Gemini Omni Flash

So liest Gemini Omni Flash einen Prompt

Gemini Omni Flash ist Googles Videomodell zum Generieren und Bearbeiten von Clips. Google beschreibt es als nativ multimodal: Es liest Text, Bilder und Video gleichzeitig und erzeugt Bild und Ton in einem Durchgang. Laut Googles Dokumentation schreibst du Prompts mit Szene, Kamerabewegung, Beleuchtung und Stimmung, dazu kommen ein paar eigene Gewohnheiten, die hier wichtiger sind als bei anderen Modellen.

Es schneidet standardmäßig zwischen Einstellungen. Google sagt, dass Omni Flash versucht, eine kleine Erzählung aus mehreren unterschiedlichen Einstellungen aufzubauen. Wenn du nur eine Einstellung willst, verlang sie: „In einer einzigen durchgehenden Einstellung“, „In einer einzigen ununterbrochenen Szene“ oder „Keine Szenenschnitte“.

Was du nicht willst, schreibst du als einfache Sätze in den Prompt. Einen separaten Negativ-Prompt gibt es nicht. Schreib „Kein Dialog“, „Keine Verzierungen“ oder „Keine zusätzlichen Soundeffekte“.

Du kannst Qualität direkt einfordern. Google nennt das Meta-Prompting: Sätze wie „Achte auf Mikrodetails, Mimik und Timing, damit eine sehr reiche, detaillierte, aber völlig natürliche Szene entsteht“ oder „Sei bei Personen, Gegenständen und Objekten in der Szene sehr konkret“ verändern, wie das Modell den ganzen Clip angeht.

Timing und Schnitte

Du kannst Ereignisse in einfacher Sprache zeitlich platzieren („Nach 3 Sekunden betritt eine Frau die Szene“, „Bei 5s setzt der Refrain ein“) oder mit Timecodes:

[0-3s] Eine Person geht
[3-6s] Sie bleibt stehen und dreht sich um
[6-10s] Sie fängt an zu rennen

So legst du auch eigene Schnitte und deinen Rhythmus fest, auch bei schnellen Sequenzen wie „jede Sekunde ein Schnitt zu einem neuen Ort“.

Ton und Text

Beschreibst du keine Tonspur, wählt das Modell selbst eine, und laut Google ist das oft nicht das, was du willst, vor allem bei Musik. Beschreib sie: „Mit ruhiger Hintergrundmusik“, „Das Video hat einen energiegeladenen Techno-Beat“, „im Hintergrund ein blechernes Radio, das einen Song spielt“. Setz Dialog in Anführungszeichen hinter die Person, die ihn spricht. Google unterstützt vollständig nur Englisch; andere Sprachen seien nicht evaluiert und könnten gemischte Ergebnisse liefern.

Omni Flash gibt lesbaren Text wieder. Soll in der Szene ganz natürlich Text vorkommen, etwa auf Schildern, Etiketten oder Kennzeichen, schreib genau auf, was jeweils dort stehen soll.

Referenzen, erstes und letztes Frame

Hänge Bilder an, um Figuren, Objekte, Orte oder einen Stil konsistent zu halten, insgesamt bis zu 10. Googles Tags verknüpfen jedes Bild mit einer Rolle im Prompt: <IMAGE_REF_0> ist das erste angehängte Bild, <IMAGE_REF_1> das zweite, gezählt ab 0. „Im Stil von <IMAGE_REF_0> geht eine Frau <IMAGE_REF_1>“ übernimmt zum Beispiel den Stil aus dem einen Bild und die Person aus dem anderen.

Mit einem angehängten Clip und dem Clip-Modus auf Referenz wird der Clip zu <VIDEO_REF_0>. Laut Google funktionieren Videoreferenzen am besten für die Ähnlichkeit von Personen, und Ton in der Referenz wird ignoriert.

Um von einem Bild auszugehen, hängst du ein einzelnes Bild an und aktivierst Erstes Frame. Google empfiehlt ein hochaufgelöstes Bild und eine konkrete Beschreibung der Bewegung des Motivs, der Kamerabewegung und der Effekte in der Szene. Fügst du ein Letztes Frame hinzu, animiert das Modell den Übergang von einem Bild zum anderen; beschreib, wie es dorthin kommt.

Einen Clip bearbeiten

Häng einen Clip an, stell den Clip-Modus auf Bearbeitung und schreib, was sich ändern soll. Googles Empfehlung ist das Gegenteil der Generierung: Einfache Prompts funktionieren am besten, und lange Beschreibungen können Änderungen auslösen, die du nicht wolltest. Schließ mit „Alles andere bleibt gleich“ ab. Googles eigenes Beispiel: Statt eines langen Satzes über eine schwarze Katze, die von rechts hereinrennt und dem Mann auf den Schoß springt, schreibst du „Füge eine Katze hinzu, die ihm auf den Schoß springt, und er beginnt, sie zu streicheln. Alles andere bleibt gleich.“ Der bearbeitete Clip behält Länge und Format des Originals.

Gemini Omni Flash oder Veo 3.1

Beides sind Videomodelle von Google mit Ton, und beide gibt es in Endless. Googles Gemini API empfiehlt inzwischen Omni Flash für die Videogenerierung, während Veo 3.1 auf Googles Enterprise-Plattform weiter verfügbar bleibt. Nimm Omni Flash, um einen vorhandenen Clip zu bearbeiten, um bis zu 10 Referenzen zu kombinieren oder für Clips von 3 bis 10 Sekunden; Veo 3.1 für seine Einstellungen von 4, 6 oder 8 Sekunden.

Einstellungen, auf die es ankommt

• Dauer: 3 bis 10 Sekunden. Ein bearbeiteter Clip behält die Länge des Originals.
• Auflösung: 360p, 720p, 1080p oder 4K. Laut Google entstehen 1080p und 4K durch Hochskalieren. 360p ist der günstige Weg, einen Prompt zu testen; 1080p kostet pro Sekunde das 1,5-Fache von 720p, 4K das Dreifache.
• Seitenverhältnis: 16:9 oder 9:16. Ein bearbeiteter Clip behält sein eigenes Format.
• Clip-Modus: Bearbeitung verändert den Clip selbst; Referenz nutzt bis zu 10 Sekunden davon für Bewegung und Ähnlichkeit in einem neuen Video.