Gemini Omni 1.1 Flash wydłuża generowaną scenę do 40 sekund. Google oddaje twórcom kontrolę nad pierwszą i ostatnią klatką
- Google DeepMind udostępniło 27 sierpnia Gemini Omni 1.1 Flash – aktualizację modelu wideo, która umożliwia generowanie scen o długości do 40 sekund poprzez doklejanie kolejnych fragmentów w krokach co 10 sekund.
- Model analizuje teraz 10 sekund poprzedzającego materiału zamiast dotychczasowej jednej sekundy, co ma eliminować niespójności wizualne między łączonymi ujęciami.
- Wgrywany materiał źródłowy nie może przekraczać 10 sekund, a doklejanie możliwe jest wyłącznie na końcu klipu – bez wstawiania fragmentów w środek ani dopisywania początku.
Google DeepMind udostępniło 27 sierpnia Gemini Omni 1.1 Flash, aktualizację swojego modelu wideo, która pozwala doklejać kolejne fragmenty ujęcia aż do czterdziestu sekund i wskazywać modelowi, na jakiej klatce ma się zacząć i skończyć scena. Najważniejsza zmiana siedzi jednak w miejscu, którego nie widać w materiałach promocyjnych: model analizuje teraz dziesięć sekund poprzedzającego materiału zamiast jednej ostatniej sekundy.
Sprawdziłem dokumentację i wpis na blogu Google. Firma sprzedaje tę aktualizację jako pakiet „nowych narzędzi kreatywnych”, ale patrząc na to od strony produkcyjnej widzę coś innego. Omni przestał być generatorem, który losuje ładne pięciosekundowe klipy, a stał się modelem, którym da się sterować. Autorami wpisu są Anish Nangia i Alisa Fortin, oboje product managerowie w Google DeepMind.
Chcesz czytać więcej treści związanych z AI?
Dodaj AIPORT.pl do preferowanych źródeł Google
Dziesięć sekund kontekstu zamiast jednej
Rozszerzanie sceny działa tak, że bierzesz istniejący klip i każesz modelowi kontynuować od miejsca, w którym się skończył. Do tej pory modele Google patrzyły przy tym wyłącznie na ostatnią sekundę materiału. Efekt każdy zna: postać zmienia odcień włosów, tło się przesuwa, kurtka nagle ma inny krój.
Omni 1.1 czyta dziesięć sekund wstecz. Rozszerzenia biegną w dziesięciosekundowych krokach do łącznych czterdziestu sekund, a pojedyncze wywołanie generuje od trzech do dziesięciu sekund nowego materiału. Model dopuszcza też edycję kilku ostatnich klatek materiału wejściowego, żeby szew między ujęciami był niewidoczny.
Ograniczenia są konkretne i trzeba je znać przed zaplanowaniem pipeline’u. Doklejać można wyłącznie na końcu, bez wstawiania w środek i bez dopisywania początku. Wgrywany materiał źródłowy nie może przekraczać dziesięciu sekund, chyba że rozszerzasz wideo wygenerowane wcześniej przez sam model. I rzecz, która wywróci niejeden pomysł: jeśli wgrasz własny klip, w którym ktoś mówi, nie dopiszesz do niego nowego dialogu. Mowa działa tylko w łańcuchu wielu tur, przez parametr previous_interaction_id.
Klatka pierwsza, klatka ostatnia i trzy sekundy referencji
Druga nowość to interpolacja między klatkami. Podajesz pierwszą i ostatnią klatkę ujęcia, a model dogenerowuje to, co między nimi. Stąd biorą się orbity kamery, dolly zoomy i pętle, które da się zapętlić bez widocznego cięcia. Media przypisuje się do ról znacznikami w prompcie: <FIRST_FRAME>, <LAST_FRAME>, <IMAGE_REF_N> oraz <VIDEO_REF_N>.
Referencje wideo przyjmują maksymalnie trzy klipy po trzy sekundy każdy i najlepiej sprawdzają się przy zachowaniu podobieństwa postaci. Dźwięk z takiej referencji jest ignorowany. Google zaznacza też, że model nie rozumuje na wielu filmach naraz i próba takiego użycia może pogorszyć wynik.
360p na szkice, 4K na oddanie klientowi
Parametr resolution w response_format przyjmuje 360p, 720p jako domyślne, 1080p oraz 4k. Dwie najwyższe wartości to skalowanie w górę, co Google pisze wprost we własnej dokumentacji. Podgląd w 360p powstaje do 60 procent szybciej i kosztuje jedną trzecią tego, co 720p, przy czym firma zastrzega, że porównanie opiera się na przepustowości systemu, a nie na osobnym benchmarku.
To jest w praktyce zaproszenie do zmiany nawyku. Generujesz cztery tanie warianty, wybierasz jeden, dopiero jego renderujesz w rozdzielczości docelowej. Kto pracował przy storyboardach, wie ile pieniędzy potrafi zjeść iterowanie w pełnej jakości.
Cennik i lista rzeczy, których model nie potrafi
Wejście kosztuje 1,50 dolara za milion tokenów, niezależnie od tego, czy podajesz tekst, obraz, dźwięk czy wideo. Wyjście tekstowe to 9 dolarów za milion tokenów, wyjście wideo 17,50 dolara. Rozliczenie wideo idzie po 5792 tokenach na sekundę materiału w 720p, co daje mniej więcej 10 centów za sekundę. Pełne czterdzieści sekund w 720p zamyka się więc w okolicach czterech dolarów, co przy stawkach ekipy zdjęciowej wygląda jak błąd zaokrąglenia.
Każdy wygenerowany film dostaje znak wodny SynthID. Niewidoczny dla widza, wykrywalny maszynowo.
Braki wyglądają następująco:
- brak instrukcji systemowych, temperatury,
top_p, sekwencji zatrzymujących i promptów negatywnych, negacje trzeba wpisywać w treść polecenia - brak edycji głosu i brak referencji dźwiękowych
- adresy YouTube nie mogą służyć jako materiał źródłowy
- w pełni wspierany jest wyłącznie angielski, pozostałe języki Google określa jako niesprawdzone
- przy wyniku powyżej 4 MB trzeba użyć
delivery="uri"i odpytywać Files API, aż plik osiągnie statusACTIVE
Serwis Digital Applied zwrócił uwagę na jeszcze jeden szczegół, który łatwo przeoczyć przy planowaniu wdrożenia. Model jest ogólnie dostępny w Gemini API, ale w Gemini Enterprise Agent Platform figuruje jako Preview na warunkach przedprodukcyjnych. Dla firmy podpisującej umowę z klientem to różnica warta sprawdzenia u prawnika.
Opisz krótko, czego potrzebujesz. Jesteśmy największym HUB-em AI w Polsce — w naszej bazie znajdziesz blisko 500 zweryfikowanych firm specjalizujących się w AI. W Twoim imieniu poprosimy 3-5 dopasowanych wykonawców o kontakt w ciągu 48 godzin.
Kto już to uruchomił
Google wymienia Adobe z Firefly, Figma Weave, GMI Cloud i Runway jako firmy pracujące na Omni Flash w środowisku produkcyjnym. Model trafił też do Google Flow dla abonentów AI Plus, Pro i Ultra, a rozszerzanie scen pojawiło się w aplikacji Gemini.
Itay Schiff, Creative Director w Figma Weave, podsumował to tak: „Gemini Omni Flash sprawia, że zespoły nie tylko generują wideo, ale naprawdę je reżyserują” / „Gemini Omni Flash takes teams beyond generating videos to truly directing them”.
Louisa Guo z GMI Cloud podkreśla co innego, i moim zdaniem ciekawszego. Jej klienci robią materiały edukacyjne i wyjaśniające, gdzie liczy się to, czy szczegóły wytrzymują dokładne oglądanie. Według niej dopiero ta powtarzalność otworzyła generowane wideo na segment, który wcześniej nie mógł na nim polegać. Jamie Umpherson z Runway mówi zaś o dopasowaniu do już istniejącego sposobu pracy, gdzie zaczyna się od promptu, obrazu albo filmu i dopiero potem edytuje.
Patrzę na tę premierę bez entuzjazmu, ale z uznaniem dla inżynierii. Czterdzieści sekund to nadal nie jest film, tylko dłuższa scena, a doklejanie po dziesięć sekund z jednym kierunkiem narracji ma niewiele wspólnego z montażem. Doceniam za to uczciwość Google w dokumentacji: firma sama pisze, że 1080p i 4K to skalowanie w górę, a nie natywna rozdzielczość generowania. Mało kto na tym rynku przyznaje się do takich rzeczy dobrowolnie.
Martwi mnie zupełnie inna rzecz. Angielski jest wspierany w pełni, reszta języków ma status niesprawdzonych. Polska agencja, która chce wygenerować scenę z polskim dialogiem, wchodzi w obszar, za który dostawca nie bierze odpowiedzialności jakościowej. A kiedy w grę wchodzi wizerunek marki i zgodność z prawem, to nie jest drobiazg.
Pytanie, które sobie zadaję po tej premierze: czy tanie szkice w 360p faktycznie obniżą koszty produkcji, czy po prostu podniosą liczbę generowanych wariantów do momentu, w którym rachunek wyjdzie taki sam? Znam branżę reklamową na tyle, by obstawiać drugą odpowiedź.
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
Jak to wygląda na tle konkurencji
Rywalizacja w generowaniu wideo zrobiła się w tym roku brutalna. Serwis implicator.ai zestawił Omni 1.1 z Seedance 2.5 od ByteDance, który potrafi tworzyć klipy do trzydziestu sekund, eksportuje w 4K i przyjmuje nawet pięćdziesiąt równoległych materiałów referencyjnych, podczas gdy Omni ogranicza pojedyncze wywołanie do dziesięciu sekund. Ten sam serwis przypomina, że modele Sora 2 od OpenAI wraz z Videos API zostały wycofane i przestaną działać 24 września 2026 roku.
Przewaga Google nie leży więc w surowych liczbach. Leży w tym, że okno kontekstu przy rozszerzaniu sceny jest dziesięciokrotnie większe niż wcześniej, a to bezpośrednio przekłada się na spójność postaci między ujęciami. Dryf wizualny był do tej pory głównym powodem, dla którego generowane wideo nadawało się na moodboard, ale nie na materiał do emisji.
Za każdą polską firmą AI stoi konkretny człowiek z imieniem i nazwiskiem, często ten sam w kilku miejscach naraz, i to właśnie ludzie, nie tabelki finansowania, są prawdziwym bohaterem tego artykułu.
Polska perspektywa: SynthID zdejmuje z agencji tylko połowę obowiązku
Tu dochodzimy do części, o której nie przeczytacie w anglojęzycznych relacjach z tej premiery. Od 2 sierpnia 2026 roku obowiązuje artykuł 50 AI Act, a od 3 lipca mamy ustawę o systemach sztucznej inteligencji powołującą Komisję Rozwoju i Bezpieczeństwa Sztucznej Inteligencji. Wśród prawników zajmujących się tym obszarem, w tym w kancelariach Traple Konarski Podrecki i Wspólnicy oraz Lawspective, powtarza się to samo rozróżnienie, które warto sobie przyswoić przed pierwszą kampanią zrobioną w Omni.
Znakowanie maszynowe to obowiązek dostawcy systemu, wynikający z artykułu 50 ustęp 2. SynthID w każdym pliku wygenerowanym przez Omni załatwia tę część za Google. Widoczne poinformowanie odbiorcy, że materiał powstał albo został zmieniony przy udziale AI, to obowiązek osobny, z artykułu 50 ustęp 4, i spoczywa na podmiocie stosującym, czyli na agencji, wydawcy albo marce publikującej film. Za jego naruszenie grozi kara do 15 milionów euro albo 3 procent światowego obrotu, przy czym dla mniejszych firm bierze się kwotę niższą. Skargi indywidualne do KRiBSI ruszają dopiero po wejściu w życie krajowych procedur, pod koniec października.
Skala rynku, który to dotyczy, jest już poważna. Według badania IAB Polska i PwC AdEx polski rynek reklamy online zamknął 2025 rok wynikiem 10,9 miliarda złotych przy wzroście o 14,6 procent, a w pierwszym kwartale 2026 roku urósł o 10,6 procent do 2,57 miliarda złotych. Najszybciej rosły przy tym formaty wideo i cyfrowy outdoor. Reklama wideo odpowiada za około jedną piątą wartości całego rynku online i przekroczyła już 1,6 miliarda złotych rocznie.
Cztery dolary za czterdziestosekundowe ujęcie w 720p brzmią przy tych liczbach jak zaproszenie do zalania rynku syntetycznym materiałem. Tylko że każdy taki plik będzie miał w środku wykrywalny znacznik SynthID, a odpowiedzialność za etykietę widoczną dla widza zostaje po polskiej stronie umowy. Radziłbym dopisać ten punkt do procedur zanim ktoś dopisze go do decyzji administracyjnej.
Źródła i metodologia
Artykuł powstał na podstawie analizy redakcji AIPORT.pl oraz dodatkowych źródeł, w tym oficjalnego wpisu Google autorstwa Anisha Nangii i Alisy Fortin z dnia 27.08.2026 Gemini Omni 1.1 Flash lets you build with more control oraz omówienia technicznego MarkTechPost autorstwa Michala Suttera z dnia 29.08.2026. Wykorzystano także zestawienia serwisów implicator.ai, Digital Applied, Neowin i explainx.ai dotyczące porównania z konkurencyjnymi modelami oraz statusu dostępności. Kontekst polskich przepisów opracowano na podstawie publikacji kancelarii Traple Konarski Podrecki i Wspólnicy, serwisu Infor.pl, danych IAB Polska i PwC AdEx oraz wcześniejszych ustaleń redakcji, opisanych w tekście Oznaczanie treści AI w Polsce. Cytat Itaya Schiffa, Creative Director w Figma Weave, został zweryfikowany z oryginalnym anglojęzycznym materiałem źródłowym. Komentarz redakcyjny i ocena kontekstu branżowego: Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl. Artykuł będzie aktualizowany w miarę pojawiania się nowych informacji o rozwoju modeli wideo Google i ich wpływie na rynek produkcji reklamowej w Polsce.
