Quando o Google lançou Gêmeos há três anoso objetivo era construir um modelo multimodal de linguagem grande – uma única rede neural que fosse treinada em texto, imagem, áudio e vídeo e pudesse gerar conteúdo em qualquer um desses formatos.
Hoje, na conferência de desenvolvedores do Google I/O, a empresa deu um passo concreto em direção a esse objetivo com o Gemini Omni, uma nova família de modelos multimodais que, segundo o CEO do Google, Sundar Pichai, será capaz de “criar qualquer coisa a partir de qualquer entrada”.
Omni começará com vídeo. Os usuários agora podem combinar imagens, áudio, vídeo e texto e, em vez de simplesmente unir essas entradas, o Omni analisa todas elas para produzir uma saída consistente. O resultado são vídeos de alta qualidade que refletem uma compreensão da física, cultura, história e ciência.
Omni também permite que os usuários editem fotos com comandos de texto simples, em vez de software de edição complexo, semelhante ao Nano Banana do Google.
O Google já possui um modelo de vídeo dedicado, o Veo, que permite aos usuários transformar texto e imagens em vídeos e até mesmo direcionar e personalizar avatares. Mas a diretora de gerenciamento de produtos do Google DeepMind, Nicole Brichtova, diz que o lançamento de hoje é mais do que uma atualização do Veo: “É o próximo passo em direção à progressão da combinação da inteligência do Gemini com os recursos de renderização de nossos modelos de mídia”.
Um exemplo que Koray Kavukcuoglu, tecnólogo-chefe da DeepMind, deu aos repórteres durante um briefing à mídia na segunda-feira: quando Omni recebeu um prompt simples como “um explicador de dobramento de proteínas em argila”, ele rapidamente rendeu um vídeo de um explicador de stop-motion com uma narração que dizia: “As proteínas começam como cadeias de aminoácidos. Elas se dobram em padrões como a hélice alfa e seções planas chamadas folhas beta, formando uma forma tridimensional perfeita”.
A visão de longo prazo do Omni é mais ampla, envolvendo o modelo usado para fazer coisas como gerar imagens de áudio ou áudio de vídeo.
“Quando anunciamos o Gemini pela primeira vez, foi nosso primeiro modelo de IA a ser nativamente multimodal”, disse Pichai durante o briefing. “Sabíamos que treiná-lo em uma combinação de texto, código, áudio, imagens e vídeo proporcionaria uma compreensão mais profunda do mundo. Com os modelos mundiais, a IA está passando da previsão de texto para a simulação da realidade. O Gemini Omni é o próximo passo nessa direção.”
Como parte do lançamento, os usuários também poderão criar vídeos com seus próprios avatares digitais – algo que a OpenAI popularizou em seu extinto aplicativo Sora com Cameos. Para evitar deepfakes, os usuários terão que passar por uma integração de produto dedicada, que envolve gravar-se e falar uma série de números, segundo Brichtova. O avatar então é armazenado para uso futuro.
Além disso, todos os vídeos criados com Omni incluirão a marca d’água digital SynthID do Google, que permite aos usuários verificar se os vídeos foram gerados por meio dos produtos Gemini.
O primeiro modelo da família é o Gemini Omni Flash, que será lançado hoje no aplicativo Gemini, no YouTube Shorts e no estúdio criativo de IA Flow. O Flash será capaz de renderizar 10 segundos de vídeo, o que Brichtova diz não ser uma limitação do modelo, mas sim uma decisão baseada no desejo de colocá-lo em mais mãos e na antecipação de que a maioria dos usuários não vai querer fazer vídeos muito mais longos ainda. No entanto, durações de vídeo mais longas estão previstas para um futuro próximo.
O Google parece estar lançando o Omni Flash mais como uma ferramenta de consumo. Os exemplos que Brichtova e Gabe Barth-Maron, engenheiro de pesquisa da DeepMind, deram em uma ligação com o TechCrunch sobre o uso de avatares digitais foram todos pessoais: fazer um vídeo de você mesmo ganhando um prêmio ou indo à lua, ou removendo um transeunte do fundo de um vídeo que você gravou nas férias.
Barth-Maron disse de forma mais simples: “Eles são como memes personalizados”.
“Definitivamente nos concentramos em tornar isso fácil de usar para os consumidores”, disse Brichtova. “Poucos modelos de vídeo violaram esse abismo com os consumidores, então esta é a nossa jogada para fazer isso.”
A facilidade de uso vem com uma ressalva: Brichtova e Barth-Maron observaram que os prompts de edição precisarão ser altamente específicos, caso contrário, Omni corre o risco de editar demais ou alterar involuntariamente elementos que o usuário deseja manter – um problema que os usuários do Nano Banana teriam encontrado.
Apesar do foco no consumidor no curto prazo, as implicações empresariais e criativas do Omni são óbvias, e o Google disponibilizará o Omni via API nas próximas semanas. A ferramenta de geração de avatar – um recurso que está disponível hoje no Shorts – é algo que o Google espera que os criadores de conteúdo aprendam. Mas, de forma mais ampla, um fluxo de trabalho multimodal de ponta a ponta poderia ser transformador para anunciantes e cineastas.
A startup Luma AI está construindo algo semelhante, uma ferramenta de agência que pode gerar uma campanha publicitária inteira com base em um breve briefing e uma imagem de produto, alimentada por seu próprio modelo “unificado”.
“Na verdade, estamos muito orgulhosos dos recursos de renderização de texto do modelo, que são realmente úteis para coisas como publicidade”, disse Brichtova. “Se você quer um produto em algum lugar, ou mesmo apenas um slogan, ele precisa ser preciso… Definitivamente prevemos que os cineastas e outros tipos de criadores também usarão esse modelo.”
Os casos de uso mais profissionais podem ser melhor atendidos pelo modelo Omni Pro, que deve ter melhor desempenho em todas as tarefas Omni. O Google ainda não disse quando lançará o Pro, mas Brichtova disse que isso acontecerá quando “sentirmos que estamos em um ponto em que temos uma mudança radical acima do Flash”.
Acompanhe o restante das grandes novidades do Google IO 2026
A Pesquisa Google como você conhece acabou
O Google atualiza o aplicativo Gemini para enfrentar ChatGPT e Claude
Google apresenta Gemini Spark, um assistente de agente 24 horas por dia, 7 dias por semana, com integração ao Gmail
Como usar os novos agentes de informação do Google
Quando você compra por meio de links em nossos artigos, podemos ganhar uma pequena comissão. Isso não afeta nossa independência editorial.
