Editor de video con IA: así cambia el flujo con Gemini Omni Flash

Con Gemini Omni Flash, un editor de video con IA empieza a parecerse menos a una máquina tragamonedas y más a una sesión de edición: generas un clip, aportas una imagen de referencia, pides un solo cambio y conservas todo lo que ya funcionaba.

Esa es la verdadera propuesta de Gemini Omni Flash, el modelo de video preliminar de Google para la Gemini API. Permite crear video desde texto o imágenes, generar a partir de referencias y aplicar ediciones sucesivas mediante la Interactions API. El mercado ya está buscando estas capacidades: según DFS, ai video generator registra 246,000 búsquedas mensuales en Google, image to video ai alcanza 40,500 y ai video editor, 27,100.

Qué es en realidad este editor de video con IA

Gemini Omni Flash es el modelo preliminar de Google para generar video con rapidez y editarlo mediante una conversación. Su identificador es gemini-omni-flash-preview, y Google lo presenta alrededor de tres pilares: multimodalidad nativa, edición conversacional y conocimiento del mundo.

La forma más sencilla de entenderlo es imaginar un set de filmación con memoria. Un generador de video convencional se parece a contratar a un equipo, entregarle una idea y confiar en que la primera toma funcione. Con Gemini Omni Flash, el equipo permanece en el set: puedes pedir «haz que la iluminación sea más dramática» o «haz invisible el teléfono» y solicitar otra toma sin volver a explicar toda la escena.

Esa memoria proviene de la Interactions API. Una Interaction representa un turno completo dentro de una tarea. Al enviar un previous_interaction_id, el servidor puede recuperar el historial anterior, incluido el estado del video generado, para que la siguiente solicitud continúe desde ahí. En el flujo de video de Omni, cada edición posterior produce un video nuevo.

El modelo admite prompts de texto, imágenes de referencia y flujos con videos subidos. Google también lo describe como multimodal de forma nativa para texto, imagen, audio y video, aunque la versión preliminar tiene un límite práctico claro: la API actual no acepta referencias de audio subidas ni permite editar voces.

En cuanto al formato de salida, aspect_ratio admite 16:9 y 9:16, con el formato horizontal como opción predeterminada. Para indicar la intención, generation_config.video_config.task puede ser text_to_video, image_to_video, reference_to_video o edit. Si no se define la tarea, el modelo intenta deducirla a partir del prompt.

El precio no está pensado para experimentar como pasatiempo. Gemini Omni Flash Preview solo está disponible en el nivel de pago de la Gemini API. Google fija la entrada en $1.50 por 1M tokens de texto, imagen, video y audio. La salida cuesta $9.00 por 1M tokens de texto y $17.50 por 1M tokens de video. Según Google, el video a 720p se factura a razón de 5,792 tokens de salida por segundo, cerca de $0.10 por segundo con la tarifa Standard.

Cómo funciona, explicado sin complicaciones

El flujo es sencillo: describes la escena, adjuntas material visual si lo necesitas, eliges la orientación del video y limitas cada edición a un cambio concreto.

Para crear un video desde cero, envías un prompt de texto. Google recomienda describir la escena, el movimiento de cámara, la iluminación y el ambiente. Si buscas una sola escena continua, conviene decirlo de forma explícita con instrucciones como «toma única sin interrupciones», «toma continua» y «sin cortes de escena».

Para convertir una imagen en video con IA, adjuntas la imagen y describes el movimiento. Una foto de producto puede transformarse en un clip principal con una rotación lenta; un boceto, en una secuencia realista. Google desaconseja prompts vagos como «haz que se mueva»: una instrucción sólida detalla el movimiento del sujeto, el desplazamiento de la cámara y los efectos del entorno.

Cuando trabajas con referencias, puedes enviar varias imágenes. En el ejemplo de Google se usan dos: un gato y un ovillo de lana; después se pide un clip del gato jugando con el ovillo. La guía de prompts también admite etiquetas de función: <FIRST_FRAME> sirve para marcar el fotograma inicial y <IMAGE_REF_N>, una imagen de referencia. La numeración de las referencias comienza en 0.

Para editar, el mejor prompt suele ser breve: «Haz que la iluminación sea más dramática. Mantén igual todo lo demás». Esa última frase es importante, porque de lo contrario el modelo puede interpretar el cambio como permiso para recomponer una parte excesiva del clip.

Para archivos de salida grandes, Google recomienda response_format.delivery="uri" cuando los videos generados superen los 4 MB. La respuesta incluye una URI alojada por Google; después, la aplicación consulta su estado hasta que el archivo figura como ACTIVE y puede descargarlo. Para medios subidos, la Files API admite hasta 20 GB por proyecto y 2 GB por archivo, con almacenamiento durante 48 horas. Google recomienda usar la Files API cuando la solicitud completa supera los 100 MB.

Casos de uso: quién obtiene valor primero

1. Equipos de publicidad en redes sociales que crean variantes

Un especialista en marketing de rendimiento puede partir de una imagen de producto que ya funciona, un brief corto y un formato de plataforma como 9:16. Gemini Omni Flash genera un video con sonido y luego acepta cambios puntuales: un encuadre más cerrado, otra iluminación, eliminar el diálogo, acelerar el movimiento inicial o mostrar una palabra a la vez.

El beneficio está en la velocidad de iteración. Lo costoso de la publicidad en redes sociales no es producir un único clip impecable, sino recorrer decenas de versiones que casi funcionan hasta encontrar la que justifica la inversión. La edición conversacional encaja en ese ciclo porque permite conservar la escena base y modificar una variable por vez.

2. Equipos de ecommerce que convierten fotos de producto en movimiento

Una tienda de Shopify con cientos de SKU suele tener fotografías estáticas, no un sistema de producción. El flujo aquí es directo: subir la imagen del producto, pedir un movimiento breve para la pieza principal, definir el fondo, el recorrido de cámara y el comportamiento del producto, y después crear versiones específicas en 16:9 y 9:16.

Resulta especialmente útil cuando una imagen fija no basta para entender el producto. Zapatos, bolsos, artículos para el hogar, herramientas de belleza, accesorios de escritorio y pequeños electrodomésticos se benefician del movimiento para mostrar escala, textura y contexto de uso.

3. Agencias que preparan borradores antes de producir

Una agencia puede usar Gemini Omni Flash como espacio de preproducción. En lugar de presentar un storyboard compuesto por imágenes fijas, puede mostrar tres direcciones de movimiento: un plano macro estable del producto, una toma de estilo de vida con cámara en mano o un montaje rápido para redes sociales. Así, el cliente puede opinar sobre movimiento, ritmo y ambiente antes de reservar una producción.

El beneficio es tomar mejores decisiones. A menudo, un cliente aprueba un concepto por escrito y luego rechaza su versión en movimiento. Un borrador generado con IA permite detectar ese desacuerdo mucho antes.

4. Equipos inmobiliarios que producen avances de propiedades

Un agente inmobiliario puede usar fotos de una propiedad como referencias y pedir un avance corto del anuncio: aproximación al exterior, paneo por la sala, detalle de la cocina y patio al atardecer. La clave es contenerse. El objetivo debe ser comunicar el estilo de la propiedad, no simular un recorrido inexistente ni inventar características.

El beneficio es captar atención. Las páginas de propiedades con imágenes estáticas compiten mal en los feeds sociales. Un avance breve, presentado claramente como material asistido por IA, permite preparar el anuncio con mayor rapidez para Instagram, YouTube Shorts o publicidad local.

5. Equipos de capacitación que transforman procesos tediosos en escenas

Los equipos de operaciones pueden convertir un procedimiento escrito en una secuencia visual: la recepción de mercancía en un almacén, una lista de seguridad, la entrega a un cliente o la rutina de apertura de una tienda. Como Omni permite indicar el momento de cada evento, la persona responsable de capacitación puede pedir una secuencia de tres partes en la que cada paso ocurra en un instante específico.

El beneficio es facilitar la comprensión. Un empleado nuevo quizá pase por alto un PDF, mientras que un clip visual claro puede enseñarle cómo se ve un trabajo bien hecho antes de que lo ejecute.

6. Creadores que producen clips con un formato recurrente

Un creador puede definir una fórmula repetible: una sola toma continua, sin diálogo, una palabra en pantalla cada segundo, un estilo musical concreto y un ritmo visual constante. Después cambia el tema sin perder una identidad reconocible.

El beneficio es sostener el ritmo de producción. El criterio creativo sigue siendo indispensable, pero el modelo reduce la fricción entre una idea y un primer borrador listo para publicar.

7. Equipos de producto que prototipan momentos de video dentro de una aplicación

Un equipo de producto puede simular un video de lanzamiento, una animación de onboarding o un momento de éxito dentro de la aplicación antes de que diseño y motion comprometan recursos. Como Gemini Omni Flash admite texto dentro de los videos, también es posible comprobar si una etiqueta visual sencilla o un letrero aclaran el mensaje.

El beneficio es alinear al equipo. Producto, crecimiento y diseño pueden reaccionar ante la misma pieza en movimiento, en lugar de debatir a partir de maquetas estáticas.

Qué vale la pena construir con este editor de video con IA

La oportunidad más sólida es un editor de variantes de video basado en prompts para equipos de publicidad. Ocuparía el espacio entre un generador generalista y una suite creativa completa: se suben los recursos originales, se crea un clip base y luego se producen variaciones controladas sin perder la escena.

La demanda ya es visible. DFS registra 27,100 búsquedas mensuales para ai video editor, con intención transaccional. El mismo conjunto de datos muestra 320 búsquedas al mes para ai powered video ads, una dificultad de keyword baja y un CPC muy alto de $97.83. Es una frase pequeña, pero revela una señal de compra fuerte. Las preguntas de la SERP también parecen especificaciones de producto: “Is there an AI that can edit my video?”, “Can ChatGPT do video editing?” y “Which AI is best to edit videos?”.

El MVP puede ser acotado: conectar imágenes de producto, reglas de marca y presets de prompts aprobados; generar un primer clip en 9:16; y ofrecer botones de edición para iluminación, fondo, ritmo, texto, sonido y llamada a la acción. El riesgo es que todo termine pareciéndose. Si cada cliente recibe la misma plantilla, el producto se convierte en una simple capa sobre el modelo. La ventaja defendible está en la memoria de marca, los datos de rendimiento y los presets de edición controlada que mejoran cada nuevo clip.

La segunda oportunidad es un estudio que permita convertir imágenes en videos para catálogos de ecommerce. DFS registra 40,500 búsquedas mensuales para image to video ai, y las consultas relacionadas dejan clara la fricción: “without login”, “free without watermark”, “free unlimited” y “with prompt online free”. No toda esa demanda se traduce en ingresos de alta intención, pero sí demuestra que existe una enorme parte alta del embudo.

El MVP sería un flujo centrado en SKU: subir la imagen del producto, elegir el tipo de escena, seleccionar el marketplace o formato publicitario, generar el clip y después redimensionar y exportar por lotes. El problema es el margen. El mercado generalista de imagen a video está saturado, con Canva, Adobe, VEED, Pixlr y generadores más pequeños entre los primeros resultados. Para vender, hace falta entrar por un segmento vertical, como demostraciones de productos de belleza, anuncios de Etsy o clips principales para Amazon.

La tercera oportunidad es un editor de video con IA preparado para producción y orientado a la capacitación interna. Un responsable podría convertir procedimientos operativos estándar en clips breves, editarlos con lenguaje natural y mantener una biblioteca por función o ubicación. La demanda se aprecia menos en el volumen de keywords, pero el problema del comprador es real: los equipos de capacitación necesitan explicaciones visuales coherentes, no contenido viral.

El MVP sería un generador controlado, con un estilo aprobado, sin publicación abierta como opción predeterminada, reglas de retención y una cola de revisión. El desafío es el cumplimiento normativo. En esta categoría, la seguridad del contenido, la retención y los registros de auditoría importan más que la calidad bruta del modelo. Google conserva durante 55 días las Interactions del nivel de pago, salvo que se use store=false; a su vez, store=false impide editar después mediante previous_interaction_id. Por eso, el diseño del producto debe elegir entre una postura de privacidad más estricta y la posibilidad de seguir editando.

Lo que Gemini Omni Flash no resuelve

Gemini Omni Flash no sustituye el criterio creativo. Permite intentar más versiones de un video, de modo que los equipos necesitan filtros más exigentes, no más permisivos.

Tampoco reemplaza todas las herramientas de video. Google indica que no admite extensión ni interpolación de video. No permite editar voces ni usar referencias de audio subidas en la versión actual de la API. Tampoco acepta videos de YouTube como fuentes multimedia ni razona sobre varios videos; según Google, intentar usar prompts con múltiples videos puede reducir el rendimiento.

También existen restricciones regionales. La edición de videos subidos no está disponible por ahora para usuarios del EEE, Suiza y el Reino Unido, aunque sí se pueden editar videos generados por el modelo. En esas mismas regiones no se admite subir ni editar imágenes que contengan menores, y tampoco se permite hacerlo con imágenes de determinadas personas reconocibles.

Hay además decisiones de producto. Para obtener la generación síncrona más rápida, Google recomienda background=false, store=false y stream=false. Sin embargo, al establecer store=false se pierde la posibilidad de usar previous_interaction_id para ediciones posteriores. Esa es la decisión central: priorizar velocidad y menor almacenamiento, o conservar el estado para seguir editando.

Mi conclusión: Gemini Omni Flash tiene sentido cuando el valor principal está en iterar con control. No es la herramienta adecuada si necesitas continuidad exacta fotograma a fotograma, edición de larga duración, sustitución de voz, razonamiento entre varios videos o un recurso de marca completamente determinista. Su punto fuerte aparece cuando el usuario puede decir: «casi está; conserva la escena y cambia solo esto».

Cómo se compara con el mercado actual

El mercado ya paga por herramientas de video con IA. Runway ofrece planes de pago desde $15 hasta $95 al mes antes del nivel empresarial. Kapwing cobra $24 al mes o $16 con facturación anual por Pro, y $64 al mes o $50 con facturación anual por Business. Adobe Firefly ofrece planes de entre $9.99 y $199.99 al mes.

Estos precios importan porque Gemini Omni Flash no compite únicamente con otros modelos: también se está convirtiendo en materia prima para productos con mejores flujos de trabajo. Los ganadores no serán quienes presenten un cuadro de prompt vacío, sino quienes lo conviertan en una tarea repetible: editar este anuncio, animar este producto, crear este clip de capacitación y mantener todo lo demás igual.

Para comparar más opciones, mantengo listas separadas de los mejores generadores de video con IA y los mejores generadores de imagen a video con IA. Si buscas el contexto del modelo de imagen relacionado de Google, el pariente más cercano es Nano Banana, porque acostumbró a los usuarios a editar imágenes mediante prompts en vez de depender de paneles de herramientas tradicionales.

¿Existe una IA que pueda editar mis videos?

Sí. Gemini Omni Flash permite editar video conservando el estado mediante prompts sucesivos y usa previous_interaction_id para continuar desde el video generado anteriormente. También admite editar videos subidos a través de la Files API donde esa función está disponible, aunque Google señala restricciones regionales y varios límites de edición.

¿ChatGPT puede editar videos?

La pregunta aparece en la SERP de ai video editor, pero Gemini Omni Flash es el modelo de la API de Google diseñado para este flujo concreto. La comparación útil no enfrenta una marca con otra, sino que pregunta si la herramienta conserva el estado del video, acepta medios de referencia y aplica cambios acotados sin reiniciar toda la escena.

¿Cuál es la mejor IA para editar videos?

Para la edición general desde el navegador, herramientas como Kapwing, Adobe, Canva e InVideo ya ocupan posiciones destacadas. Gemini Omni Flash resulta más interesante para quienes construyen productos, porque ofrece una API para generar mediante prompts y aplicar ediciones sucesivas, no solo una aplicación terminada para el consumidor.

¿Qué busca la gente sobre IA de imagen a video?

Entre las búsquedas relacionadas que DFS registra para image to video ai aparecen variantes con prompts, gratuitas, sin registro y sin marca de agua. Esto revela una enorme capa de curiosidad, pero un producto de pago necesita un comprador más específico que quien solo quiere convertir cualquier imagen en video.

Si quieres implementar uno de estos flujos de video en tu empresa, empieza por el servicio de sistemas de producción con IA.