Gemini Omni 1.2 vs 1.1: qué cambió, probado en clips reales

Gemini Omni 1.2 Flash es el modelo de video Omni de tercera generación de Google: genera clips con sonido sincronizado a partir de texto, imágenes o video, y su gran cambio frente a Omni 1.1 cabe en una frase. Tomas más largas por menos dinero. Google lo lanzó el 5 de noviembre de 2026; nosotros lo pusimos en producción en BananaBanana cuatro días después y desde entonces lo usamos al lado de 1.1.

Respuesta rápida: Omni 1.2 genera de 3 a 15 segundos en una sola toma (1.1 se queda en 10) y cuesta alrededor de un 30% menos por segundo en todas las resoluciones: $0.07 por segundo a 720p en lugar de $0.10. El sonido sigue siempre activado, la extensión sigue llegando como mucho a 40 segundos y un clip que anima entre un primer y un último fotograma sigue limitado a 10 segundos. Para proyectos nuevos, hay pocos motivos para quedarse en 1.1.

Abajo van las cifras, el mismo prompt generado en los dos modelos y los casos en los que 1.1 todavía tiene sentido.

¿Qué cambió entre Gemini Omni 1.1 y 1.2?

Se movieron dos números, y con ellos llegaron unas cuantas promesas de calidad. Según el anuncio de Google, la duración del clip sube hasta 15 segundos "en incrementos de un segundo, de 3 a 15 segundos", el precio de 720p baja a $0.07 por segundo y el modelo ofrece un lip-sync más nítido, un condicionamiento claro de varios hablantes y "muchos menos cortes bruscos no deseados". La ficha del modelo añade que los resultados siguen llevando una marca de agua invisible SynthID.

Así se comparan hoy las dos generaciones en nuestra plataforma:

Un detalle sacado de nuestros propios registros de facturación: 1.2 gasta exactamente los mismos tokens de salida por segundo que 1.1 (5792 por segundo a 720p, 17376 a 4K). El modelo no trabaja menos. Google simplemente bajó el precio del token de $17.50 a $12 por millón, y el ahorro por segundo sale directamente de ahí.

Gemini Omni 1.2 Flash, 10 segundos a 720p, con sonido. El prompt en resumen: una mecánica de bicicletas aprieta un tornillo, levanta la vista y dice "Most squeaks come from one loose bolt. Check this one first, then ride." Costo: $0.70.

El mismo prompt en ambos modelos: ¿cómo queda 1.2?

Pasé un mismo prompt por las dos generaciones con ajustes idénticos: 16:9, 720p, exactamente 10 segundos. Una mujer de pelo gris corto con delantal de mezclilla, un taller de bicicletas, una frase hablada, "single continuous shot, no scene cuts" y una línea "Audio:" que pedía su voz, los clics de la llave y el ambiente del local, sin música.

El mismo prompt en Gemini Omni 1.1 Flash, 10 segundos a 720p. Costo: $1.00.

Lo que vi, fotograma a fotograma:

• Los dos se mantuvieron en un solo plano. Una pasada de detección de escenas con ffmpeg no encontró ni un corte en ninguno de los archivos. En 1.1 esa instrucción pesaba mucho: sin ella, Omni tiende a montar el clip por su cuenta en varios ángulos.
• Los dos dijeron la frase. Cada mujer suelta la línea del guion a cámara, con la voz generada en la misma pasada. La pista de 1.2 salió bastante más fuerte (unos 4 dB más de nivel medio), lo que viene bien si publicas sin mezclar.
• 1.1 siguió el vestuario de forma más literal. Le dio el pelo gris corto del prompt; 1.2 optó por una melena a la altura de la barbilla. Es un detalle, pero recuerda que "mejor en promedio" no significa mejor en cada toma.
• 1.2 usó la llave como accesorio. Ella la levanta hacia el objetivo mientras habla, y eso se parece más a un video real de creador que la versión de 1.1.

¿Es esto un benchmark? No. Es un solo par de clips, y Omni te da una toma distinta cada vez (no hay seed para fijar la composición). Lo que sí muestra es que 1.2 no perdió nada en lo que 1.1 era bueno, y costó $0.30 menos por los mismos 10 segundos.

¿De verdad importa una toma de 15 segundos?

Más de lo que sugieren cinco segundos extra. Diez segundos alcanzan para un gancho, pero se quedan cortos para una acción completa: servir algo de principio a fin, abrir un producto, una reseña breve a cámara. En 1.1 generabas 10 segundos y luego extendías.

Gemini Omni 1.2 Flash, 15 segundos a 720p en una sola toma. El prompt en resumen: una ceramista da forma a un cuenco en el torno, lo alisa con una costilla de madera, lo corta con un alambre y lo pasa a una tabla; de audio, el zumbido del torno y el barro húmedo, sin música. Costo: $1.05.

Sinceramente, esperaba que esta se rompiera a la mitad. Omni tiene la costumbre de saltarse los eventos que llegan tarde en el prompt ("then she cuts it free…") y devolver una escena bonita pero estática. Aquí no: las manos levantan las paredes, entra la costilla, hacia el segundo 11 el alambre pasa bajo la base y para el segundo 14 el cuenco ya sale del torno. Cuatro pasos, una toma, cero cortes. Un clip demuestra poco, pero justo este tipo de prompt de varios pasos es el que las versiones anteriores de Omni nos aplanaban una y otra vez en una escena estática.

Ahora, el dinero. Sacar 15 segundos de 1.1 implica un clip de 10 segundos ($1.00) más una extensión de 5, y la extensión se cobra sobre la duración total resultante, así que ese segundo paso cuesta 15 × $0.10 = $1.50. Total: $2.50. Los mismos 15 segundos en 1.2, en una toma: $1.05. Menos de la mitad, y te ahorras un paso en el que la extensión podía alejarse del aspecto original.

¿Cuánto cuesta un clip de Gemini Omni 1.2?

Cada segundo se cobra según la resolución, con el sonido incluido:

Google fija para 1.2 unos $0.0232, $0.0695, $0.1043 y $0.2085 por segundo en las cuatro resoluciones. Nosotros redondeamos al centavo, y en 4K redondeamos hacia abajo, a $0.20.

Los bonos de recarga bajan todavía más la tarifa efectiva. Un depósito en cripto de $50 o más suma un 5% al saldo, de $100 o más suma un 10%, y un código promocional activo añade otro 10% de cada depósito encima. Así, $100 en cripto con código se convierten en $120 de saldo, lo que deja el segundo a 720p en unos $0.058 y un clip completo de 15 segundos a 720p en unos $0.88. Los pagos con tarjeta, PayPal y SEPA se acreditan sin el bono por depósito.

Mi flujo de trabajo: borrador a 360p ($0.30 por 15 segundos completos), ajusto ahí el timing y la cámara, y luego vuelvo a generar la toma buena a 720p. Ten en cuenta que el borrador y la versión final son generaciones distintas, así que la final no será un reescalado fotograma a fotograma del borrador. Las tablas completas de todos los modelos están en la página de precios.

Lo que no cambió: los límites de Omni 1.2

El techo de 15 segundos no se aplica en todas partes, y es justo lo primero con lo que tropieza la gente.

• Primer y último fotograma: siguen siendo 10 segundos. Cuando probamos un clip de 12 segundos entre dos fotogramas clave, la API de Google lo rechazó con "Interpolation duration 12 seconds exceeds maximum duration 10 seconds". El estudio y el servidor MCP ya limitan ese caso a 10 segundos antes de cobrar, así que no te toparás con el error.
• La extensión añade 3–10 segundos por paso, 40 segundos en total. Empezar desde 15 solo te lleva ahí en menos pasos. No se puede insertar nada al principio ni en medio.
• El sonido no se puede desactivar. Todo clip de Omni lleva pista de audio. Si necesitas silencio, Veo 3.1 genera sin sonido, y Wan 3.0 puede quitarlo gratis.
• Sin seeds, sin campo de prompt negativo, una muestra por solicitud. Escribe las exclusiones dentro del prompt ("no music", "no dialogue"); funcionan casi siempre, no siempre.
• La edición del habla está restringida. Según la ficha del modelo, editar un video puede cambiar lo que dicen las personas, y Google limita esa capacidad por ahora.

La propia Google reconoce que sigue trabajando en la acción deportiva rápida, los cambios bruscos de guion y la física compleja. Mi consejo: si un plano depende de que una pelota rebote como debe, genera antes un borrador a 360p.

¿Conviene pasar de Omni 1.1 a 1.2?

Para proyectos nuevos, sí. Mismas funciones, tomas más largas y alrededor de un tercio más barato en cada resolución. No se me ocurre un encargo nuevo en el que 1.1 gane sobre el papel.

Quedarse con 1.1 tiene sentido en dos casos. Estás continuando una serie rodada con él y quieres que el look se mantenga entre episodios. O afinaste un conjunto de prompts en 1.1 y su forma de interpretarlos es justo la que buscas (la prueba del pelo de arriba es un pequeño ejemplo de cómo los dos leen un prompt de manera distinta). Ambas generaciones siguen disponibles en el generador y por MCP, y eliges en cada clip.

También hay una fecha que conviene tener presente. Las notas de versión de Google dicen que a partir del 3 de diciembre de 2026 la Gemini API redirigirá las solicitudes de gemini-omni-1.1-flash a 1.2. Aquí, por ahora, las dos se pueden elegir; si eso cambia por nuestra parte, actualizaremos este artículo.

Para ver a fondo qué acepta y qué rechaza la API de Omni, lee nuestro análisis de la API de Gemini Omni Flash. La página del modelo, con más clips de ejemplo, es Gemini Omni 1.2.

FAQ

¿Gemini Omni 1.2 es mejor que 1.1?

En especificaciones, sí: tomas de 15 segundos en lugar de 10 y precios alrededor de un 30% más bajos, con las mismas funciones. Google también promete un lip-sync más nítido y menos cortes bruscos no deseados. En nuestra prueba lado a lado, los dos resolvieron una frase hablada en un solo plano; 1.2 costó $0.70 frente a $1.00.

¿Cuánto puede durar un video de Gemini Omni 1.2?

De 3 a 15 segundos por generación, ajustable al segundo. Con primer y último fotograma el límite es de 10 segundos. Las escenas más largas salen de la extensión, 3–10 segundos por paso, hasta 40 segundos en total.

¿Cuánto cuesta un clip de 10 segundos con Omni 1.2?

$0.70 a 720p, $0.20 a 360p, $1.00 a 1080p y $2.00 en 4K, con el sonido incluido. Las generaciones fallidas se reembolsan automáticamente.

¿Todavía puedo usar Omni 1.1?

Sí. Omni 1.1 Flash sigue disponible junto a 1.2 en el generador y en el servidor MCP, y eliges la generación en cada clip. Google prevé redirigir las llamadas de la Gemini API para 1.1 hacia 1.2 a partir del 3 de diciembre de 2026.

¿Omni 1.2 puede hacer un video sin sonido?

No. Todo clip de Omni lleva pista de audio. Puedes describirla en una línea "Audio:" o pedir "no music, no dialogue", pero para un clip realmente mudo usa Veo 3.1 o Wan 3.0.