Gemini Omni Prompting: Die Tag-Syntax, die Google dokumentiert und niemand zitiert

Die meisten Omni-Prompting-Ratschläge, die diese Woche veröffentlicht wurden, sind erfunden.

Das „Fünf-Elemente-Framework aus Googles offizieller Dokumentation“, das ein halbes Dutzend Guides zitiert, steht auf keiner Google-Seite, die wir finden konnten, und die Guides, die es zitieren, sind sich nicht einig, ob es fünf Elemente sind oder sechs. Auch die Behauptung, Dialog in Anführungszeichen zu setzen schalte das Modell in einen Lippensynchronisationsmodus, steht in keinem Google-Dokument — Anführungszeichen tauchen in Googles Beispielen nur für Text auf, der im Bild gerendert wird.

Was Google tatsächlich dokumentiert, ist nützlicher, und fast niemand hat es aufgeschrieben: eine Tag-Syntax, mit der ein einzelner Prompt bestimmte Bilder und Clips namentlich ansprechen kann. Dort fängt dieser Guide an.

Zwei Anmerkungen zu dem, was folgt

Alles, was hier zitiert wird, stammt von Googles eigenen Seiten — dem Prompt-Guide-Abschnitt der Gemini-Omni-API-Dokumentation und dem gemeinsamen Prompting-Guide, der Omni und Veo zusammen abdeckt. Wo Google schweigt, sagen wir das, statt die Lücke mit etwas zu füllen, das autoritativ klingt.

Die Clips unten wurden mit Veo 3.1 Fast auf unserer eigenen API erzeugt, nicht mit Omni. Gemini Omni 1.1 Flash ist noch nicht auf E2X, und wir werden einen Guide nicht mit Material aus einem Modell bebildern und so tun, als käme es aus einem anderen. Die Techniken, die sie zeigen — Kameravokabular, die Single-Shot-Anweisung, Tonregie —, stammen aus dem Prompt-Guide, den Google für beide Modelle veröffentlicht, also lassen sie sich übertragen. Die Tag-Syntax im nächsten Abschnitt nicht: Dieser Teil ist Omni-exklusiv, und wir zeigen ihn als Syntax statt als Ergebnis.

Die Tag-Syntax

Omni akzeptiert Inline-Tags, die auf bestimmte Inputs zeigen. Es ist der Teil der Dokumentation mit der geringsten Abdeckung durch Dritte und dem größten Gewinn beim Lesen.

Für Frames:

<FIRST_FRAME> a woman is walking

<LAST_FRAME> markiert den Frame, auf dem gelandet werden soll, und Google sagt ausdrücklich, es „must be used with“ <FIRST_FRAME>. Wenn ein Prompt kompliziert genug wird, dass die Position mehrdeutig ist, gibt es eine explizite Deklarationsform:

[# Sources <FIRST_FRAME>@Image1 <LAST_FRAME>@Image2]

Zeigen beide Tags auf dasselbe Bild, bekommen Sie eine Schleife. Google dokumentiert das direkt — der Clip kehrt dorthin zurück, wo er begonnen hat:

[# Sources <FIRST_FRAME>@Image1 <LAST_FRAME>@Image1]

Für Referenzen sind die Tags nummeriert und beginnen bei null:

in the style of <IMAGE_REF_0> a woman <IMAGE_REF_1> is walking

Diese eine Zeile zieht den Stil aus dem einen und das Motiv aus dem anderen Bild. Das Videoäquivalent ist <VIDEO_REF_0>, ebenfalls nullbasiert, mit einer harten Grenze: „Video references support a maximum of 3 clips, up to 3 seconds each“, und jegliches Audio in einem Referenzclip wird ignoriert.

Der Fehlerfall hier ist, dass das Modell eine Referenz als wörtlichen Eröffnungsframe behandelt. Googles Abhilfe ist eine Anweisung, die an den Prompt angehängt wird:

Use the given image(s) as references for video generation.
The images should not be used as literal initial frames.

Eine Grenze, die man kennen sollte, bevor man darum herum entwirft: „Referencing or reasoning across multiple videos is not supported.“ Mehrere Bildreferenzen sind in Ordnung — Googles eigenes Beispiel verwendet sechs davon —, aber Prompting über mehrere Videos hinweg verschlechtert sich.

Omni schneidet Ihren Clip in mehrere Einstellungen, wenn Sie es nicht stoppen

Das ist die überraschendste einzelne Zeile der Dokumentation, und sie erklärt eine Menge verwirrender Ergebnisse:

„By default Omni Flash will try to create a video with a few different shots. It'll attempt to craft an interesting narrative based on the prompt. If you need the output video to contain a single scene, you must prompt for that“

Bitten Sie um acht Sekunden einer Person, die durch eine Tür geht, und Sie bekommen davon womöglich drei Schnitte. Das Modell missversteht Sie nicht. Es tut, was sein Default ist.

Die Abhilfe ist ein einziger Teilsatz, und Google gibt drei Formulierungen: „In a single unbroken scene“, „In a single continuous shot“ oder „No scene cuts“.

Hier ist diese Anweisung bei der Arbeit, mit einer dokumentierten Kamerabewegung und einer angehängten Tonzeile:

In a single continuous shot, no scene cuts. Slow dolly in on a battered
enamel coffee pot sitting on a cast-iron stove in a dim cabin kitchen.
Steam rises and catches a hard shaft of morning light from a window to the
left. Medium shot, shallow depth of field, warm amber and deep green
palette. Sound design: the low hiss of steam and a wood fire ticking.
No dialogue.

Vier Sekunden, 720p, erzeugt mit Veo 3.1 Fast für einen Cent pro Sekunde. Beachten Sie, wie wenig dieses Prompts aus Adjektiven besteht und wie viel davon Anweisungen sind, mit denen das Modell etwas anfangen kann.

Ton wird in eigenen Sätzen inszeniert

Audio wird zusammen mit dem Bild erzeugt, und Googles Empfehlung ist, es getrennt zu beschreiben: „We recommend that you use separate sentences in your prompt to describe the audio.“ Die Dokumentation teilt es dreifach auf — Geräuscheffekte, Umgebungsgeräusche und Dialog — mit jeweils eigenen Beispielen.

Beim Dialog liegt die Folklore falsch. Die dokumentierte Konvention ist ein Doppelpunkt und keine Anführungszeichen:

the man in the red hat says: Where is the rabbit?

Googles längeres Beispiel führt zwei Sprechende in einem Prompt und schließt mit der Atmosphäre:

A medium shot in a dimly lit interrogation room. The seasoned detective
says: Your story has holes. The nervous informant, sweating under a single
bare bulb, replies: I'm telling you everything I know. The only other
sounds are the slow, rhythmic ticking of a wall clock and the faint sound
of rain against the window

Omnis eigene Beispiele stellen dem Nicht-Sprach-Audio Sound design: voran, wie in „Sound design: Gentle breeze, distant bird chirps. No dialogue.“ Und wenn Sie ausdrücklich Musik wollen, sagen Sie es — Google markiert das als den Fall, der am ehesten übersehen wird: „This is especially important if you want music in your video“.

Zwei Einschränkungen, um die herum Sie planen sollten: Voice-Editing wird nicht unterstützt, und „Uploading audio references is unsupported in the current version of the API“. Sie inszenieren Ton mit Worten oder gar nicht.

Timecodes funktionieren, und beim Erweitern verschiebt sich ihr Nullpunkt

Timing braucht keine besondere Syntax — „there is no precise syntax needed and you can use natural language“, also ist „At 5s the chorus starts in the background audio“ eine gültige Anweisung. Es gibt zusätzlich eine Timecode-Form in eckigen Klammern:

[0-3s] A person is walking
[3-6s] They stop and turn around
[6-10s] They start running

Und nun die Falle, und sie ist eine echte. Wenn Sie einen bestehenden Clip erweitern, bedeutet 0s nicht mehr den Anfang des Videos. Es bedeutet den Anfang der Erweiterung. Google schreibt es aus:

„If using timestamps or a timecode syntax, 0s refers to the beginning of the extended part of the video. If extending a 10s video, the scene cut in this prompt will happen after 12s“

After 2s cut to a new scene landet also bei der zwölften Sekunde des fertigen Stücks. Wer eine Shotlist gegen absolute Timecodes baut, macht das einmal falsch und danach nie wieder.

Wo wir schon dabei sind: Erweiterungs-Prompts sollten die Fortsetzung beschreiben und nicht die ganze Szene wiederholen. Googles vorgeschlagene Formen sind so kurz wie „Extend this video“ oder „The scene continues“, mit Zusätzen nur dort, wo sich etwas ändert — „The music continues into the chorus“ fürs Audio, „Show the same characters in the next scene“ für einen Schnitt. Erweiterung hängt nur an; Sie können nichts voranstellen und nichts in die Mitte einfügen.

Editieren will weniger Wörter, nicht mehr

Alles oben belohnt Detail. Editieren dreht das um: „Simple prompts work best for video editing. Overly descriptive prompts can lead to unintended changes.“

Google veröffentlicht eigene Vorher-Nachher-Paare, und man liest sie besser als Muster denn als zwei Beispiele:

Avoid:    In the video of the man sitting on the sofa, please add a small
          black cat that runs from the right side of the screen, jumps onto
          his lap, and then he starts to stroke its head while looking down.

Simplify: Add a cat that jumps onto his lap, he begins to pet it.
          Keep everything else the same.

Avoid:    Please remove the cell phone that the person is holding in their
          hand and fill in the background so it looks like they are just
          holding their hand empty.

Simplify: Make the phone invisible. Keep everything else the same.

Der Teilsatz, der in beiden die Arbeit leistet, ist „Keep everything else the same“, den Google immer dann zu ergänzen empfiehlt, wenn Sie einen Aspekt einer Aufnahme editieren. Jedes zusätzliche Detail, das Sie liefern, ist eine weitere Sache, die das Modell neu generieren könnte.

Image-to-Video läuft wieder andersherum: „Vague prompts like 'make it move' produce less compelling results than detailed descriptions of the camera movement, subject motion, and environmental effects.“ Detail fürs Generieren, Knappheit fürs Editieren.

Die Kamerabegriffe, die Google tatsächlich nennt

Google veröffentlicht eine Vokabelliste, und die ist verlässlicher als die Begriffe, die in Prompt-Tipp-Threads kursieren. Bewegungen, die dort genannt werden: static, pan, tilt, dolly in und out, truck left und right, pedestal up und down, zoom, crane, aerial oder drone, handheld, whip pan, arc. Einstellungswinkel: eye-level, low, high, bird's-eye, worm's-eye, Dutch, close-up und extreme close-up, medium, full, wide oder establishing, over-the-shoulder, point-of-view. Optische Effekte: wide-angle, telephoto, shallow und deep depth of field, lens flare, rack focus, fisheye und der Vertigo-Effekt — der Dolly-Zoom.

Google unterscheidet außerdem ausdrücklich Zoom von Dolly, weil Modelle die beiden vermischen: Ein Zoom ändert die Brennweite, und „This is different from a dolly, as the camera itself doesn't move.“

Nehmen Sie aber den Vorbehalt mit, den Google zweimal ausspricht: „Some advanced camera angles are not officially supported. The results and reliability may vary depending on the overall prompt and your specific use case.“ Eine Bewegung zu benennen ist eine Bitte, keine Garantie.

Hier ist eine Arc-Aufnahme, eine der dokumentierten Bewegungen, schlicht geprompft:

Slow arc shot travelling left around a weathered brass sextant resting on
an unrolled nautical chart on a scuffed wooden table. Low winter sunlight
rakes in from the right and the brass catches moving highlights as the
camera travels. Single continuous shot, no scene cuts, shallow depth of
field. Sound design: faint harbour ambience, rigging tapping in wind.
No dialogue.

Auch filmische und Schnittbegriffe sind dokumentiert — match cut, jump cut, establishing shot sequence, montage, split diopter effect. Begriffe, die Sie Google zugeschrieben gesehen haben mögen und die auf keiner der beiden Seiten stehen: oner, push in und natural smartphone zoom.

Negative Prompts: zwei Google-Seiten widersprechen sich

Omni hat keinen Parameter für negative Prompts. Die API-Dokumentation ist unumwunden: „System instructions, temperature, top_p, stop sequences, and negative prompts are not supported (you can put your negatives in the regular prompt: e.g., 'Do not do X').“

Und der Omni-Prompt-Guide empfiehlt genau das und schlägt „No dialogue“, „No embellishments“, „No extra sound effects“ vor.

Googles gemeinsamer Guide für Omni und Veo sagt zur Formulierung das Gegenteil:

„Not recommended: using instructive language or words such as 'no' or 'don't'. For example, avoid prompts such as 'no walls' or 'don't show walls'. Recommended: Describe what you don't want to see. For example, 'wall, frame'“

Wir werden nicht so tun, als könnten wir das auflösen. Die wahrscheinlichste Erklärung ist, dass die zweite Seite Veos eigenes Feld negativePrompt beschreibt — das Omni nicht hat —, während die Omni-Seite Negationen in Prosa beschreibt, und mehr bietet Omni nicht. Das ist eine Schlussfolgerung und nichts, was Google sagt. In der Praxis: Verwenden Sie für Omni die Formulierung der Omni-Seite, und wenn eine Negation ignoriert wird, probieren Sie die andere Form, bevor Sie annehmen, das Modell könne es nicht.

Noch ein ehrlicher Widerspruch, weil er beeinflusst, was Sie einem Kunden zusagen können. Der Omni-Prompt-Guide sagt, das Modell rendere Text im Bild „in a way that is correct and readable“. Die Model Card von DeepMind führt „rendering perfectly accurate text“ unter den Dingen auf, die „remain a challenge“. Beides ist Google. Testen Sie, bevor Sie sich festlegen.

Eine Checkliste, die Sie wirklich nutzen können

Aus dem Obigen abgeleitet trägt ein Prompt, der dem Verhalten des Modells Rechnung trägt, üblicherweise:

1. Eine Anweisung zur Zahl der Einstellungen, weil Multi-Shot der Default ist und wahrscheinlich nicht das, was Sie wollen
2. Das Motiv und seine Bewegung, konkret — nicht „make it move“
3. Eine dokumentierte Kamerabewegung, benannt nach Googles Liste
4. Licht: Richtung, Qualität, Farbe
5. Einen eigenen Satz für den Ton, mit Sound design: davor, wenn es kein Dialog ist
6. Dialog als speaker says: line, Doppelpunkt, keine Anführungszeichen
7. Etwaige Negationen als kurze Prosateilsätze am Ende
8. Nur für Edits: das meiste davon streichen und „Keep everything else the same“ ergänzen

Googles eigene Zusammenfassung der Struktur ist länger — Motiv, Handlung, Szene, Kamerawinkel, Kamerabewegung, Objektiv, visueller Stil, zeitliche Elemente, Audio, filmische Begriffe, Negationen — mit der Beruhigung, dass „You don't need to use all elements in every prompt“.

Wo Sie das heute ausführen können

Prompting ist eine Fähigkeit, die man sich durch wiederholtes Scheitern aneignet, weshalb der Preis pro Fehlschlag die Zahl ist, die am meisten zählt. Ein viersekündiger Test auf Veo 3.1 Fast kostet vier Cent. Derselbe Test auf Gemini Omni 1.1 Flash, hier seit dem 28. August 2026 live für neun Cent pro Sekunde, kostet sechsunddreißig — oder rund zwölf, wenn Sie ihn zuerst in 360p entwerfen, der Stufe, die 1.1 genau dafür eingeführt hat. Über einen Nachmittag hinweg, an dem Sie lernen, ab wann eine Kameraanweisung nicht mehr befolgt wird, entscheidet dieser Unterschied darüber, wie oft Sie falsch liegen dürfen.

Üben Sie die übertragbare Hälfte also günstig ein — Zahl der Einstellungen, Kameravokabular, Tonregie, Negationen —, die alle aus dem Guide stammen, den Google für beide Modelle veröffentlicht. Beide Clips oben sind genau so entstanden. Steigen Sie in die Omni-Familie auf, wenn Sie brauchen, was nur sie kann: die Tag-Syntax, Erweiterung und referenzgesteuerte Konsistenz. Eine Anmerkung zu den Frame-Tags, denen dieser Guide den meisten Raum gibt — sie haben inzwischen einen eigenen Endpunkt: Start-End-Frame-to-Video nimmt die beiden Frames stattdessen als Felder entgegen, und Image-to-Video tut dasselbe für ein einzelnes Eröffnungsbild. Veo 3.1 Fast deckt unterwegs weiterhin das Üben von Image-to-Video und erstem und letztem Frame ab. Aktuelle Preise, Stand 28. August 2026.

Wir haben was mit 1.1 erschienen ist und was die Leaderboards tatsächlich dazu sagen separat aufgeschrieben. Stöbern Sie nach Aufgabe über Text-to-Video, oder lesen Sie die maschinenlesbare Spezifikation, wenn Sie lieber Parameter vergleichen als Prosa.

Preise und Produktbedingungen können sich ändern. Prüfen Sie die aktuellen Preise des jeweiligen Anbieters, bevor Sie eine Kaufentscheidung treffen.

Häufig gestellte Fragen

Wie schreibt man einen Prompt für Gemini Omni 1.1 Flash?

Nennen Sie zuerst die Zahl der Einstellungen, denn Omni erzeugt standardmäßig mehrere Einstellungen und Sie wollen meistens eine. Beschreiben Sie dann das Motiv und seine Bewegung, eine benannte Kamerabewegung und das Licht. Setzen Sie Audio in einen eigenen Satz, mit „Sound design:“ davor, wenn es nicht Sprache ist, und schreiben Sie Dialog als „speaker says: line“, mit Doppelpunkt und ohne Anführungszeichen. Etwaige Negationen kommen als kurze Teilsätze ans Ende.

Was ist das FIRST_FRAME-Tag in Gemini Omni?

Es ist ein Inline-Tag, das Omni anweist, ein mitgeliefertes Bild als Eröffnungsframe zu verwenden, geschrieben als das Tag gefolgt von Ihrer Beschreibung. Sein Gegenstück LAST_FRAME markiert den Frame, auf dem geendet werden soll, und muss laut Googles Dokumentation zusammen mit FIRST_FRAME verwendet werden. Zeigen beide Tags auf dasselbe Bild, entsteht ein Clip, der in einer Schleife läuft.

Unterstützt Gemini Omni negative Prompts?

Nicht als Parameter. Googles API-Dokumentation stellt fest, dass negative Prompts nicht unterstützt werden, und weist Sie an, Negationen stattdessen in den normalen Prompt zu setzen, etwa als „Do not do X“. Der Omni-Prompt-Guide schlägt kurze Teilsätze wie „No dialogue“ oder „No extra sound effects“ vor. Googles gemeinsamer Guide für Omni und Veo rät von dieser Formulierung ab, was offenbar Veos eigenes Feld für negative Prompts beschreibt und nicht Omni.

Warum fügt Gemini Omni Schnitte ein, um die ich nicht gebeten habe?

Weil mehrere Einstellungen der Default sind. Googles Dokumentation sagt, Omni werde versuchen, ein Video mit mehreren Einstellungen zu erzeugen und aus Ihrem Prompt eine Erzählung zu formen, sofern nichts anderes gesagt wird. „In a single continuous shot“ oder „No scene cuts“ in den Prompt aufzunehmen ist die dokumentierte Abhilfe.

Wie funktionieren Timestamps beim Erweitern eines Omni-Videos?

Ihr Nullpunkt verschiebt sich. Sobald Sie einen Clip erweitern, bezieht sich 0s auf den Anfang der Erweiterung und nicht auf den Anfang des Originals. Googles Beispiel: Erweitern Sie ein 10-Sekunden-Video mit einer Anweisung bei 2s, liegt dieser Moment im fertigen Stück bei 12 Sekunden. Erweiterung hängt nur an — Sie können nichts voranstellen und die Mitte eines Clips nicht bearbeiten.

Gehört Dialog bei Gemini Omni in Anführungszeichen?

Nein. Googles dokumentierte Form ist „speaker says: line“ — ein Doppelpunkt, ohne Anführungszeichen. Die vielfach wiederholte Behauptung, Anführungszeichen lösten einen Lippensynchronisationsmodus aus, steht in keiner Google-Dokumentation. Anführungszeichen tauchen in Googles Beispielen nur für Text auf, der im Bild gerendert werden soll, und dort ist die Verwirrung wahrscheinlich entstanden.

Was kostet es, Omni-Prompting zu üben?

Auf unserer API läuft Gemini Omni 1.1 Flash für $0.09 pro Sekunde in 720p, ein viersekündiger Test kostet also $0.36, oder rund $0.12, wenn Sie in 360p entwerfen, Stand 28. August 2026. Veo 3.1 Fast kostet $0.01 pro Sekunde, derselbe Test also vier Cent. Da die Techniken zu Kamera, Einstellungszahl und Ton aus dem Prompt-Guide stammen, den Google für beide Modelle veröffentlicht, kostet das Üben auf dem günstigeren ein Neuntel und trainiert dieselben Gewohnheiten.