Lancio di Gemini 3.5 Flash Omni: L’aggiornamento AI multimodale di Google per i creator

Al 20 maggio 2026, la polvere si è appena posata su Google I/O 2026 e gli annunci sembrano già un passo avanti significativo per gli strumenti multimodali. Gemini 3.5 Flash è ora il modello predefinito nell'app Gemini e nella modalità AI di Search. Offre circa quattro volte la velocità del predecessore, migliorando l'assistenza alla codifica e i comportamenti agentici, il tutto a costi di inferenza inferiori. Durante l'evento Google ha presentato Gemini Omni, un modello del mondo multimodale in grado di trasformare qualsiasi combinazione di testo, immagini fisse, clip video e audio in output video coerenti. Le prime demo hanno mostrato il modello che unisce un breve prompt testuale con una foto di riferimento e qualche secondo di suono ambientale in un movimento sorprendentemente stabile. Il rollout immediato di Gemini Omni Flash è rivolto agli abbonati Google AI Plus, Pro e Ultra tramite l'app principale, Google Flow e YouTube Shorts, con un accesso API più ampio previsto nelle prossime settimane.

Velocità e coerenza contano più delle specifiche da titolo per i creator. Il miglioramento delle prestazioni di Gemini 3.5 Flash dovrebbe ridurre il tempo tra prompt e output utilizzabile, un aspetto cruciale quando si rifinisce una sequenza attraverso più take. Gli aggiornamenti agentici permettono inoltre al modello di pianificare semplici attività multi-step, come generare uno storyboard e poi estendere i fotogrammi selezionati in brevi clip. L'approccio a input misti di Gemini Omni risulta particolarmente utile per le pipeline image-to-video. Un creator può inserire un'immagine fissa esistente, un video di riferimento di stile e una breve nota vocale che descriva il movimento della camera, ottenendo un output che rispetta tutti e tre i segnali contemporaneamente. Questo livello di controllabilità era precedentemente difficile da raggiungere senza una pesante post-produzione.

Una migliore aderenza ai prompt e la coerenza dei personaggi sono i due miglioramenti che i creator citano più spesso nei primi test. Quando il movimento rimane ancorato allo stesso soggetto attraverso le inquadrature, il tempo di editing si riduce notevolmente. I prompt misti aprono anche a esperimenti creativi più piccoli: inserire un render di prodotto in una scena lifestyle o sovrapporre dialoghi su footage generato, senza ricostruire l'intera inquadratura da zero. Onestamente, dopo aver eseguito alcuni test con input misti ho trovato i risultati più utilizzabili di quanto mi aspettassi, anche se ancora lontani dalla perfezione con movimenti di camera complessi. Progressi multimodali come questi stanno già plasmando gli strumenti video di nuova generazione, inclusa la conversazione in corso sul trattamento di contenuti espliciti da parte di Gemini Omni, che ho esplorato in modo più dettagliato qui: Gemini omni nsfw: Perché il modello video AI di Google blocca i contenuti espliciti.