Como o Google transformou o Gemini Live em um estúdio de criação visual por voz

O que o Google adicionou ao Gemini Live

O Google acaba de liberar um recurso que muda a forma como interagimos com inteligência artificial: geração e edição de imagens em tempo real dentro do Gemini Live, o modo de conversa por voz da plataforma .

Na prática, durante uma conversa ao vivo com o Gemini, você pode ativar o compartilhamento de câmera, apontar o celular para algum objeto ou cena e, usando apenas a voz, pedir que a IA crie uma imagem nova ou edite algo que está vendo. O resultado aparece ali mesmo, integrado à experiência de conversa, sem precisar sair do modo Live .

Isso é diferente dos recursos anteriores de geração de imagens do Gemini, que funcionavam por prompts de texto ou upload de arquivos em um chat tradicional. Agora, o processo é mais natural: você fala com a IA enquanto ela enxerga o que você está mostrando.

Como funciona no Android e iOS

A experiência é semelhante nos dois sistemas, embora as fontes disponíveis tragam mais detalhes sobre o fluxo no Android.

No Android: Dentro do Gemini Live, o usuário pode iniciar o compartilhamento de câmera e dar comandos falados para gerar ou modificar imagens . O processamento é feito pelo modelo Gemini 2.5 Flash Image, apelidado internamente de nano-banana – o mesmo motor que já vinha sendo usado para criação de imagens nos apps do Gemini .

No iOS: O recurso foi descrito como “compartilhamento de câmera mais geração e edição conversacional de imagens em tempo real”, mas as fontes não detalham um fluxo exclusivo para o sistema da Apple . A lógica central, contudo, é a mesma: conversa por voz + câmera ao vivo = criação e edição de imagens na hora.

A tecnologia que move essa novidade

O motor por trás da geração de imagens é o Gemini 2.5 Flash Image, chamado pelos desenvolvedores de nano-banana. O Google o descreve como seu modelo de última geração para criação e edição de imagens . Entre as capacidades destacadas estão:

• Combinar múltiplas imagens em uma única composição
• Manter a consistência de personagens em edições sucessivas – útil para contar histórias visuais
• Fazer transformações pontuais a partir de instruções em linguagem natural
• Integrar geração e edição de imagens em fluxos conversacionais, tanto por texto quanto, agora, por voz e câmera

É como se o nano-banana ganhasse “olhos e ouvidos” dentro do Gemini Live, permitindo que a IA entenda o que você está vendo e traduza isso em comandos de criação ou edição visual.

O contexto maior: os anúncios do Google I/O 2026

Esse movimento não é isolado. Durante o Google I/O 2026, a empresa apresentou uma série de atualizações que ampliam a aposta em IA multimodal e conversacional.

Gemini Omni: Foi a grande estrela do evento. Trata-se de um novo modelo que, segundo o Google, pode criar qualquer coisa a partir de qualquer entrada – começando por vídeo . Ele combina a inteligência do Gemini com modelos de mídia generativa para gerar e editar vídeos de forma conversacional. As notas de atualização do app Gemini descrevem o Omni como “algo como o Nano Banana para vídeos”, permitindo misturar texto, fotos e vídeos em criações únicas . A ideia é que, com o tempo, esse modelo consiga gerar qualquer tipo de saída a partir de qualquer tipo de entrada .

Gemini 3.5 Flash: O novo modelo padrão do app Gemini e do “Modo IA” da Busca do Google . O Google afirma que ele gera tokens quatro vezes mais rápido que outros modelos de ponta da mesma categoria, sendo otimizado para tarefas de programação, fluxos de múltiplas etapas e trabalhos de longa duração – um perfil típico de uso “agentivo” .

Outros destaques do I/O 2026:

• O Gemini Spark também foi anunciado como parte da nova família de agentes de IA .
• O Google classificou as atualizações na Busca como as maiores em 25 anos .
• Um app Gemini totalmente redesenhado, agora sob a linguagem visual “Neural Expressive”, foi apresentado junto com os novos modelos .

Como isso posiciona o Google no cenário de IA multimodal

O que o Google está construindo é uma plataforma multimodal unificada em tempo real – e o Gemini Live com geração de imagens é uma peça-chave nessa estratégia.

• Imagens: O Gemini Live agora fecha o ciclo entre “mostre para o Gemini o que você está vendo” e “peça para o Gemini criar ou editar algo” em tempo real .
• Vídeos: O Gemini Omni estende essa mesma lógica conversacional para a criação e edição de vídeos, usando texto, fotos e vídeos como matéria-prima .
• Raciocínio mais geração de mídia: O Omni funde a capacidade de raciocínio do Gemini com modelos generativos de imagem, vídeo e áudio – o que, na prática, significa uma IA que entende o mundo real e consegue criar a partir desse entendimento .

A vantagem competitiva do Google, com base nesses anúncios, está na profundidade da integração: o Gemini Live une conversa, visão computacional e geração de imagens em um único fluxo natural, enquanto o Omni leva esse mesmo conceito para o vídeo e, no futuro, para qualquer formato de mídia. A pergunta que fica é como esses fluxos integrados vão performar na vida real conforme forem sendo distribuídos para mais usuários .