Die Kurzfassung für alle, die nicht weiterlesen. Gemini Omni 1.1 Flash ist Googles All-in-one-Videomodell: Text, Bilder oder ein Clip rein, Video mit eigenem Ton raus. Version 1.1 (27. August 2026) brachte die zwei Dinge mit, die für die praktische Arbeit entscheidend sind: Szenenerweiterung auf 40 Sekunden und 1080p/4K-Ausgabe. Es ist ab sofort auf Popcraft verfügbar. Wir haben einen Tag damit verbracht, und das Nützlichste, was wir gelernt haben, ist: „Erweitere auf 20 Sekunden“ bei einem 5-sekündigen Clip ergibt 25 Sekunden.
| Google sagt | Unsere Ergebnisse | |
|---|---|---|
| Längster Clip | 40 s durch Szenenerweiterung, in Schritten von 10 s | 40,0 s aus einem Prompt, 23 Minuten Laufzeit |
| Szenenerweiterung | „Analysiert bis zu 10 Sekunden des vorherigen Kontextes“ | 5 s Quelle → 25,0 s Datei, Original Einzelbild für Einzelbild beibehalten |
| Auflösung | 360p bis 4K, „bereit für professionelle Produktionen“ | 1080p-Trailer, 720p-Tests; 4K-Ketten stoppen bei 30 s |
| Audio | Sprache, Musik, Soundeffekte passend zum Bild | Orchestrale Filmmusik im Trailer, Gewitterkulisse in der Szenenerweiterung |
| Physik | „Intuitives Verständnis von Kräften wie Gravitation, kinetischer Energie und Strömungsdynamik“ | Ein 30-s-Stück mit Tinte in Wasser und drei Flüssigkeiten, die sich korrekt verhalten – siehe unten |
| Kamera | Partnerzitat: „dynamische Kamerabewegung“ | Drone und Orbit sitzen jedes Mal; Whip pan, Crane und Dolly zoom werden abgemildert |
Mittwoch, 10:41 Uhr. Es geht los.
Batch AI hat das Modell in der Nacht zuvor auf ihrem Test-Gateway freigeschaltet. Zuerst zwei Fakten von ihrer Seite, denn diese beiden Fakten entscheiden darüber, wie du das Modell einsetzt: Der Auflösungs-String lautet „4K“ und liefert tatsächlich 3840×2160, und die Szenenerweiterung ist ein echter Modus auf API-Ebene, kein Prompt-Trick. Alles Weitere unten stammt daher, dass wir selbst auf die Knöpfe gedrückt haben.
Die erste Aufgabe war bewusst unspektakulär. Eine Leuchtturmwärterin auf einer Wendeltreppe, hochkant, 5 Sekunden, 720p. Das Ergebnis lag nach etwa zwei Minuten vor, dauerte 5,01 Sekunden und enthielt Wind und Regen auf der Tonspur, nach denen niemand gefragt hatte. Das ist Omnis Standardverhalten: Im Entwicklerhandbuch von Google heißt es, dass das Modell „versuchen wird, eine passende Tonspur für ein Video zu generieren“, und das tut es auch, jedes Mal, es sei denn, du weist es an, dies nicht zu tun.
11:20. Die Verlängerung, die 5 Sekunden länger war als angefordert
Das ist der Teil, der den Artikel wert ist. Wir haben den 5-Sekunden-Clip angehängt, eine Zeile geschrieben („die Wärterin tritt hinaus auf die Laternengalerie und entzündet die Lampe“) und insgesamt 20 Sekunden angefordert.
Die Datei, die zurückkam, ist 25,0 Sekunden lang.
Kein Fehler. Googles Ankündigungsbeitrag besagt, dass die Szenenerweiterung „in 10-Sekunden-Schritten bis zu einer kumulierten Gesamtlänge von 40 Sekunden“ funktioniert, und damit sind ganze Schritte gemeint: 5 plus 10 plus 10. Die ersten fünf Sekunden der neuen Datei entsprechen Byte für Byte unserem Original, und das Sturm-Audio läuft direkt über den Übergang hinweg. Es sieht toll aus. Es sind nur eben keine 20 Sekunden.
Daher eine Regel für alle, die auf diesem Modell aufbauen, und der Grund, warum Popcrafts Extend-Bedienfeld für eine 5-Sekunden-Quelle jetzt 15, 25 und 35 anstelle der ordentlichen 10/20/30/40 anzeigt: Du kannst nur auf Quelle plus ganze Abschnitte kommen. Wir berechnen die zurückgelieferten Sekunden, nicht die Zahl, die du eingegeben hast.
„Erweitern Sie Videos in 10-Sekunden-Schritten auf eine Gesamtlänge von bis zu 40 Sekunden.“ – Google, Launch-Beitrag zu Omni 1.1 Flash
12:05. Vierzig Sekunden, ein Prompt
Dann das, was wir eigentlich wollten: ein Hollywood-Trailer, „Pirates of the Cranberries“, 16:9, 1080p, 40 Sekunden, eine einzige Anfrage. Popcraft verkettet die Szenenerweiterung automatisch für dich: ein Prompt rein, eine 40-Sekunden-Datei raus.
Es hat 23 Minuten gedauert. Unsere eigene Schätzung lag bei 15, das müssen wir also nachjustieren. Das Ergebnis sind exakt 40,0 Sekunden, 1920×1080, mit einer Orchestermusik, die an den etwa richtigen Stellen anschwillt. Derselbe Kapitän, dasselbe Schiff, dieselbe Teal-and-Amber-Farbkorrektur über alle vier Abschnitte hinweg. Diese Konsistenz ist das 10-Sekunden-Kontextfenster aus dem Ankündigungsbeitrag, das seine Arbeit tut, und es ist das stärkste Argument für das Modell.
Hier ist, was schiefging – und warum es unsere Schuld war. Der Prompt war ein dichter, 240 Wörter langer Absatz mit fünf Beats: Sturm, Kapitän, Schatztruhe voller Cranberrys, feindliches Schiff, Kanonen-Finale. Omni behielt jedes Element bei und würfelte sie neu zusammen. Die Gischt aus Cranberrys erscheint nach acht Sekunden – noch vor der Truhe, die sie eigentlich freisetzen sollte, und die Truhe öffnet sich nie ganz. Dichte Prompts scheitern bei diesem Modell nicht. Sie werden komprimiert.
15:10. Na gut, wir testen das Physik-Versprechen gründlich
Der Trailer ist ein schlechter Physiktest: Es passiert zu viel, und niemand kann sagen, ob eine Cranberry korrekt abgeprallt ist. Also haben wir den langweiligsten Prompt des Tages geschrieben. Ein schwarzer Behälter mit ruhigem Wasser. Eine Flüssigkeit pro 10-Sekunden-Abschnitt: ein orangefarbener Tropfen, der hineinfällt, eine indigoblaue Tintenwolke, dann eine von hinten beleuchtete weiße Pigmentwolke. Keine Menschen, keine Geschichte, ein langsamer Kamerabogen, 30 Sekunden bei 1080p, eine Anfrage.
Das ist das Beste, was das Modell den ganzen Tag hervorgebracht hat. Der Tropfen trifft auf und erzeugt eine Krone, die so in sich zusammenfällt, wie Wasser es eben tut. Die indigoblaue Fahne rollt dahinter hinein und faltet sich durch das Orange, ohne dass eine der Farben zu einem Schleier verschwimmt. Wenn die weiße Wolke eintrifft, streut das Gegenlicht darin, und die früheren Flüssigkeiten sind darunter immer noch da und bewegen sich weiter. Der Kamerabogen hält über alle drei Abschnitte hinweg durch und setzt sich nie zurück. Sieh dir den Übergang bei zehn und zwanzig Sekunden an: Wir können ihn nicht finden.
Zuerst unsere günstigeren Entwürfe, weil das der Workflow ist, den wir empfehlen würden. Vier 10-sekündige 720p-Varianten (Tinte, Honig, Dominosteine, ein Kugelstoßpendel) dauerten jeweils etwa zwei Minuten. Tinte und das Kugelstoßpendel waren gut, Honig war etwas zu eifrig, die Dominosteine fielen in der richtigen Reihenfolge, aber ohne Gewicht. Tinte hat gewonnen, wir haben die 30-Sekunden-Version geschrieben, und die 30-Sekunden-Version kam besser zurück als der Entwurf. Das war beim Trailer nicht der Fall, wo mehr Länge mehr Komprimierung der Geschichte bedeutete. Ohne eine Geschichte, die komprimiert werden muss, ist die Szenenerweiterung ein reiner Gewinn.
Googles Aussage zur Strömungsmechanik ist nach diesen Erkenntnissen kein Marketing.
16:40. Und das Kamera-Versprechen
Die andere Behauptung, die wir in Googles Launch-Materialien immer wieder lasen, betraf die Kamera. Ein Partnerzitat auf der Modellseite lobt die „dynamische Kamerabewegung“, und der Vertex-Prompt-Leitfaden listet das Vokabular auf, das dem Modell beigebracht wurde – es bleibt englisch: drone, dolly, pan, tilt, tracking, crane, orbit, whip pan (Drohne, Dolly, Schwenk, Neigung, Verfolgung, Kran, Orbit, Reißschwenk) und einen „dolly zoom“, den Google als fortgeschritten und nicht offiziell unterstützt kennzeichnet.
Wir haben also alle davon in einer einzigen 30-Sekunden-Aufnahme angefordert, auf demselben Leuchtturm vom Morgen, eine Bewegung pro Beat des Prompts.
Bewegung für Bewegung bewertet, verglichen mit dem Prompt:
- Drone approach. Ja. Streift die Wellenkronen, steigt den Basalt hinauf, erreicht die Laterne genau in der Sekunde, nach der wir gefragt haben. Die besten zehn Sekunden Kameraführung, die uns das Modell den ganzen Tag geliefert hat.
- Orbit. Ja. Die letzten zehn Sekunden kreisen von hinten um die Wärterin, über das Profil bis zu einer Totalen auf der gegenüberliegenden Seite, und der Leuchtturm bleibt durchgehend derselbe Leuchtturm.
- Whip pan zum Boot. Nein. Das Boot ist da, klein am Horizont, aber die Kamera gleitet dorthin hinüber, anstatt ruckartig umzureißen. Das Modell hat die schnelle Bewegung zu einer langsamen abgeschwächt.
- Crane up über die Laterne. Halb. Der Anstieg erfolgt im ersten Abschnitt, wo der Prompt nicht danach gefragt hat, und nicht im zweiten, wo er es tat.
- Low-angle push-in mit Schärfenverlagerung. Nein. Es endete stattdessen in einer Totalen.
- Dolly zoom. Wir haben ihn absichtlich aus dem 30-Sekunden-Prompt weggelassen. In einem früheren 10-Sekunden-Test kam er als einfache Heranfahrt zurück, und Googles eigener Leitfaden führt ihn unter „nicht offiziell unterstützt“, also ist das fair.
Zwei Dinge, nach denen niemand gefragt hat. Zwischen dem ersten und dem zweiten Abschnitt fährt die Kamera direkt durch das Glas der Laterne, um die Wärterin im Inneren zu finden, und folgt ihr dann aus der Tür auf die Galerie. Es gibt nirgendwo in der Datei einen Schnitt (wir haben einen Szenendetektor darüber laufen lassen), daher hat das Modell einen Übergang erfunden, um von der Position der Drohne zu ihrer zu gelangen. Es ist eine gute Erfindung. Weniger gut: ihre Haare sind in der Laterne hochgesteckt und wenige Sekunden später auf der Galerie offen. Googles Model Card listet „Konsistenz über Bearbeitungen hinweg“ und „komplexe Bewegung“ als bekannte Einschränkungen auf, und so sieht das in der Praxis aus.
Das Muster über die 10- und 30-Sekunden-Tests hinweg ist, dass langsame, weiträumige Bewegungen (drone, orbit, arc, dolly) zuverlässig sind und schnelle oder optische Bewegungen (whip pan, dolly zoom) zu etwas Sanfterem abgerundet werden. Wenn deine Aufnahme eine ruckartige Bewegung braucht, generiere sie als eigenen kurzen Clip und schneide ihn ein.
Die Lektion beim Prompting ist dieselbe wie beim Trailer. Benenne die Bewegung, eine pro Beat, im Vokabular aus Googles eigenem Leitfaden, und die langsamen kommen pünktlich an. Beschreibe ein Gefühl („sweeping“, „dynamic“) und du erhältst so oder so ein langsames Heranfahren.
Was hat sich seit Omni Flash 1.0 wirklich verändert?
Googles Modellseite nutzt dieselbe Funktionsübersicht für beide Versionen, daher fällt der Unterschied ungewöhnlich ehrlich aus:
| Funktion | Omni Flash (Mai 2026) | Omni 1.1 Flash (Aug. 2026) |
|---|---|---|
| Text-zu-Video | Ja | Ja |
| Bild-zu-Video | Nicht unterstützt | Unterstützt |
| Referenzbilder / -videos | Nicht unterstützt | Bis zu 10 Bilder, 3 Videos |
| Erstes und letztes Einzelbild | Nicht unterstützt | Unterstützt |
| Videobearbeitung | Unterstützt | Unterstützt |
| Videos erweitern | Nicht unterstützt | Unterstützt, bis zu 40 s |
| Ausgabeauflösung | Nur 720p | 360p, 720p, 1080p, 4K |
| Soundgenerierung | Sprache, Musik, Effekte | Sprache, Musik, Effekte |
| Herkunftsnachweis | SynthID, C2PA | SynthID, C2PA |
Die Behauptungen zu Physik und Weltwissen aus dem ursprünglichen Beitrag „Introducing Gemini Omni“ („ein verbessertes intuitives Verständnis von Kräften wie Schwerkraft, kinetischer Energie und Strömungsmechanik“) treffen weiterhin zu, und wir haben das weiter unten bewusst nachgeprüft. Womit Google jedoch an erster Stelle wirbt, ist das Gedächtnis: „Jede Anweisung baut auf der vorherigen auf. Deine Charaktere bleiben konsistent, die Physik hält stand und die Szene erinnert sich an das, was zuvor geschah.“ Nach dem Trailer glauben wir der zweiten Hälfte dieses Satzes mehr, als wir erwartet hatten.
Wie sagt man ihm ohne Moduswechsel, was es tun soll?
Gar nicht – und daran musst du dich erst einmal gewöhnen. Googles Leitfaden: „Wir empfehlen, sich in erster Linie auf das Prompting zu verlassen und den Task-Parameter nur dann zu verwenden, wenn das Prompting nicht funktioniert.“ Was du anhängst und was du schreibst, ist der Schalter.
- Nichts angehängt: Text-zu-Video.
- Ein Bild: Es wird zum ersten Einzelbild.
- Zwei Bilder plus die Wörter first frame und last frame (erstes und letztes Einzelbild): Interpolation zwischen ihnen. Ohne diese Wörter sind zwei Bilder Subjektreferenzen.
- Bis zu zehn Bilder: Subjektreferenz; Personen und Objekte bleiben konsistent.
- Ein Video plus „Schnee hinzufügen“: eine Bearbeitung, die Einstellung, Länge und Bildausschnitt beibehält.
- Ein Video plus extend this video („verlängere dieses Video“): Szenenerweiterung.
Die letzten beiden Punkte überraschen viele. Wenn du einen Clip anhängst und eine Fortsetzung ohne das Wort extend beschreibst, behandelt das Modell dies als Bearbeitung und gibt dieselbe Länge zurück. Popcraft fügt das Schlüsselwort im Panel „Video erweitern“ automatisch für dich hinzu; über die API oder MCP schreibst du es selbst.
Was wir einem Kollegen vor seinem ersten 40-Sekunden-Render erzählen würden
Keine Tipps-Liste. Drei Dinge in der Reihenfolge, in der sie dich treffen werden.
Eine Aktion pro Abschnitt. Googles Leitfaden dokumentiert eine Timecode-Syntax, und sie lässt sich perfekt auf 10-Sekunden-Abschnitte übertragen. Das ist der Trailer-Prompt, den wir hätten senden sollen:
Eine Piratengaleone im Sturm bei Dämmerung, Totenkopfflagge, zerrissene schwarze Segel. Einzelne kontinuierliche Aufnahme, keine Szenenschnitte. [0-10s] Das Schiff bricht durch die Wellen; die Kamera steigt zum Deck auf. [10-20s] Der bärtige Kapitän am Steuer brüllt einen Befehl; die Crew brüllt zurück. [20-30s] Er öffnet eine Eisenkiste am Bug; sie quillt über vor roten Cranberrys. [30-40s] Ein feindliches Schiff feuert; Cranberrys spritzen in Zeitlupe umher, während er sein Entermesser hebt. Look: Anamorphe Lens Flares, Teal-and-Amber-Grading, Orchestermusik, kein Text auf dem Bildschirm.
Sage, was du hören willst – auch, wenn das nichts ist. Stille ist ein Wunsch. „Kein Dialog“, „keine Musik, nur Wind und Wasser“ sind die eigenen Beispiele des Leitfadens für einfache Negationen, und sie funktionieren. Den Ton im Prompt wegzulassen ist nicht dasselbe, wie ausdrücklich keinen zu verlangen.
Bearbeite mit weniger Worten, als es sich richtig anfühlt. Direkt von Google: „Einfache Prompts funktionieren am besten für die Videobearbeitung. Zu ausführliche Prompts können zu unbeabsichtigten Änderungen führen.“ Nenne die Änderung, füge „halte alles andere gleich“ hinzu und höre auf zu tippen.
Wie es sich im Vergleich zu Seedance 2.5 und Veo 3.1 einordnet
Wir bieten mehrere Videomodelle an, weil keines davon bei jeder Aufnahme gewinnt. Die Stärke von Omni ist ein einziger langer Clip mit bis zu 40 Sekunden und bis zu 4K, mit eigenem Ton, aus einer einzigen Anfrage. Seedance 2.5 verarbeitet weit mehr Referenzen (30 Bilder, 10 Videos) und ermöglicht bereichsgenaue Bearbeitungen. Veo 3.1 bietet präzise Bildkontrolle bei 8 Sekunden. Briefing mit einem Hero-Clip und Filmmusik: Starte mit Omni. Briefing mit einem Produkt, das über zwölf Aufnahmen hinweg identisch aussehen muss: Starte mit Seedance.
Die Kosten auf Popcraft werden pro gelieferter Sekunde nach Auflösung abgerechnet: 720p für Entwürfe, 1080p zur Auslieferung, 4K für den Hero-Clip mit einer Begrenzung der Kette auf 30 Sekunden. Wähle mit dem Schieberegler eine beliebige Länge von 3 bis 40 Sekunden; Popcraft verkettet die Szenenerweiterungen automatisch im Hintergrund, der Schieberegler bietet nur Längen an, die das Modell erreichen kann, und der Betrag, den du vor der Generierung siehst, ist genau das, was du zahlst.
Probier es selbst aus und bring es an seine Grenzen
Gemini Omni 1.1 Flash ist jetzt im Video-Generator verfügbar, ebenso auf Canvas-Boards und im MCP-Connector. Der Einstieg ist mit 100 kostenlosen Credits ohne Kreditkarte möglich. Mach es wie wir: Zuerst 10 Sekunden in 720p generieren, bewerten und dann erweitern – oder einen Clip mitbringen, der dir bereits gefällt, und diesen verlängern. Der Trailer und die Erweiterung befinden sich auf der Modellseite, unbearbeitet und inklusive Ton; die beiden 30-Sekunden-Tests sind diejenigen, die du gerade gesehen hast.
Quellen: Googles Beiträge „Introducing Gemini Omni“ und „Gemini Omni 1.1 Flash lets you build with more control“, die Google DeepMind Model Card für Gemini Omni Flash, die Modellseiten der Gemini Enterprise Agent Platform für Omni Flash und Omni 1.1 Flash sowie der Gemini API Entwicklerleitfaden. Die Messungen stammen von uns vom 3. September 2026.
