Google anuncia IA para criar imagens em segundos e editar vídeos por comando

O Google anunciou dois novos modelos de inteligência artificial voltados à criação visual: o Nano Banana 2 Lite, focado em gerar imagens em poucos segundos, e o Gemini Omni Flash, projetado para criar e editar vídeos a partir de comandos de texto ou voz. A informação foi noticiada originalmente pelo Canaltech, que destacou a promessa de geração de imagens em até 4 segundos e a edição de vídeos por linguagem natural.

A novidade reforça uma direção clara do mercado de IA generativa: menos demonstrações isoladas e mais ferramentas capazes de entrar em fluxos reais de produção. Em vez de mirar apenas imagens de alta complexidade ou vídeos longos, os modelos parecem priorizar velocidade, custo e consistência, atributos importantes para publicidade, redes sociais, prototipagem, e-commerce, educação e produção interna de empresas.

Imagem em segundos e custo menor por geração

O Nano Banana 2 Lite foi apresentado como uma versão mais rápida e eficiente para geração de imagens em escala. Segundo o resumo da notícia-base, o modelo consegue criar imagens a partir de prompts de texto em até 4 segundos, com foco em respostas rápidas, maior consistência e melhor legibilidade de textos inseridos dentro das imagens, uma dificuldade recorrente em sistemas de geração visual.

Outro ponto relevante é o preço. O modelo Lite custaria cerca de US$ 0,034 por imagem em resolução 1K, enquanto o Nano Banana 2 ficaria em torno de US$ 0,067 por imagem na mesma resolução. A diferença pode parecer pequena em uso individual, mas se torna significativa quando aplicada a milhares ou milhões de gerações, como em testes de campanhas, personalização de peças e automação de catálogos.

Essa redução de custo sugere que o Google quer disputar não apenas a qualidade criativa, mas também a camada operacional da IA visual. Para empresas, o valor de um modelo não está só em produzir a melhor imagem pontual, mas em permitir muitas tentativas rápidas, com previsibilidade, integração por API e orçamento controlado.

Vídeos por voz entram no centro da disputa

O Gemini Omni Flash amplia a aposta para vídeo, uma área mais cara e tecnicamente exigente. O modelo permite gerar vídeos curtos e editar cenas usando comandos de texto ou voz, além de combinar texto, imagens e vídeos para preservar consistência de conteúdo. Na prática, isso pode reduzir a necessidade de interfaces complexas para tarefas simples, como mudar o estilo de uma cena, ajustar um enquadramento ou criar uma variação curta de uma peça.

A edição por voz é especialmente importante porque aproxima a produção audiovisual de uma lógica conversacional. Em vez de manipular linhas do tempo, camadas e parâmetros técnicos, o usuário pode pedir alterações em linguagem comum. Isso não elimina ferramentas profissionais, mas pode acelerar etapas iniciais, rascunhos, versões para aprovação e conteúdos de baixa ou média complexidade.

O uso do conhecimento de mundo do Gemini também indica uma tentativa de tornar o modelo mais consciente do contexto solicitado. Em sistemas de vídeo, coerência temporal, plausibilidade de cena e continuidade visual ainda são desafios relevantes. Se a integração com o Gemini ajudar a interpretar melhor objetos, ações, lugares e relações entre elementos, o resultado pode ser menos aleatório e mais útil para produção recorrente.

O que muda para criadores e empresas

• Criação mais rápida de variações visuais para anúncios, posts e materiais internos.
• Menor custo por imagem, o que favorece testes em grande escala e automação.
• Edição de vídeos por comandos naturais, reduzindo barreiras para usuários não técnicos.
• Maior pressão competitiva sobre outras plataformas de IA visual e suítes criativas tradicionais.

Para criadores independentes, a promessa é ganhar velocidade. Uma imagem gerada em poucos segundos muda a dinâmica de experimentação: o usuário pode testar mais estilos, enquadramentos e mensagens antes de escolher uma direção. Para equipes de marketing, a vantagem está em transformar briefs em alternativas visuais rapidamente, sem depender de ciclos longos para cada pequena variação.

Para desenvolvedores, modelos mais baratos e rápidos também tornam viáveis produtos que antes seriam caros demais. Ferramentas de design assistido, editores de vídeo simplificados, plataformas de geração de conteúdo para vendedores, sistemas de personalização de imagens e protótipos visuais podem incorporar geração em tempo quase real, desde que os resultados sejam confiáveis e os custos permaneçam previsíveis.

Ainda assim, a adoção dependerá de fatores que vão além da velocidade. Direitos autorais, transparência sobre conteúdo sintético, segurança contra uso abusivo, controle de estilo e consistência de marca continuam sendo pontos sensíveis. Empresas que trabalham com imagem institucional precisarão avaliar se os modelos entregam qualidade suficiente sem introduzir erros visuais, textos incorretos ou elementos que comprometam a comunicação.

Google acelera a corrida pela IA multimodal

Os lançamentos também mostram como a competição em IA está se deslocando para sistemas multimodais, capazes de lidar com texto, imagem, áudio e vídeo dentro de uma mesma experiência. O Google já vinha posicionando o Gemini como uma família de modelos com forte integração entre modalidades, e as novas ferramentas reforçam essa estratégia ao mirar produção visual rápida, conversacional e escalável.

A notícia, portanto, não é apenas sobre uma imagem que sai em 4 segundos. Ela aponta para uma fase em que a IA generativa começa a ser medida por produtividade concreta: quanto custa, quanto demora, quão fácil é editar e quão bem o resultado se mantém consistente entre versões. Se o Google conseguir combinar esses atributos com integração ampla em seus produtos e APIs, a criação visual automatizada pode deixar de ser recurso experimental e virar infraestrutura cotidiana de produção.

Fonte: Canaltech