¿Qué es Google Gemini Omni? Funciones, guía de uso, precio y límites de video

Hacer un vídeo con IA solía obligarte a describirlo todo de una vez, y cambiar un solo detalle a menudo implicaba regenerar el clip entero. El Gemini Omni de Google le da la vuelta a eso: generas una primera versión y, a partir de ahí, vas dando instrucciones de una en una, como en un chat, y el vídeo se transforma manteniendo la coherencia entre escenas. Google lo describe oficialmente como «Nano Banana, pero para vídeo». Si has usado Nano Banana para editar imágenes —escribes una frase y la imagen cambia—, Gemini Omni traslada ese mismo instinto a las imágenes en movimiento.

En esta guía verás qué es Gemini Omni, qué puede hacer realmente, cómo empezar, cuánto cuesta (y si es gratis), en qué se diferencia de Veo y qué límites tiene hoy por hoy.

Fuente de la imagen: Google DeepMind (oficial)

Gemini Omni es el modelo multimodal de IA para generación y edición de vídeo más reciente de Google, y la versión del modelo se llama Gemini Omni Flash. Está construido sobre la comprensión del mundo y la multimodalidad nativa que ya tiene Gemini, así que no se limita a «convertir texto en vídeo»: lee las imágenes, los clips y el audio que le das y los teje en un único resultado coherente.

Su rasgo distintivo es la generación conversacional. Con las herramientas de texto a vídeo tradicionales, un único prompt decide el resultado; Gemini Omni te deja «verlo y luego cambiarlo». Tras la primera versión puedes añadir «pon el fondo de noche», «cambia a un plano por encima del hombro» o «sustituye este personaje», y cada edición parte de la versión anterior en lugar de empezar de cero. Por eso Google lo compara con Nano Banana: Nano Banana convirtió la edición de fotos en una conversación, y Gemini Omni extiende ese «lo arreglo mientras hablo» al vídeo.

Un apunte que conviene tener claro desde el principio: Gemini Omni Flash sustituirá a Veo 3.1 como modelo principal de generación y edición de vídeo dentro de la app de Gemini.

Fuente de la imagen: Google DeepMind (oficial)

Las capacidades de Gemini Omni se resumen en cuatro bloques.

Combinar texto, imágenes, vídeo y audio para generar vídeo

No dependes solo del texto. Gemini Omni acepta cualquier combinación de texto, imágenes, vídeo y audio como entrada y la integra en un único vídeo. Por ejemplo, puedes soltar una imagen de un personaje, un clip de referencia para el movimiento y una frase que describa el estilo que buscas, y lo funde todo en un mismo plano; puedes usar hasta 5 fotos de referencia. Además genera sonido de forma nativa, así que la imagen y el audio salen a la vez en lugar de doblarse después.

Seguir editando el vídeo con varias rondas de conversación

Esta es la función estrella de Gemini Omni. Tras la generación, puedes lanzar ediciones turno a turno —cambiar un personaje, ajustar la iluminación, estabilizar el plano, sustituir el fondo, añadir un efecto— y el modelo mantiene la coherencia de toda la escena, como si hablaras con un montador que va acercando el plano a lo que quieres. También admite edición de vídeo a vídeo, es decir, meter un clip existente y modificarlo directamente.

Apoyarse en el conocimiento del mundo y la física

Gemini Omni no solo busca que «parezca real»: entiende cómo se comporta el mundo real. Por un lado, tiene intuición para la física —gravedad, inercia, fluidos—, de modo que el movimiento resulta más natural. Por otro, hereda el conocimiento de Gemini sobre historia, ciencia y contexto cultural, así que puede presentar contenido divulgativo de forma estructurada; por ejemplo, un vídeo estilo plastilina que explica cómo se pliega una proteína.

Cambiar escenas, acciones, estilos y objetos

Una sola frase puede transformar bastante lo que se ve en pantalla: cambiar el estilo artístico general (pasar imagen real a línea, vóxel 3D o aspecto holográfico), replantear lo que ocurre en el plano, transferir el movimiento y el estilo de una imagen o un clip de referencia, o incluso sustituir un personaje u objeto concreto mientras el resto del encuadre se mantiene coherente.

Fuente de la imagen: Google DeepMind (oficial)

Gemini Omni está disponible ahora mismo en la app de Gemini y en Google Flow (el estudio de creación con IA de Google). Este es el flujo más sencillo.

Paso 1: Entra en la app de Gemini o en Google Flow

Inicia sesión con tu cuenta de Google en la app de Gemini, o entra en Google Flow. Usar las funciones completas de Gemini Omni en estas dos puertas de entrada requiere un plan de pago (para probarlo gratis primero, puedes usar YouTube Shorts / Create); lo detallamos en el apartado de precio.

Paso 2: Selecciona Gemini Omni Flash

En la interfaz de generación de vídeo, cambia el modelo a Gemini Omni Flash. En Google Flow aparece como uno de los modelos de generación de vídeo disponibles.

Paso 3: Escribe la instrucción y sube material de referencia

Escribe una descripción del plano que quieres y, si hace falta, sube material de referencia: imágenes (hasta 5), un clip o un archivo de audio. Cuanto más concreta sea la instrucción (sujeto, acción, cámara, estilo, sonido), más se acercará el resultado a lo que imaginas.

Paso 4: Genera la primera versión

Al enviarlo, Gemini Omni produce una primera versión de unos 10 segundos. Tómatela como un borrador: no tiene por qué quedar perfecta a la primera.

Paso 5: Refina hablando y descarga

Si algo no encaja, dilo sin más: «cambia el fondo a una playa», «aleja la cámara», «pon este objeto de color rojo». El modelo edita conservando la escena original. Cuando te convenza, lo descargas y listo.

Respuesta corta: Gemini Omni tiene una vía gratuita y otra de pago, y depende de dónde lo uses. Si quieres cacharrear en YouTube, puedes tocarlo gratis; si quieres las funciones completas en la app de Gemini o en Google Flow, entra en juego un plan de pago. Lo desglosamos abajo, con los precios de España.

¿Se puede usar Gemini Omni gratis?

Sí, según el canal. En YouTube Shorts y la app YouTube Create puedes probar Gemini Omni Flash gratis: basta con ser mayor de 18 años y no necesitas suscripción para experimentar con la generación de vídeo conversacional. Es la puerta de entrada con menos barrera.

Ahora bien, en la app de Gemini y en Google Flow, las funciones completas de generación y edición multironda sí requieren una suscripción de pago de Google AI. Con una cuenta de Google totalmente gratuita, en Gemini normalmente solo llegas al Omni Flash básico, y al generar vídeo es fácil toparte con colas de espera y cupos diarios bajos. Para usarlo de forma estable y completa, lo habitual es empezar por Google AI Plus.

Comparativa de Google AI Plus, Pro y Ultra

Los tres planes pueden usar Gemini Omni Flash; las diferencias están sobre todo en el volumen de uso, los créditos de Google Flow y otras ventajas. Tomando como referencia los precios de España:

Para usar las funciones completas de forma estable en la app de Gemini o en Google Flow, la puerta más barata es Google AI Plus, a 4,99 €/mes. Google suele lanzar descuentos para nuevos suscriptores (por ejemplo, una oferta de lanzamiento de 3,99 € los dos primeros meses), así que merece la pena mirar la promoción vigente. Además, los planes se pueden compartir con hasta 5 miembros de la familia, lo que reduce el coste por persona.

Dos apuntes:

1. Cómo se mide el uso: el uso en la app de Gemini se calcula por «cómputo», que varía según la complejidad del prompt, las funciones que utilices y la longitud de la conversación. Se reinicia cada 5 horas hasta alcanzar un tope semanal, y puedes comprar créditos de IA adicionales cuando se te agoten.

2. Diferencias de funciones: algunas funciones varían según el nivel del plan, la plataforma (web o móvil) y la región, así que toma la página oficial de suscripciones como fuente de referencia de lo que incluye cada plan.

Es fácil confundir Gemini Omni y Veo, porque ambos son modelos de vídeo de Google. La distinción, en corto:

• Gemini Omni Flash es el nuevo modelo multimodal de generación y edición que sustituye a Veo 3.1 dentro de la app de Gemini. Sus puntos fuertes son la entrada multimodal, la edición conversacional en varias rondas y la comprensión del conocimiento del mundo y la física: ideal para el flujo de «genero primero y luego voy afinando frase a frase» y para fundir varios materiales en un mismo vídeo.

• Veo (incluidos Veo 3 y 3.1) es el modelo especializado en la vía de la generación cinematográfica, centrado en texto a vídeo de alta calidad.

¿Cuál elegir? Si lo tuyo es editar mientras hablas, retocar material existente y exigir que la imagen respete la lógica real, Gemini Omni resulta más cómodo. Si lo que buscas es «de una frase a un plano con aire cinematográfico», la vía de Veo sigue teniendo sentido. Para la mayoría de quienes crean dentro de la app de Gemini, lo que encontrarás por defecto ahora es Gemini Omni.

Fuente de la imagen: Google DeepMind (oficial)

Una estructura de prompt reutilizable

• Sujeto: las personas, objetos o escena en el encuadre.

• Acción/Disparador: qué ocurre, o una condición del tipo «cuando pase X» (por ejemplo, «cuando la mano se abre, aparece un planeta en la palma»).

• Ángulo de cámara: movimiento y encuadre, por ejemplo «acércate despacio» o «plano por encima del hombro».

• Estilo/Textura: realista, línea, plastilina en stop-motion, holograma 3D, etc.

• Audio: música de fondo, o «solo sonido ambiente real, sin música».

• Restricciones: duración (por ejemplo, 10 segundos), proporción (por ejemplo, 16:9) y qué no quieres que aparezca.

Con rellenar esas seis casillas, el control sobre el resultado sube de forma notable.

Ejemplos por situación

• Presentación de producto: un bote de cosmética girando despacio sobre fondo blanco, iluminación de estudio suave, la cámara acercándose ligeramente, estilo realista, solo música de fondo suave, 10 segundos, 16:9.

• Explicación divulgativa: explicar un concepto científico en stop-motion de plastilina, todo hecho de plastilina y sin manos en plano, imagen sincronizada con la narración, sin cortar el sonido de golpe al final.

• Simulación física: un plano sin cortes de una canica rodando rápido por una pista continua, solo sonidos de choque reales, sin música.

• Transferencia de estilo: parte de un clip real e indica «cuando la persona toca el espejo, todo el entorno cambia a estilo vóxel 3D», manteniendo el resto del plano igual.

Antes y después con varias rondas sobre el mismo material

El valor de Gemini Omni está en las varias rondas. Un flujo de ejemplo: parte de un clip de un violinista como entrada → (ronda 1) «lleva al violinista a un campo de trigo» → (ronda 2) «haz que el violín sea transparente» → (ronda 3) «cambia al plano rodado por detrás del hombro del violinista». En cada ronda cambias solo una cosa y el modelo arrastra la versión anterior, así que ves con claridad la diferencia en cada paso en lugar de recibir un clip nuevo que ya no encaja.

Fuente de la imagen: Google DeepMind (oficial)

Hasta la herramienta más potente tiene límites; conocerlos te evita disgustos.

¿Cuánto vídeo puede generar Gemini Omni de una vez?

Ahora mismo, Gemini Omni genera clips de unos 10 segundos por tirada. Para contenido más largo, en la práctica tendrás que generar varios segmentos y unirlos tú.

Las acciones complejas y las escenas con varias personas pueden ser inestables

Aunque Gemini Omni entiende bien la física, las escenas rápidas, complejas o con varias personas interactuando a la vez siguen siendo el punto débil común a todos los modelos de vídeo con IA, y pueden salir con movimientos entrecortados o detalles desencajados. Cuando pase, simplifica el plano o corrígelo poco a poco con la edición multironda.

Límites de texto en pantalla, narración y sincronía de audio

Por diseño, Gemini Omni puede alinear «el texto en pantalla» con «lo que ocurre» y generar narración. Aun así, en la práctica el texto que aparece dentro del vídeo puede salir con erratas o deformado, y la sincronía de la narración con el movimiento de la boca o la acción no siempre es perfecta en escenas complejas. Para contenido que dependa de rótulos de texto exactos, conviene revisar cada clip.

Límites de cupo del plan y de velocidad de generación

Como vimos en el apartado de precio, la app de Gemini factura por cómputo, con reinicio cada 5 horas hasta el tope semanal; en Google Flow se consumen créditos (200 en Plus, 1.000 en Pro, 10.000–25.000 en Ultra). El uso y la velocidad de generación cambian según el nivel del plan, así que quien genere mucho debe vigilar el consumo de créditos.

Marcado de contenido con SynthID y C2PA

Todo lo que generes o edites con Omni a través de la app de Gemini, Google Flow o YouTube lleva incrustada la marca de agua invisible SynthID y las credenciales de contenido C2PA. Estas marcas no se ven a simple vista, pero sirven para identificar si el contenido lo hizo la IA de Google; incluso puedes devolver el archivo a Gemini para preguntarle si es un contenido generado por IA. Para uso comercial o cuando haya que declarar contenido de IA, tenlo en cuenta desde el principio.

¿Está disponible Gemini Omni en España?

Sí. Gemini Omni se está desplegando en todos los países e idiomas donde está disponible la app de Gemini, y España está dentro del alcance. Hay que ser mayor de 18 años y tener un plan Google AI Plus, Pro o Ultra. Ten en cuenta que algunas funciones, como los avatares y la edición de vídeo a vídeo, pueden estar restringidas según tu región.

¿Admite Gemini Omni instrucciones en español?

Sí. Gemini Omni funciona en todos los idiomas que admite la app de Gemini, así que puedes dar instrucciones en español. Ahora bien, como comentábamos, el texto que se genera dentro del vídeo puede contener errores; eso es distinto de si entiende o no tus instrucciones habladas.

¿Los vídeos de Gemini Omni llevan marca de agua?

Sí, pero una invisible. Todos los resultados llevan la marca de agua invisible SynthID y las credenciales de contenido C2PA. No queda ningún logo visible en el plano: las marcas existen para identificar si el contenido lo generó la IA de Google.

Gemini Omni lleva el vídeo con IA de «descríbelo todo de una vez y, si no, vuelve a empezar» a «genera primero y afina hablando», lo que supone una mejora clara de eficiencia para quien trabaja a base de iteraciones. Empieza con un borrador sencillo de 10 segundos y acostúmbrate a ir puliendo el plano frase a frase: es una forma de arrancar mucho más llevadera que intentar escribir el prompt perfecto desde el principio.