Input any-to-any di Gemini Omni Flash: cosa fa davvero
Il multimodale è la promessa distintiva di Gemini Omni Flash, ma l'API rilasciata è più ristretta del marketing. Ecco cosa cambia davvero l'input any-to-any nel brief.

La parola che ha fatto più fatica nel lancio di Gemini Omni Flash è stata «Omni» — la promessa di un unico modello a cui dare testo, immagini, audio e video tutti insieme, in un solo prompt. È una proposta genuinamente diversa dai modelli video a input singolo che l'hanno preceduta, ed è il motivo per cui il modello si merita il suo nome. Ma la versione arrivata nell'API per sviluppatori è più ristretta dell'inquadramento della keynote, e questo scarto conta se stai pianificando lavoro reale attorno ad essa.
Questo pezzo separa ciò che l'any-to-any ti offre davvero oggi da ciò che è ancora aspirazionale — e poi arriva al punto più utile, cioè come l'input multimodale cambia in generale il modo in cui scrivi un brief.
Cosa significa davvero «any-to-any»#
La maggior parte dei modelli video accetta un solo tipo di guida. Scrivi testo, oppure fornisci una singola immagine di riferimento, e il modello lavora da lì. L'input any-to-any significa che un'unica grammatica di prompt accetta diverse modalità insieme e restituisce un risultato coerente che le rispetta tutte: un fotogramma di riferimento per l'aspetto, un breve clip per il movimento e una direzione scritta per tutto il resto — combinati, non scelti l'uno al posto dell'altro.
Lo spostamento va dal descrivere una ripresa a parole al comporla dagli asset. È questa la capacità reale, ed è il motivo per cui «multimodale» non è puro marketing. La domanda è quanta parte di questo sia attiva.
La promessa contro l'API rilasciata#
Ecco la matrice onesta per la preview attuale, direttamente dalla documentazione dell'API:
| Input | Stato | Note |
|---|---|---|
| Prompt di testo | Supportato | La spina dorsale di ogni generazione |
| Immagine di riferimento | Supportato | Testo in video, immagine in video e riferimento del soggetto |
| Video di riferimento | Supportato, con una riserva | I riferimenti oltre i 3 secondi non vengono elaborati completamente |
| Riferimento audio | Non supportato | Non puoi caricare un suono o una voce da far abbinare al modello |
| Riferimenti video multipli | Non supportato | Un clip di riferimento per generazione |
| Prompt non in inglese | Non testato | L'inglese è l'unica lingua pienamente supportata |
Avviso
La lacuna audio è quella con maggiori probabilità di far inciampare un piano. Omni Flash genera una traccia audio in modo predefinito, ma «any-to-any» non include il fatto di consegnargli una base musicale, una voce fuori campo o una registrazione ambientale da sincronizzare. L'audio è un output che indirizzi con le parole, non un input che fornisci.
Quindi la lettura corretta: l'any-to-any oggi è testo + immagine + video in ingresso, video (con audio generato) in uscita. La metà audio-in-ingresso della promessa multimodale è deliberatamente trattenuta — coerentemente con le funzioni di modifica del parlato nel video e di avatar che Google ha tenuto da parte al lancio per ragioni di sicurezza. È un vero cambiamento di capacità rispetto ai modelli a input singolo; semplicemente non è ancora il quadro completo any-to-any-to-any che il nome lascia intendere.
Cosa cambia l'input multimodale nel brief#
Una volta che componi dagli asset invece di descrivere in prosa, il brief stesso cambia forma. Tre input svolgono lavori diversi, e l'abilità sta nell'assegnare ciascuno a ciò per cui è più adatto:
- L'immagine di riferimento porta l'aspetto — il soggetto, la palette, l'inquadratura che già ti piacciono.
- Il video di riferimento porta il movimento — un movimento di camera o un'azione che vuoi riecheggiare.
- Il testo porta l'intento e tutto ciò che gli asset non mostrano già — atmosfera, cambiamenti, ciò che non è in nessuno dei due riferimenti.
L'effetto pratico è che smetti di provare a tradurre un'immagine in aggettivi. Invece di scrivere «un primo piano caldo a scarsa profondità con una lenta spinta in avanti», fornisci il fotogramma che ha già quell'aspetto e il clip che si muove già così, e spendi le parole su ciò che è nuovo. Per chiunque abbia lottato per descrivere a parole un'estetica specifica, è questo lo sblocco nel workflow.
Le quattro modalità di task, e come si combinano#
L'API espone quattro tipi di task, e si mappano in modo netto sull'idea del comporre dagli asset:
text_to_video— pura descrizione, nessun asset. Il ripiego quando parti da zero.image_to_video— anima un fermo immagine. Il punto d'ingresso più comune: un'immagine forte diventa il primo fotogramma del movimento.reference_to_video— porta un soggetto o uno stile da un riferimento in una nuova generazione.edit— la modalità conversazionale e con stato che rivede il clip precedente preservando ciò che non hai cambiato.
Il flusso previsto le concatena: genera o anima una base con una delle prime tre, poi passa a edit e affina in modo conversazionale. È la stessa forma dell'abbinamento Nano Banana 2 Lite verso Omni Flash di Google stesso — modifica un fermo immagine, poi animalo — estesa lungo i turni.
La sfumatura audio, esplicitata#
Poiché l'audio non può essere fornito, il sound design diventa un compito di scrittura. Il modello produce dialoghi, effetti e ambiente in base a ciò che il tuo prompt descrive — «pioggia leggera su una finestra, nessuna musica» oppure «un singolo click morbido, poi il tono ambiente della stanza». Ottieni un controllo significativo, ma è un controllo descrittivo, e questo significa due cose per la pianificazione:
- Se il tuo progetto ha bisogno che il video generato si abbini a una traccia esistente — un brano su licenza, un jingle di marca, una voce fuori campo registrata — quella sincronizzazione avviene in un passaggio audio separato, non dentro Omni Flash.
- Se ti serve solo un suono originale e adatto, descriverlo bene nel prompt ti porta là senza un caricamento.
Dove si colloca OmniArt oggi#
Il workflow del comporre dagli asset non è qualcosa per cui devi aspettare Omni Flash per provarlo — funziona già sui modelli attivi nel workspace video di OmniArt, e per un aspetto vanno oltre.
Seedance 2.0, disponibile su OmniArt adesso, è stato costruito esattamente attorno a questa idea: accetta fino a nove immagini, tre clip video e — cosa notevole — tre file audio in un unico prompt, ciascuno legato a un ruolo con la sintassi @image1 / @video1 / @audio1. Questo include l'input di riferimento audio che Omni Flash trattiene. Se il tuo brief dipende dal fornire al modello un suono specifico con cui lavorare, quella strada esiste oggi.
E la direzione di marcia è chiara in tutto il campo: Seedance 2.5, annunciato a giugno, spinge la stessa architettura di riferimenti fino a ben 50 input multimodali in una volta. L'input any-to-any non è una storia di un singolo modello — è la direzione verso cui va il video AI diretto. Omni Flash ha dato un nome all'idea; il workspace ti lascia già praticarla.
Apri il workspace video su OmniArt, assembla il tuo set di riferimenti e lascia che gli asset portino l'aspetto e il movimento mentre le tue parole portano l'intento. È questo il brief any-to-any, disponibile ora.


