanya sekadar prompt text-to-video yang lebih tajam. Ini lebih kepada kemampuan untuk mengedit klip yang sudah selesai melalui percakapan.

Ketika model ini diluncurkan pada bulan Mei, analisis perusahaan dari VentureBeat menunjukkan satu kendala: tanpa antarmuka pemrograman, Omni lebih cocok sebagai alat bagi konsumen dan prosumer, bukan sebagai alat produksi. Peluncuran API ini mengubah semua itu. Ini membawa editing percakapan langsung di depan tim pemasaran dan pengembangan pembelajaran yang membuat video terbanyak dalam suatu organisasi.

Penawaran: alur kerja lima alat menyatu dalam satu percakapan

Sampai saat ini, banyak tim sudah merakit video AI dengan cara yang rumit, menggabungkan LLM untuk skrip, model text-to-image, model image-to-video, alat lip-sync terpisah, dan generator suara, masing-masing dengan kontrak, penagihan, dan jalur data sendiri.

Argumen bisnis Omni adalah unifikasi: satu model yang menerima teks, gambar, dan video dan menghasilkan klip selesai dengan audio yang sinkron.

Faktor kesederhanaan adalah yang harus dipertimbangkan terlebih dahulu oleh para pengambil keputusan. Menggabungkan beberapa alat spesifik menjadi satu model berarti lebih sedikit vendor dan satu lokasi untuk memantau keluaran dan menerapkan aturan penanganan data. Bagi organisasi yang menghindari video generatif karena penggabungan alat yang dianggap tidak sepadan dengan biaya, situasi ini pasti berubah.

Dengan editing percakapan, setiap instruksi dibangun di atas yang sebelumnya, memungkinkan marketer untuk mengubah cahaya pada pengambilan produk, mengubah sudut tangkap, atau mengganti busana tanpa harus memulai dari awal dan kehilangan bagian yang sudah cocok. Ini adalah perbedaan antara menjadwalkan syuting ulang dan cukup mengirimkan catatan.

Referensi multimodal dan mesin fisika untuk aset merek

Omni menerima lebih dari sekadar prompt teks. Selain kata-kata yang menggambarkan apa yang diinginkan, Anda dapat memberikan beberapa gambar referensi dan klip video yang sudah ada. Model ini akan membawa spesifikasi tersebut ke dalam hasil. Berikan foto objek tertentu, minta model untuk memasukkan objek tersebut ke dalam sebuah adegan, dan ia akan mereproduksi warna dan bentuk kasar dari objek tersebut, bukan menciptakan pengganti generik. Meskipun pencocokan mungkin tidak pixel-perfect, cukup mendekati untuk dikenali. Kontrol berbasis referensi inilah yang menjadikan fitur ini menarik secara komersial.

Dua dari empat kekuatan unggulan Google berbicara langsung kepada pekerjaan bisnis. Yang pertama adalah model dunia, pemahaman sistem tentang bagaimana adegan fisik berperilaku. Tambahkan hujan ringan dan genangan pada pengambilan yang sudah ada dan ia akan menghasilkan refleksi orang dan objek di trotoar basah, konsistensi fisik semacam itu memisahkan rekaman nyata dari video AI yang jelas.

Kedua adalah penyisipan teks dan logo. Arahkan pada adegan yang penuh dengan papan tanda dan Anda dapat meminta model ini untuk menulis ulang papan tanda tersebut dalam bahasa lain, atau untuk merek pilihan Anda, dan bahkan menambahkan logo perusahaan. Hasilnya mungkin tidak sempurna: dalam pengujian, pelacakan tanda di adegan kompleks tidak selalu akurat, dan beberapa teks kembali ke bahasa asli di antara bingkai. Untuk video pelatihan yang membutuhkan label di layar, atau iklan yang memerlukan logo diletakkan di dalam adegan, ini adalah kemampuan yang layak untuk diperhatikan, dan menjadi pengingat bahwa keluaran tetap perlu ditinjau manusia sebelum dipublikasikan.

API interaksi dan kendala yang masih ada

Di balik layar, ini berjalan pada API interaksi baru Google, antarmuka yang dirancang untuk tugas multi-iterasi, bukan obrolan terbuka. Setiap iterasi membawa video sebelumnya dan referensinya ke depan, memungkinkan penyuntingan terakumulasi secara koheren. Para pengembang dapat menghubungkan generasi. Mereka dapat menghasilkan klip, mengedit kucing menjadi puma, mengubah video menjadi retro 8-bit, lalu menjadi tampilan cat air, dan menyimpan setiap versi untuk diolah nanti.

Namun, ada kendala nyata yang perlu diperhitungkan. Klip saat ini dibatasi 10 detik, sesuai dengan kartu model yang dipublikasikan. Untuk membuat sesuatu yang lebih panjang, Anda harus menghasilkan potongan yang disunting bersama. Rekaman yang diunggah juga dapat diedit, asalkan durasinya 10 detik atau kurang dan pengguna memiliki hak atasnya. Kartu model Google sendiri mengakui bahwa menjaga konsistensi di seluruh pengeditan dan menghasilkan teks yang akurat masih menjadi masalah terbuka.

Pengamanan, watermarking, dan batasan Google

Bagi seorang CISO, demo mungkin kurang penting dibandingkan pekerjaan asal yang dikirim bersama model ini. Setiap klip Omni dilengkapi dengan watermark SynthID dari Google, yang juga memperluas C2PA Content Credentials di seluruh alat generatifnya, dan meluncurkan AI Content Detection API yang dapat menandai media yang dihasilkan AI, baik milik Google maupun vendor lain.

Google juga telah menetapkan batasan yang tegas. Model ini tidak akan mengambil foto diam seseorang ditambah klip audio dan menyinkronkannya menjadi ucapan, langkah eksplisit untuk membatasi deepfakes. Namun, ia dapat mengambil rekaman seseorang yang berbicara dan menerjemahkannya ke dalam bahasa lain, jalan yang berguna untuk melokalisasi konten pelatihan global. Bagi perusahaan yang diatur, batasan ini dan asal yang telah tertanam adalah fitur, bukan hambatan.

Angka-angka: murah, hanya 720p, dan (sementara) peringkat pertama

Harga diluncurkan bersamaan dengan API dan sangat agresif. Omni Flash dihargai $0,10 per detik untuk video 720p yang dihasilkan, menjadikan klip sepuluh detik sekitar satu dolar. Ini sebanding dengan Veo 3.1 Fast dengan resolusi yang sama, dua kali lipat dari Veo 3.1 Lite, dan memotong harga Veo 3.1 standar hingga sepertiga.

Namun, ada satu kendala: Omni Flash hanya menghasilkan video 720p. Tidak ada opsi 1080p atau 4K, sementara varian Veo dapat meningkat hingga 4K. Untuk pelatihan internal dan sebagian besar video sosial, 720p cukup memadai. Tetapi untuk pekerjaan merek premium yang dimaksudkan untuk layar besar, ini jadi batasan nyata, dan alasan mengapa Veo 3.1 masih relevan.

Klip berjalan dari 3 hingga 10 detik pada resolusi 720p, dalam mode landscape (16:9) atau portrait (9:16). Model ini menerima hingga tujuh gambar referensi dan hingga tiga klip video masing-masing berdurasi tiga detik atau kurang. Belum ada opsi untuk memasukkan audio, meskipun audio dihasilkan bersama video yang diproduksi. Outputnya berupa format MP4 standar, dan setiap klip dilengkapi dengan watermark SynthID dan kredensial C2PA yang sudah tertanam.

Dari segi kualitas, sinyal awalnya sangat menjanjikan. Di LMArena’s Text-to-Video Arena, sebuah leaderboard tempat orang memberikan suara untuk keluaran dari model-model bersaing, Omni Flash menduduki peringkat pertama dengan skor 1527.

Apa artinya untuk anggaran, dan apa yang masih kurang

Dengan harga yang jelas, cerita iterasi menjadi konkret. Setiap pengeditan dalam percakapan adalah generasi baru yang harus dibayar, jadi sesi dengan banyak pengeditan tetap menambah biaya, sekitar satu dolar untuk setiap upaya sepuluh detik di 720p. Apa yang diubah oleh model stateful bukanlah biaya pengeditan, melainkan jumlah yang terbuang: karena konteks dipertahankan selama iterasi, generasi tersebut membantu menyempurnakan yang sudah hampir cocok daripada memulai dari prompt yang kosong berharap percobaan berikutnya lebih baik.

Omni tidak sendirian di bidang ini. Veo 3.1 tetap menjadi opsi produksi Google ketika memerlukan resolusi lebih tinggi, dan pesaing dari Bytedance, Alibaba, dan OpenAI semua mengejar anggaran yang sama. Namun, yang ditambahkan Omni adalah kemampuan pengeditan itu sendiri: kemampuan untuk memperlakukan video sebagai dokumen hidup, bukan sekadar hasil satu kali.