Was ist Google Gemini Omni? Funktionen, Anleitung, Kosten und Video-Limits

Ein KI-Video zu erstellen bedeutete bisher, alles auf einmal beschreiben zu müssen – und schon eine kleine Änderung zwang oft dazu, den ganzen Clip neu zu generieren. Googles Gemini Omni dreht das um: Du generierst eine erste Version und gibst danach deine Anweisungen Stück für Stück, wie in einem Chat. Das Video verändert sich dabei und bleibt von Szene zu Szene konsistent. Google beschreibt es offiziell als „Nano Banana, aber für Video". Wenn du Nano Banana zum Bearbeiten von Bildern kennst – ein Satz getippt, und das Bild ändert sich –, überträgt Gemini Omni genau dieses Gefühl auf bewegte Bilder.

In diesem Guide erfährst du, was Gemini Omni ist, was es wirklich kann, wie du startest, was es kostet (und ob es kostenlos ist), worin es sich von Veo unterscheidet und welche Limits es aktuell gibt.

Bildquelle: Google DeepMind (offiziell)

Gemini Omni ist Googles neuestes multimodales KI-Modell für Videogenerierung und -bearbeitung, und die Modellversion heißt Gemini Omni Flash. Es baut auf dem Weltverständnis und der nativen Multimodalität auf, die Gemini ohnehin mitbringt. Deshalb „wandelt es Text nicht einfach in Video um": Es liest die Bilder, Clips und Audiodateien, die du ihm gibst, und fügt sie zu einem einzigen, stimmigen Ergebnis zusammen.

Sein Markenzeichen ist die dialogbasierte Generierung. Bei klassischen Text-zu-Video-Tools entscheidet ein einziger Prompt über das Ergebnis; Gemini Omni lässt dich „erst sehen, dann ändern". Nach der ersten Version kannst du ergänzen: „Mach den Hintergrund zur Nacht", „Wechsle zu einer Over-the-Shoulder-Perspektive" oder „Tausch diese Figur aus". Jede Änderung baut auf der vorherigen Version auf, statt bei null anzufangen. Genau deshalb vergleicht Google es mit Nano Banana: Nano Banana hat die Bildbearbeitung in ein Gespräch verwandelt, und Gemini Omni überträgt dieses „im Gespräch korrigieren" auf Video.

Eines solltest du gleich wissen: Gemini Omni Flash ersetzt Veo 3.1 als wichtigstes Modell für Videogenerierung und -bearbeitung innerhalb der Gemini-App.

Bildquelle: Google DeepMind (offiziell)

Die Fähigkeiten von Gemini Omni lassen sich in vier Bereiche fassen.

Text, Bilder, Video und Audio zu einem Video kombinieren

Du bist nicht auf reinen Text angewiesen. Gemini Omni nimmt jede beliebige Kombination aus Text, Bildern, Video und Audio als Eingabe und integriert sie zu einem einzigen Video. Du kannst zum Beispiel ein Charakterbild, einen Referenzclip für die Bewegung und einen Satz zum gewünschten Stil einwerfen – und es fügt das alles zu einer Aufnahme zusammen; bis zu 5 Referenzbilder sind möglich. Auch Ton erzeugt es nativ, sodass Bild und Sound gemeinsam entstehen, statt später nachvertont zu werden.

Das Video über mehrere Gesprächsrunden weiterbearbeiten

Das ist die Paradefunktion von Gemini Omni. Nach der Generierung kannst du Änderungen Runde für Runde anstoßen – eine Figur austauschen, das Licht anpassen, die Aufnahme stabilisieren, den Hintergrund ersetzen, einen Effekt hinzufügen – und das Modell hält die gesamte Szene konsistent. Es fühlt sich an, als würdest du mit einem Cutter sprechen, der die Aufnahme Schritt für Schritt näher an dein Ziel bringt. Auch Video-zu-Video-Bearbeitung wird unterstützt, also das direkte Ändern eines vorhandenen Clips.

Weltwissen und Physik einbeziehen

Gemini Omni will nicht nur „echt aussehen", es versteht wie die reale Welt funktioniert. Einerseits hat es ein Gespür für Physik – Schwerkraft, Impuls, Flüssigkeiten –, wodurch Bewegungen natürlicher wirken. Andererseits erbt es Geminis Wissen über Geschichte, Wissenschaft und kulturelle Zusammenhänge, sodass es Wissensinhalte strukturiert darstellen kann, etwa ein Video im Knet-Look, das erklärt, wie sich ein Protein faltet.

Szenen, Aktionen, Stile und Objekte ändern

Ein einziger Satz kann den Bildinhalt stark verändern: den gesamten Kunststil umwandeln (echtes Bild zu Strichzeichnung, 3D-Voxel oder Hologramm-Look), das Geschehen in der Aufnahme neu definieren, Bewegung und Stil aus einem Referenzbild oder -clip übertragen oder sogar eine bestimmte Figur bzw. ein Objekt ersetzen, während der Rest des Bildausschnitts konsistent bleibt.

Bildquelle: Google DeepMind (offiziell)

Gemini Omni ist derzeit in der Gemini-App und in Google Flow (Googles KI-Kreativstudio) verfügbar. Hier ist der einfachste Ablauf.

Schritt 1: Gemini-App oder Google Flow öffnen

Melde dich mit deinem Google-Konto in der Gemini-App an oder gehe zu Google Flow. Für die vollständigen Funktionen von Gemini Omni über diese beiden Einstiege brauchst du ein kostenpflichtiges Abo (zum kostenlosen Ausprobieren kannst du YouTube Shorts / Create nutzen); Details dazu im nächsten Preis-Abschnitt.

Schritt 2: Gemini Omni Flash auswählen

Wechsle in der Oberfläche zur Videogenerierung das Modell auf Gemini Omni Flash. In Google Flow taucht es als eines der verfügbaren Videomodelle auf.

Schritt 3: Anweisung eingeben und Referenzmaterial hochladen

Schreibe eine Beschreibung der gewünschten Aufnahme und lade bei Bedarf Referenzmaterial hoch: Bilder (bis zu 5), einen Videoclip oder eine Audiodatei. Je konkreter die Anweisung (Motiv, Aktion, Kamera, Stil, Ton), desto näher kommt das Ergebnis deiner Vorstellung.

Schritt 4: Erste Version generieren

Nach dem Absenden erzeugt Gemini Omni eine erste Version von rund 10 Sekunden. Sieh sie als Entwurf – sie muss nicht auf Anhieb perfekt sein.

Schritt 5: Per Dialog verfeinern und herunterladen

Passt etwas nicht, sag es einfach: „Mach den Hintergrund zu einem Strand", „Zieh die Kamera weiter raus", „Färb dieses Objekt rot". Das Modell bearbeitet unter Beibehaltung der ursprünglichen Szene. Wenn es passt, lädst du das Video herunter.

Kurz gesagt: Gemini Omni hat einen kostenlosen und einen kostenpflichtigen Weg – es hängt davon ab, wo du es nutzt. Zum Herumprobieren auf YouTube kommst du kostenlos ran; für die vollen Funktionen in der Gemini-App oder in Google Flow kommt ein kostenpflichtiges Abo ins Spiel. Nachfolgend aufgeschlüsselt, mit den Preisen für Deutschland.

Kann man Gemini Omni kostenlos nutzen?

Ja, je nach Kanal. In YouTube Shorts und der YouTube-Create-App kannst du Gemini Omni Flash kostenlos testen: Du musst nur über 18 sein und brauchst kein Abo, um die dialogbasierte Videogenerierung auszuprobieren. Das ist der Einstieg mit der niedrigsten Hürde.

In der Gemini-App und in Google Flow erfordern die vollständigen Funktionen zur Generierung und mehrstufigen Bearbeitung dagegen ein kostenpflichtiges Google-AI-Abo. Mit einem komplett kostenlosen Google-Konto kommst du in Gemini meist nur bis zum einfachen Omni Flash, und bei der Videogenerierung stößt du schnell auf Warteschlangen und niedrige Tageslimits. Für eine stabile, vollständige Nutzung startest du in der Regel mit Google AI Plus.

Google AI Plus, Pro und Ultra im Vergleich

Alle drei Abos können Gemini Omni Flash nutzen; die Unterschiede liegen vor allem beim Nutzungsvolumen, den Google-Flow-Credits und weiteren Vorteilen. Als Referenz die Preise für Deutschland:

Um die vollen Funktionen in der Gemini-App oder in Google Flow stabil zu nutzen, ist der günstigste Einstieg Google AI Plus für 4,99 €/Monat. Google bietet für Neukund:innen häufig Rabatte (etwa ein Startangebot von 3,99 € in den ersten zwei Monaten), also lohnt sich ein Blick auf die aktuelle Aktion. Außerdem lassen sich die Abos mit bis zu 5 Familienmitgliedern teilen, was die Kosten pro Person senkt.

Zwei Hinweise:

1. So wird die Nutzung gemessen: Die Nutzung in der Gemini-App wird über „Rechenaufwand" berechnet und schwankt je nach Prompt-Komplexität, genutzten Funktionen und Länge des Gesprächs. Sie wird alle 5 Stunden zurückgesetzt, bis ein Wochenlimit erreicht ist; sind deine Credits aufgebraucht, kannst du zusätzliche KI-Credits kaufen.

2. Funktionsunterschiede: Einige Funktionen variieren je nach Abo-Stufe, Plattform (Web oder Mobil) und Region. Nimm die offizielle Abo-Seite als Referenz dafür, was jedes Abo tatsächlich enthält.

Gemini Omni und Veo werden leicht verwechselt, weil beide Videomodelle von Google sind. Kurz unterschieden:

• Gemini Omni Flash ist das neue multimodale Generierungs- und Bearbeitungsmodell, das Veo 3.1 in der Gemini-App ersetzt. Seine Stärken sind multimodale Eingabe, dialogbasierte Bearbeitung über mehrere Runden sowie das Verständnis von Weltwissen und Physik – ideal für den Ablauf „erst generieren, dann Satz für Satz verfeinern" und für das Verschmelzen mehrerer Materialien zu einem Video.

• Veo (inklusive Veo 3 und 3.1) ist das spezialisierte Modell auf der Schiene der filmischen Generierung, mit Fokus auf hochwertiges Text-zu-Video.

Was solltest du wählen? Wenn dein Bedarf im Gespräch bearbeiten, vorhandenes Material umgestalten und reale Logik im Bild verlangen ist, liegt dir Gemini Omni mehr. Willst du „aus einem Satz eine Aufnahme mit filmischem Look", hat der Weg über Veo weiterhin seine Berechtigung. Für die meisten, die in der Gemini-App erstellen, ist Gemini Omni das, worauf du jetzt standardmäßig triffst.

Bildquelle: Google DeepMind (offiziell)

Eine wiederverwendbare Prompt-Struktur

• Motiv: die Personen, Objekte oder die Szene im Bild.

• Aktion/Auslöser: was passiert, oder eine Bedingung im Sinne von „wenn X passiert" (z. B. „wenn sich die Hand öffnet, erscheint ein Planet in der Handfläche").

• Kamerawinkel: Kamerabewegung und -perspektive, z. B. „fahre langsam heran" oder „Over-the-Shoulder-Perspektive".

• Stil/Textur: realistisch, Strichzeichnung, Knet-Stop-Motion, 3D-Hologramm usw.

• Audio: Hintergrundmusik, oder „nur realer Umgebungston, keine Musik".

• Einschränkungen: Länge (z. B. 10 Sekunden), Seitenverhältnis (z. B. 16:9) und was nicht im Bild erscheinen soll.

Füllst du diese sechs Felder aus, steigt die Kontrolle über das Ergebnis deutlich.

Beispiele nach Szenario

• Produktvorstellung: eine Kosmetikflasche dreht sich langsam vor weißem Hintergrund, weiches Studiolicht, Kamera fährt leicht heran, realistischer Stil, nur sanfte Hintergrundmusik, 10 Sekunden, 16:9.

• Wissenserklärung: ein wissenschaftliches Konzept im Knet-Stop-Motion erklären, alles aus Knete und ohne Hände im Bild, Bild synchron zur Erzählung, den Ton am Ende nicht abrupt abschneiden.

• Physiksimulation: eine Aufnahme ohne Schnitt, in der eine Murmel schnell über eine durchgehende Bahn rollt, nur echte Aufprallgeräusche, keine Musik.

• Stiltransfer: Geh von einem echten Clip aus und weise an „wenn die Person den Spiegel berührt, wechselt die gesamte Umgebung in einen 3D-Voxel-Stil", während der Rest der Aufnahme unverändert bleibt.

Vorher/Nachher über mehrere Runden mit demselben Material

Der Wert von Gemini Omni liegt in den mehreren Runden. Ein Beispielablauf: Nimm einen Clip eines Geigers als Eingabe → (Runde 1) „Versetze den Geiger in ein Weizenfeld" → (Runde 2) „Mach die Geige transparent" → (Runde 3) „Wechsle zur Aufnahme über die Schulter des Geigers". In jeder Runde änderst du nur eine Sache, und das Modell übernimmt die vorherige Version. So siehst du den Unterschied bei jedem Schritt klar, statt jedes Mal einen völlig neuen Clip zu bekommen, der nicht mehr passt.

Bildquelle: Google DeepMind (offiziell)

Auch das stärkste Tool hat Grenzen; wer sie kennt, vermeidet böse Überraschungen.

Wie lang darf ein Video mit Gemini Omni auf einmal sein?

Derzeit erzeugt Gemini Omni pro Durchlauf Clips von rund 10 Sekunden. Für längere Inhalte musst du in der Praxis mehrere Segmente generieren und selbst zusammenfügen.

Komplexe Aktionen und Szenen mit mehreren Personen können instabil sein

Zwar versteht Gemini Omni Physik gut, doch schnelle, komplexe oder von mehreren Personen gleichzeitig bespielte Szenen bleiben die gemeinsame Schwäche aller KI-Videomodelle und können zu ruckelnden Bewegungen oder verrutschten Details führen. Dann solltest du die Aufnahme vereinfachen oder sie über die mehrstufige Bearbeitung Schritt für Schritt korrigieren.

Grenzen bei Bildschirmtext, Erzählstimme und Audiosynchronisation

Konzeptionell kann Gemini Omni „Text im Bild" und „was gerade passiert" aufeinander abstimmen und eine Erzählstimme erzeugen. In der Praxis kann der im Video eingeblendete Text jedoch Tippfehler enthalten oder verzerrt sein, und die Synchronität von Erzählstimme mit Lippenbewegung oder Handlung ist in komplexen Szenen nicht immer perfekt. Bei Inhalten, die auf exakten Textinserts beruhen, prüfst du am besten jeden Clip einzeln.

Kontingent-Limits des Abos und Generierungsgeschwindigkeit

Wie im Preis-Abschnitt erwähnt, rechnet die Gemini-App nach Rechenaufwand ab, mit Reset alle 5 Stunden bis zum Wochenlimit; in Google Flow werden Credits verbraucht (200 bei Plus, 1.000 bei Pro, 10.000–25.000 bei Ultra). Nutzung und Generierungsgeschwindigkeit hängen von der Abo-Stufe ab, deshalb sollten Vielnutzer:innen ihren Credit-Verbrauch im Blick behalten.

Inhaltskennzeichnung mit SynthID und C2PA

Alles, was du mit Omni über die Gemini-App, Google Flow oder YouTube generierst oder bearbeitest, enthält Googles unsichtbares SynthID-Wasserzeichen und die C2PA-Inhaltsnachweise. Diese Kennzeichen sind mit bloßem Auge nicht sichtbar, dienen aber dazu, zu erkennen, ob ein Inhalt von Googles KI stammt; du kannst die Datei sogar an Gemini zurückgeben und fragen, ob sie KI-generiert ist. Für die kommerzielle Nutzung oder wenn KI-Inhalte gekennzeichnet werden müssen, solltest du das von Anfang an einplanen.

Ist Gemini Omni in Deutschland verfügbar?

Ja. Gemini Omni wird in allen Ländern und Sprachen ausgerollt, in denen die Gemini-App verfügbar ist, und Deutschland gehört dazu. Du musst über 18 Jahre alt sein und ein Abo von Google AI Plus, Pro oder Ultra haben. Beachte, dass einige Funktionen wie Avatare und Video-zu-Video-Bearbeitung je nach Region eingeschränkt sein können.

Versteht Gemini Omni deutsche Anweisungen?

Ja. Gemini Omni funktioniert in allen Sprachen, die die Gemini-App unterstützt – du kannst also auf Deutsch anweisen. Wie erwähnt kann der im Video erzeugte Text jedoch Fehler enthalten; das ist etwas anderes als die Frage, ob es deine Anweisungen versteht.

Haben Videos aus Gemini Omni ein Wasserzeichen?

Ja, aber ein unsichtbares. Alle Ergebnisse tragen das unsichtbare SynthID-Wasserzeichen und die C2PA-Inhaltsnachweise. Es bleibt kein sichtbares Logo im Bild: Die Kennzeichen dienen dazu, zu erkennen, ob der Inhalt von Googles KI generiert wurde.

Gemini Omni bringt KI-Video von „alles auf einmal beschreiben und sonst neu anfangen" hin zu „erst generieren, dann im Gespräch feinjustieren" – ein klarer Effizienzgewinn für alle, die in Iterationen arbeiten. Starte mit einem einfachen 10-Sekunden-Entwurf und gewöhne dich daran, die Aufnahme Satz für Satz zu verfeinern: Das ist ein deutlich leichterer Einstieg, als von Anfang an den perfekten Prompt schreiben zu wollen.