Gemini Omni Flash API کا جائزہ: پریویو دراصل کیا کرتا ہے

Gemini Omni Flash گوگل کا پہلا "any-to-any" ملٹی ماڈل ماڈل ہے جو ویڈیو آؤٹ پٹ دیتا ہے: آپ ٹیکسٹ، تصاویر، یا کوئی پچھلا رزلٹ بھیجتے ہیں، اور یہ آواز کے ساتھ ایک مختصر 720p کلپ واپس کرتا ہے جسے آپ سادہ زبان میں تبدیلیاں بیان کرکے ایڈٹ کرنا جاری رکھ سکتے ہیں۔ گوگل نے اسے 30 جون، 2026 کو Nano Banana 2 Lite کے ساتھ پبلک پریویو میں جاری کیا تھا، اور اس کا API ماڈل ID gemini-omni-flash-preview ہے۔

فوری جواب، اگر آپ صرف ایک چیز جاننے آئے ہیں: Gemini Omni Flash API ٹیکسٹ-ٹو-ویڈیو، امیج-ٹو-ویڈیو، اور 3 سبجیکٹ امیجز تک کے ساتھ ریفرنس-ٹو-ویڈیو، اور بات چیت کے ذریعے ایڈٹنگ (conversational editing) کو سپورٹ کرتا ہے۔ یہ 1080p، ڈیوریشن کنٹرول، seeds، نیگیٹو پرامپٹ پیرامیٹرز، ویڈیو ایکسٹینشن، یا آڈیو بند کرنے کو سپورٹ نہیں کرتا۔ اگر آپ نے گوگل Flow کے اندر Omni Flash کے ڈیمو دیکھے تھے اور API سے بھی اسی ٹول کٹ کی توقع کر رہے تھے، تو آپ کو مایوسی ہوگی۔ ہم نے لانچ کے ہفتے کے دوران ہی اسے اپنے جنریٹر میں ضم کر دیا تھا، اس لیے یہ جائزہ مارکیٹنگ پیج کے بجائے اس بات پر مبنی ہے کہ اینڈ پوائنٹ دراصل کیا واپس کرتا ہے۔

Gemini Omni Flash API دراصل آپ کو کیا دیتا ہے

API دراصل Omni Flash کو Interactions API (interactions.create) کے ذریعے ظاہر کرتا ہے، نہ کہ generateVideos اینڈ پوائنٹ کے ذریعے جو Veo استعمال کرتا ہے۔ یہ تفصیل اہم ہے، کیونکہ interactions اسٹیٹ فل (stateful) ہوتی ہیں۔ ہر رسپانس کے ساتھ ایک ID ہوتی ہے جس کا آپ بعد میں حوالہ دے سکتے ہیں۔

گوگل کی Omni دستاویزات کے مطابق، آج چار ٹاسک کام کرتے ہیں:

ٹیکسٹ-ٹو-ویڈیو۔ ایک پرامپٹ اندر، ایک 720p کلپ باہر، ساؤنڈ ٹریک کے ساتھ۔
امیج-ٹو-ویڈیو۔ آپ کی تصویر پہلا فریم بن جاتی ہے اور پرامپٹ حرکت کو بیان کرتا ہے۔
ریفرنس-ٹو-ویڈیو۔ تین سبجیکٹ امیجز تک ایک نئے سین میں کسی کردار یا پروڈکٹ کو یکساں (consistent) رکھ سکتی ہیں۔
بات چیت کے ذریعے ایڈٹنگ۔ previous_interaction_id کے ساتھ ایک مختصر ہدایت بھیجیں، اور ماڈل باقی چیزوں کو برقرار رکھتے ہوئے کلپ میں تبدیلی کر دیتا ہے۔

اوپر دیا گیا کلپ ہمارے اپنے پائپ لائن کے ذریعے براہ راست gemini-omni-flash-preview سے حاصل کیا گیا ہے، لہذا آپ ایک اصل نمونہ دیکھ رہے ہیں، نہ کہ کوئی پریس اسسٹ۔ ایک ٹیکسٹ پرامپٹ: بکھری ہوئی سیاہی میں بہتی ہوئی کاغذ کی ایک کشتی، ماڈل کو کٹنگ سے روکنے کے لیے "single continuous scene"، اور کاغذ کی سرسراہٹ اور لہروں کی آواز مانگنے والی ایک "Audio:" لائن۔ اس نے خود ہی 10 سیکنڈز کا انتخاب کیا۔ آواز آن کریں؛ آڈیو بھی ساتھ ہی جنریٹ کیا گیا ہے۔

ہر کلپ 24 fps पर 3 سے 10 سیکنڈز تک چلتا ہے۔ اور یہاں پہلا سرپرائز ہے: آپ لمبائی کا انتخاب نہیں کر سکتے۔ کوئی ڈیوریشن پیرامیٹر نہیں ہے۔ ماڈل پرامپٹ کی بنیاد پر فیصلہ کرتا ہے کہ کلپ کتنا طویل ہونا چاہیے۔ "a slow pan across a foggy harbor at dawn" کا پرامپٹ دیں اور آپ کو شاید 9 سیکنڈز ملیں۔ آپ کو 4 بھی مل سکتے ہیں۔ اسٹوری بورڈنگ کے لیے تو یہ ٹھیک ہے؛ لیکن موسیقی کے ساتھ کٹ کرنے والی کسی بھی چیز کے لیے یہ واقعی پریشان کن ہے۔

آڈیو دوسرا سرپرائز ہے، اور ایک خوشگوار سرپرائز۔ ہر جنریشن کے ساتھ آواز آتی ہے: ماحول کا شور (ambient noise)، اثرات، اور کبھی کبھار اسپیچ بھی اگر آپ اس کی درخواست کریں۔ تاہم، آپ اسے بند نہیں کر سکتے۔ آپ کے پاس واحد کنٹرول ٹیکسٹ ہے، اس لیے ہم نے پرامپٹس کے آخر میں "Audio: ..." کی لائن شامل کرنا شروع کر دی اور یہ کافی حد تک ٹھیک کام کرتا ہے۔

Flow میں ایسا کیا ہے جو API میں نہیں ہے؟

گوگل Flow ایک مکمل پروڈکشن ٹول ہے جو کئی ماڈلز کے گرد لپٹا ہوا ہے، اور یہ ریپنگ (wrapping) ہی وہ چیز ہے جس کی خام (raw) API میں کمی ہے۔ Flow آپ کو ملٹی شاٹ سیکوینسز کے لیے ایک Scene Builder اور پہلے سے سیٹ کیمرہ کنٹرولز (شاٹ کی قسم، زاویہ، حرکت) فراہم کرتا ہے۔ ریزولوشن کے بارے میں ایک باریکی جسے لوگ غلط سمجھتے ہیں: Flow بھی ڈیفالٹ طور پر 720p پر رینڈر کرتا ہے۔ 1080p اور 4K ورژن ڈاؤن لوڈ کے مرحلے پر Veo رینڈر کے اوپر ایک ایکسپورٹ آپشن کے طور پر ظاہر ہوتے ہیں، نہ کہ ایک الگ جنریشن موڈ کے طور پر۔ ایسا کوئی भी ٹول gemini-omni-flash-preview میں موجود نہیں ہے۔

دونوں کا ایک ہفتہ جائزہ لینے کے بعد یہاں ایک ایماندارانہ موازنہ پیش ہے:

خصوصیت	Flow / Gemini ایپ	Gemini Omni Flash API
ریزولوشن	720p رینڈر؛ ڈاؤن لوڈ پر 1080p / 4K کی پیشکش	صرف 720p، 24 fps
کلپ کی لمبائی	Scene Builder شاٹس کو جوڑتا ہے	3–10 سیکنڈز، ماڈل فیصلہ کرتا ہے
کیمرہ کنٹرولز	پہلے سے سیٹ شاٹ کی اقسام، زاویے، حرکت	صرف ٹیکسٹ پرامپٹ
ویڈیو کو بڑھانا	ہاں (Veo کے ذریعے)	سپورٹڈ نہیں ہے
آڈیو	آن، UI کنٹرولز کے ساتھ	ہمیشہ آن، صرف پرامپٹ کنٹرول
Seed / نیگیٹو پرامپٹ	ویسے بھی صارف سے چھپا ہوا ہوتا ہے	سپورٹڈ نہیں ہے
فی درخواست کلپس	ایک وقت میں ایک	فی انٹریکشن ایک، کوئی sampleCount نہیں

دستاویزات میں ان میں سے کچھ چیزوں کے بارے میں واضح طور پر بتایا گیا ہے۔ گوگل کی دستاویزات کے مطابق ویڈیو ایکسٹینشن اور انٹرپلیشن (interpolation) "سپورٹڈ نہیں ہیں"، اور یہی بات سسٹم کی ہدایات، درجہ حرارت (temperature) اور نیگیٹو پرامپٹ پیرامیٹرز پر بھی لاگو ہوتی ہے (وہ مشورہ دیتے ہیں کہ نیگیٹو پرامپٹ کو باقاعدہ پرامپٹ میں ہی لکھیں، جو کہ میرے تجربے کے مطابق شاید آدھی بار ہی کام کرتا ہے)۔ ویڈیو ریفرنسز API اسکیمہ میں 3 سیکنڈ کی حد کے ساتھ درج ہیں، لیکن دستاویزات تسلیم کرتی ہیں کہ ماڈل ابھی تک ان پر صحیح طریقے سے کارروائی نہیں کرتا۔

لہذا پریویو API اس کا ایک چھوٹا سا حصہ ہے جو ماڈل گوگل کے اپنے پلیٹ فارمز پر کر سکتا ہے۔ پریویو کے لیے یہ عام بات ہے۔ پھر بھی یہ تکلیف دہ ہوتا ہے جب کوئی کلائنٹ 1080p ایکسپورٹ مانگے اور آخری حد 720p ہو۔

ڈائریکٹر کے مکمل کنٹرول ڈیسک کا ایک چھوٹے سے ریموٹ کے ساتھ موازنہ، جو Flow بمقابلہ Omni Flash API کا استعارہ ہے

بات چیت کے ذریعے ایڈٹنگ وہ خصوصیت ہے جو واقعی شاندار کارکردگی دکھاتی ہے

ایڈٹنگ وہ جگہ ہے جہاں Omni Flash اپنا لوہا منواتا ہے۔ آپ ایک کلپ جنریٹ کرتے ہیں، اسے دیکھتے ہیں، پھر پہلے نتیجے کی previous_interaction_id کے ساتھ ایک فالو اپ پیغام بھیجتے ہیں جیسے "make the jacket red and slow down the camera"۔ ماڈل آپ کی تبدیلی کو لاگو کرتے ہوئے اور اصل ویڈیو کے زیادہ تر حصے کو برقرار رکھتے ہوئے دوبارہ ویڈیو بناتا ہے۔ نہ کوئی دوبارہ اپ لوڈنگ، نہ ماسک، نہ ٹائم لائن۔

گوگل کی Gemini Enterprise دستاویزات کے مطابق آپ تین مسلسل ایڈٹس تک اسٹیک کر سکتے ہیں جبکہ سیشن سیاق و سباق (context) کو برقرار رکھتا ہے۔ عملی طور پر ہر ایڈٹ ایک نیا 720p رینڈر ہوتا ہے، اس لیے ہر پاس کے ساتھ یکسانیت (consistency) تھوڑی سی متاثر ہوتی ہے۔ چہرے، سائن بورڈز پر موجود ٹیکسٹ کے مقابلے میں بہتر برقرار رہتے ہیں۔ پیچیدہ حرکتیں بعض اوقات تبدیل ہو جاتی ہیں جبکہ آپ نے صرف رنگ میں تبدیلی کی درخواست کی ہوتی ہے۔

ایک مسئلہ (caveat) جس کا ہمیں پروڈکشن میں سامنا کرنا پڑا: پیرنٹ انٹریکشنز گوگل کی طرف سے ایکسپائر ہو جاتی ہیں۔ کچھ دیر پہلے جنریٹ کردہ کلپ کو ایڈٹ کرنے کی کوشش کریں اور API ریفرنس کردہ انٹریکشن کے لیے 404 واپس کر سکتا ہے۔ BananaBanana پر ہم اسے ایکسپائرڈ ویڈیو کے طور پر ظاہر کرتے ہیں اور کوشش کے پیسے واپس (refund) کر دیتے ہیں، لیکن اگر آپ خام API پر کچھ بنا رہے ہیں، تو اس کے لیے پہلے سے منصوبہ بندی کریں۔

ایک چیٹ گفتگو جہاں ہر جواب کے بلبلے میں ایک چھوٹی سی تبدیلی کے ساتھ ایک ہی ویڈیو فریم دکھایا گیا ہے، جو بات چیت کے ذریعے ویڈیو ایڈٹنگ کی وضاحت کرتا ہے

Gemini Omni Flash کی قیمت کتنی ہے؟

گوگل کے لانچ کے اعلان کے مطابق Omni Flash کی قیمت آؤٹ پٹ ویڈیو کے فی سیکنڈ $0.10 ہے۔ چونکہ ماڈل ڈیوریشن کا انتخاب کرتا ہے، اس لیے آپ کا بل جزوی طور پر ماڈل کے مزاج پر منحصر ہے: 3 سیکنڈ کا نتیجہ $0.30، جبکہ 10 سیکنڈ کا نتیجہ $1.00 لاگت کا حامل ہوتا ہے۔ ایک ہی پرامپٹ، ایک ہی سیٹنگز، مختلف انوائس۔

BananaBanana پر ہم نے اسے فلیٹ کر دیا ہے۔ ایک Omni Flash جنریشن کی قیمت $1.00 ہے قطع نظر اس کے کہ ماڈل کس لمبائی کا انتخاب کرتا ہے، اور ایک ایڈٹ کی لاگت بھی $1.00 ہی ہے کیونکہ یہ مکمل ری رینڈر ہے۔ اسی دن لانچ ہونے والا Nano Banana 2 Lite یہاں $0.03 فی تصویر پر چلتا ہے (گوگل کی API شرح 1K تصویر کے لیے $0.034 ہے)۔ قیمتوں کی مکمل فہرست قیمتوں کے سیکشن پر موجود ہے۔

کیا فی کلپ ایک ڈالر ایک مناسب قیمت ہے؟ آواز کے ساتھ ایسے ڈرافٹ کے لیے جسے بصورتِ دیگر ویڈیو جنریشن اور الگ سے آڈیو کام کی ضرورت ہوتی، شاید ہاں۔ خاموش بی-رول کے لیے، نہیں۔ Veo 3.1 Fast بالکل درست دورانیے کے ساتھ سستے خاموش کلپس بناتا ہے۔

کیا آپ کو Omni Flash یا Veo 3.1 استعمال کرنا چاہیے؟

مختصر ورژن: وہ کام کو تقسیم کرتے ہیں، لیکن "ڈرافٹ بمقابلہ فائنل" کی اس لائن پر نہیں جس کی آپ توقع کر رہے ہوں گے۔

انتخاب کرنے سے پہلے ایک بات جاننا ضروری ہے: ان کے درمیان کوالٹی کا فرق واقعی ریزولوشن کے بارے میں نہیں ہے۔ Veo 3.1 حرکت اور فزکس کو زیادہ قائل کرنے والے انداز میں پیش کرتا ہے۔ پانی کا بہاؤ، کپڑے کی شکنیں جہاں ہونی چاہئیں وہیں بنتی ہیں، اشیاء ایک دوسرے کے آر پار گزرنے کے بجائے آپس میں ٹکراتی ہیں۔ Omni Flash اکثر ان چیزوں کو صحیح طریقے سے کرتا ہے، لیکن قابلِ اعتماد حد تک نہیں، اور کچھ کلپس میں آپ بغیر ڈھونڈے بھی اسے محسوس کر لیں گے۔

جب آپ کو ایک حقیقی 4K ایکسپورٹ، ایک بالکل درست کلپ کی لمبائی (آپ مکمل سیکنڈز سیٹ کرتے ہیں، 4 سے 8； فریکشنز نہیں ہوتے)، خاموش آؤٹ پٹ، بعد میں ایکسٹینشن، یا پہلے اور آخری دونوں فریموں پر کنٹرول کی ضرورت ہو تو Veo 3.1 کو منتخب کریں۔ یہ آخری جوڑی انڈر ریٹیڈ ہے: پہلے اور آخری فریم کے طور پر ایک ہی تصویر دیں اور آپ کو ایک بہترین لوپ ملتا ہے، جو کہ لوپنگ بیک گراؤنڈ ویڈیو کے پیچھے پورا راز ہے۔ یہ وائڈ اسکرین یا فزکس کے لحاظ سے بھاری کسی بھی چیز کے لیے ایک پروڈکشن ٹول ہے۔

جب منزل فون کی اسکرین ہو تو Omni Flash کا انتخاب کریں۔ TikTok، Shorts یا Reels کے لیے، ایمانداری سے 720p وہ سب کچھ ہے جو پلیٹ فارم اپنی کمپریشن کے بعد محفوظ رکھتا ہے، آواز اسی $1 والے پاس میں بن کر آتی ہے، اور جب آپ کسی آئیڈیا پر کام کر رہے ہوں تو شروع سے دوبارہ پرامپٹ لکھنے کے مقابلے میں بات چیت کے ذریعے ایڈٹنگ زیادہ بہتر ہے۔ اس معاملے میں یہ صرف ایک خاکہ بنانے والا ٹول نہیں ہے، بلکہ یہ صرف ایک بہتر انتخاب ہے۔

دو دن کے بعد میرا ذاتی ورک فلو: وائڈ اسکرین کلائنٹ کے کام کے لیے میں اب بھی $1 میں Omni Flash میں تصور کا ایک خاکہ بناتا ہوں، پھر فائنل کوالٹی میں Veo میں فائنل ورژن بناتا ہوں۔ عمودی کلپ کے لیے جو براہ راست سوشل میڈیا پر جا رہا ہو، Omni کا ورژن اکثر ویسے ہی بھیج دیا جاتا ہے۔

مختلف سائز کے دو کیمرہ ڈرونز ایک پیسٹل وادی کے اوپر ساتھ ساتھ اڑ رہے ہیں، جو Omni Flash اور Veo 3.1 کے درمیان انتخاب کی نمائندگی کرتے ہیں

دونوں ماڈلز BananaBanana جنریٹر میں لائیو ہیں، اس لیے آپ کوڈ کی ایک لائن لکھے بغیر یا گوگل کلاؤڈ پروجیکٹ سیٹ اپ کیے بغیر ایک ہی پرامپٹ پر ان کا موازنہ کر سکتے ہیں۔ اور اگر آپ کو اس جائزے کا خلاصہ ورژن — خصوصیات، حدود اور فلیٹ قیمت ایک ہی صفحے پر چاہیے — تو وہ Gemini Omni صفحہ پر موجود ہے۔

FAQ

gemini-omni-flash-preview کیا ہے؟

یہ Gemini Omni Flash کے لیے API ماڈل ID ہے، جو کہ گوگل کا بات چیت کے ذریعے ویڈیو جنریشن والا ماڈل ہے جو 30 جون، 2026 کو پبلک پریویو میں جاری کیا گیا تھا۔ یہ Interactions API کے ذریعے آڈیو کے ساتھ 720p، 3–10 سیکنڈ کے کلپس جنریٹ اور ایڈٹ کرتا ہے۔

کیا Gemini Omni Flash 1080p یا 4K ویڈیو جنریٹ کر سکتا ہے؟

نہیں۔ API صرف 24 fps پر 720p آؤٹ پٹ دیتا ہے۔ گوگل Flow بھی ڈیفالٹ طور پر 720p پر رینڈر کرتا ہے؛ اس کے 1080p اور 4K ورژن Veo رینڈرز پر ڈاؤن لوڈ کے مرحلے پر پیش کیے جاتے ہیں۔ اگر آپ کو ایک حقیقی ہائی ریزولوشن ایکسپورٹ کی ضرورت ہے، تو Veo 3.1 استعمال کریں۔