Gemini Omni entra en escena: Google enseña una IA que crea vídeo desde casi cualquier cosa

Google ha movido una pieza pesada en la carrera de la inteligencia artificial generativa. Gemini Omni no es otra función simpática para hacer imágenes curiosas ni un filtro más con pretensiones futuristas: es la nueva familia de modelos con la que la compañía quiere unir razonamiento, creación y edición audiovisual en un mismo sistema. Su primera versión, Gemini Omni Flash, arranca centrada en el vídeo y permite generar clips a partir de texto, imágenes, vídeos y referencias de audio, con una ambición clara: que el usuario pueda crear y modificar escenas hablando con la IA como quien corrige a un montador sentado al lado.

La novedad importa porque Google no presenta Omni como un simple generador de vídeos, sino como un modelo multimodal de creación. Traducido a un castellano menos de laboratorio: puede recibir distintos tipos de materiales, entenderlos juntos y producir una pieza audiovisual coherente. Un dibujo, una fotografía, un vídeo casero, una instrucción escrita y una referencia sonora pueden entrar en la misma cocina. De ahí sale un clip. Y luego se puede retocar con lenguaje natural: cambiar el ángulo de cámara, transformar un objeto, añadir una acción, modificar la luz, alterar el estilo o mantener un personaje a través de varias instrucciones sin que la escena se rompa como un decorado barato.

Google quiere que el vídeo obedezca como un texto

La promesa de Gemini Omni tiene algo de salto cultural. Hasta ahora, buena parte de la generación de vídeo con IA se parecía a tirar una moneda a una fuente: se escribía un prompt, se esperaba el resultado y, con suerte, el sistema devolvía algo aceptable. El margen de control era limitado. Bonito, sí. Impresionante, a veces. Frustrante, con frecuencia. Google intenta desplazar esa experiencia hacia una relación más conversacional, donde el vídeo no sea una pieza cerrada, sino una masa todavía tibia que se puede tocar, corregir y volver a moldear.

La compañía insiste en que Omni permite editar vídeos mediante conversación, con instrucciones sucesivas que se acumulan sin perder el hilo. Esa parte es decisiva. No se trata solo de pedir un astronauta caminando por Marte con luz de atardecer, sino de partir de un clip y decir después que la cámara se coloque detrás del personaje, que el suelo se vuelva de cristal, que el cielo adopte una estética retrofuturista o que un objeto concreto se transforme sin destruir todo lo demás. Es una edición menos técnica, más oral. Menos panel de botones, más frase de barra de bar: ponlo más oscuro, pero no me cambies la habitación.

La idea suena sencilla porque el lenguaje natural siempre suena sencillo hasta que una máquina tiene que interpretarlo. Ahí está la dificultad. Un vídeo no es una imagen quieta, sino una secuencia de tiempo, movimiento, continuidad, luz, física, sonido y expectativa humana. Si una pelota cae hacia arriba, si una mano atraviesa un vaso sin motivo, si el personaje cambia de cara al tercer segundo, el espectador lo nota. Tal vez no sepa explicar el fallo, pero lo siente. El ojo humano es cruel con la impostura. Muy democrático, además: detecta lo raro antes de pedir permiso.

Google vende Omni precisamente como un avance en esa zona pantanosa: la coherencia del mundo. El modelo intenta que los personajes sigan siendo reconocibles, que la física se mantenga razonablemente estable y que la escena recuerde lo que acaba de pasar. En los ejemplos mostrados por la compañía aparecen transformaciones de materiales, cambios de entorno, objetos que reaccionan a la música, acciones reimaginadas y explicaciones visuales complejas. Todo muy brillante, sí, pero el detalle de fondo es otro: Google quiere que la IA no solo dibuje una apariencia, sino que entienda una situación.

De Veo a Omni: menos botón mágico, más edición conversada

Gemini Omni llega en un ecosistema donde Google ya tenía Veo, su tecnología de generación de vídeo, además de modelos de imagen como Nano Banana. La diferencia que intenta marcar Omni está en la mezcla: más entradas, más contexto, más edición por turnos y una relación más estrecha con el conocimiento general de Gemini. Dicho de otro modo, Veo generaba vídeo; Omni aspira a comportarse como una herramienta creativa que entiende referencias y conserva continuidad.

Ese cambio es importante para creadores, periodistas visuales, docentes, publicistas, músicos, divulgadores y usuarios comunes que no quieren aprender un software de edición con más paneles que una cabina de avión. La barrera de entrada baja. Un profesor podría pedir una animación sobre el plegamiento de proteínas en estilo plastilina; una marca, transformar un boceto en una escena realista; un músico, sincronizar elementos visuales con una pista; un usuario cualquiera, convertir una grabación doméstica en una escena de ciencia ficción sin tener que saber qué es un keyframe. La palabra keyframe, por cierto, puede seguir viviendo feliz en los manuales. No todo el mundo la echará de menos.

La edición conversacional también cambia el ritmo de trabajo. Antes, crear una pieza audiovisual exigía planificar, grabar, montar, ajustar sonido, corregir color y exportar. Con la IA generativa, parte de ese recorrido se comprime. No desaparece el criterio, ni el gusto, ni la necesidad de revisar. Desaparece, o se reduce, una parte de la fricción técnica. El usuario gana velocidad, pero también se expone a un problema nuevo: cuando crear es tan fácil, distinguir lo valioso de lo meramente vistoso se vuelve más difícil. Internet ya iba sobrado de ruido. Ahora el ruido puede venir con iluminación cinematográfica.

Google ha presentado Gemini Omni Flash como la primera pieza de una familia mayor. Eso significa que no conviene leer el lanzamiento como un punto final, sino como el escaparate inicial de una estrategia. La compañía habla de empezar por vídeo, con la posibilidad de ampliar modalidades de salida en el futuro, incluidas imagen y audio. La palabra Omni no es tímida. Tiene esa modestia tan habitual en Silicon Valley: nombrar algo como si fuera a contener el universo antes incluso de que el usuario haya conseguido exportar un clip sin artefactos raros.

Qué puede hacer ahora y qué promete hacer después

En esta primera fase, Gemini Omni Flash genera vídeos y permite editarlos usando instrucciones naturales. Puede trabajar con texto, imágenes, clips y referencias de audio, aunque Google ha matizado que el soporte de audio parte con límites, especialmente alrededor de las referencias de voz. El sistema se despliega en la aplicación Gemini, Google Flow y YouTube Shorts, lo que revela una estrategia bastante transparente: no guardarlo solo para laboratorios o estudios profesionales, sino empujarlo hacia las plataformas donde la creación cotidiana ya ocurre.

La parte más llamativa es la posibilidad de usar referencias reales. Una imagen puede servir para fijar el aspecto de un personaje o un entorno; un vídeo puede aportar movimiento, composición o acción; una instrucción escrita puede dirigir el cambio; una referencia sonora puede orientar el ritmo. En el mejor escenario, el usuario deja de describirlo todo desde cero y empieza a trabajar con materiales existentes. Esa diferencia pesa. Quien haya intentado generar una escena compleja solo con texto sabe que el prompt acaba pareciendo una escritura notarial con fiebre: plano medio, luz lateral, estilo documental, sin deformaciones, mantener rostro, no cambiar manos, no inventar texto, no añadir dedos, por favor, compórtate.

Omni intenta reducir esa pelea. No la elimina. La IA generativa sigue fallando, y no hay presentación tecnológica que borre de golpe los problemas de consistencia, derechos, sesgos, uso indebido o alucinaciones visuales. Pero el movimiento es claro: los modelos ya no compiten solo por generar una imagen espectacular, sino por ofrecer control. Control sobre la identidad de los personajes, sobre la física de la escena, sobre el estilo, sobre la continuidad narrativa y sobre la capacidad de corregir sin empezar otra vez desde cero.

La otra cara: avatares, marcas de agua y vídeos demasiado verosímiles

Cada avance en vídeo generativo trae una sombra pegada a los talones. Cuanto más realista es el resultado, más delicado se vuelve su uso. Google lo sabe, y por eso ha acompañado Gemini Omni con medidas de transparencia como SynthID, su marca de agua digital imperceptible, y credenciales C2PA para indicar cómo se creó o modificó un contenido. La empresa también ha destacado procesos de evaluación, revisiones de seguridad y pruebas internas para reducir daños. Bien. Necesario. Insuficiente por sí solo, como casi todo en esta materia.

El problema no es únicamente técnico. También es social. Una marca de agua ayuda cuando existe una herramienta capaz de leerla, cuando la plataforma la conserva y cuando el usuario se molesta en comprobarla. La desinformación, en cambio, circula a menudo por capturas, recortes, reenvíos y versiones degradadas. La verdad viaja con maleta; el bulo, con mochila ligera. Por eso la transparencia tecnológica es una parte del dique, no el dique entero.

Uno de los puntos más sensibles son los avatares personales. Google plantea la posibilidad de crear versiones digitales de uno mismo para aparecer en vídeos generados, con controles vinculados a la cuenta y a grabaciones propias de rostro y voz. Sobre el papel, es una función creativa útil: presentaciones, clips personales, proyectos educativos, piezas para redes. En la práctica, abre también un territorio incómodo. ¿Qué ocurre cuando la gente se acostumbra a ver réplicas sintéticas de personas reales? ¿Cuánto tardará el público en dudar de cualquier vídeo comprometedor? ¿Y cuánto tardarán los tramposos en usar la duda como coartada?

Ahí está el viejo truco, renovado con silicio: si todo puede ser falso, lo verdadero también queda bajo sospecha. La IA no solo fabrica imágenes, fabrica incertidumbre. Y esa incertidumbre tiene valor político, económico y judicial. Conviene decirlo sin histeria, pero sin ingenuidad de escaparate. Gemini Omni puede servir para crear vídeos educativos magníficos, piezas artísticas sorprendentes o herramientas de edición muy útiles. También puede empujar un poco más la frontera de lo manipulable. Las dos cosas son ciertas. La tecnología rara vez entra por una sola puerta.

YouTube Shorts, el laboratorio perfecto y peligroso

Que Gemini Omni llegue a YouTube Shorts no es un detalle menor. Shorts es el territorio natural del vídeo rápido, la pieza breve, el remix, la imitación, el gesto viral y la edición sin solemnidad. Meter ahí un modelo capaz de reimaginar escenas, transformar estilos o insertar elementos nuevos convierte la plataforma en un gran laboratorio de creación sintética. Un laboratorio con millones de usuarios, claro. Nada de batas blancas. Más bien pantallas verticales, auriculares y pulgares veloces.

La integración con Shorts puede democratizar herramientas que antes estaban reservadas a profesionales. Un creador pequeño podrá hacer cosas visualmente ambiciosas sin equipo de rodaje. Un divulgador podrá convertir una explicación seca en una pieza animada. Un músico podrá acompañar una canción con escenas generadas. El vídeo breve ganará plasticidad, y eso probablemente multiplicará formatos, pruebas y rarezas. Algunas serán brillantes. Muchas serán insoportables. Como ocurrió con los filtros, los efectos, los subtítulos automáticos y todas las modas visuales que prometieron creatividad infinita antes de producir, durante semanas, el mismo chiste repetido por medio planeta.

También hay un asunto de autoría. Si un usuario remezcla un vídeo ajeno con ayuda de Gemini Omni, la plataforma debe resolver bien la atribución, los permisos y la trazabilidad. YouTube ha trabajado durante años con Content ID, reclamaciones, licencias y tensiones entre creadores. La IA añade otra capa: no copia necesariamente un fragmento de forma literal, pero puede apoyarse en una obra previa, transformar su estilo, conservar su estructura o insertar a alguien en una escena derivada. El remix deja de ser solo montaje y se convierte en recreación generativa.

Para Google, la jugada tiene sentido estratégico. Si la creación audiovisual se desplaza hacia modelos conversacionales, conviene integrarlos en los lugares donde el vídeo ya se consume. Gemini en la aplicación, Flow para creadores y Shorts para distribución forman un triángulo bastante evidente. Crear, editar, publicar. Todo dentro de la casa. Es cómodo para el usuario y magnífico para el ecosistema de Google. La vieja aspiración de toda gran plataforma: que entres para hacer una cosa y acabes haciendo todas sin salir.

Lo que cambia para creadores, empresas y usuarios comunes

La llegada de Gemini Omni acelera una transformación que ya estaba en marcha: la producción audiovisual se separa cada vez más de la cámara. Durante más de un siglo, filmar significaba capturar algo que ocurría delante de una lente. Con la IA generativa, filmar puede significar describir, combinar, editar, simular. La cámara no desaparece, pero deja de ser el único origen legítimo de la imagen en movimiento. Es un cambio enorme, aunque llegue envuelto en demostraciones de diez segundos y nombres comerciales con brillo de feria tecnológica.

Para empresas y marcas, la tentación será evidente. Prototipos visuales, anuncios de bajo coste, vídeos para redes, presentaciones internas, contenidos localizados por idioma o mercado. La velocidad será el argumento rey. También el coste. Pero la abundancia puede jugar en contra. Si todas las marcas producen vídeos con la misma textura generativa, el público aprenderá a reconocer ese barniz: demasiado perfecto, demasiado elástico, demasiado sin sudor. Lo humano, con sus pequeñas torpezas, puede convertirse en un lujo estético.

Para el periodismo y la información, el uso debe ser mucho más prudente. La generación de vídeo puede ayudar a explicar procesos, reconstruir conceptos abstractos o ilustrar escenarios imposibles de grabar, siempre que se etiquete con claridad. Pero no puede confundirse con prueba documental. Un vídeo generado no demuestra que algo ocurrió. Representa, simula, interpreta. Esa distinción será básica para no convertir la información en una maqueta bonita. La credibilidad no se renderiza.

En educación, ciencia y divulgación sí aparece un campo fértil. Modelos como Gemini Omni pueden transformar explicaciones difíciles en escenas visuales comprensibles: física, biología, historia, arquitectura, medicina, tecnología. Ver una proteína plegarse, una cadena de energía moverse o una ciudad antigua reconstruirse puede ayudar a entender mejor que un párrafo frío. La imagen en movimiento tiene memoria muscular: se queda en la cabeza porque parece haber ocurrido delante de nosotros. Precisamente por eso debe usarse con cuidado.

El vídeo deja de ser una pieza fija

Gemini Omni no inaugura por sí solo una era, porque las eras no se inauguran con una nota corporativa, por mucho que a las tecnológicas les guste pensarlo. Pero sí marca un paso importante: Google quiere que el vídeo sea editable como una conversación, combinable como un collage inteligente y generable desde materiales muy distintos. La ambición es grande. También lo son las preguntas.

La noticia no está en que una IA haga vídeos realistas. Eso ya empezaba a formar parte del paisaje. La noticia está en que Google intenta unir creación, edición, contexto y distribución dentro de su propio ecosistema, desde Gemini hasta YouTube Shorts. Gemini Omni es menos una herramienta aislada que una declaración de dirección: la imagen sintética será más accesible, más conversacional y más difícil de distinguir a simple vista.

Queda por ver cómo responderán los creadores, qué límites impondrán las plataformas, cuánto control real tendrá el usuario y hasta qué punto las marcas de agua resistirán el barro de internet. Pero el movimiento está hecho. El vídeo, ese viejo artefacto que parecía necesitar cámaras, focos y paciencia, empieza a comportarse como una frase: se escribe, se corrige, se reescribe. Y a veces, claro, también miente con una elegancia inquietante.