Das Unternehmen Google hat sein weiterentwickeltes Modell Gemini Omni 1.2 Flash vorgestellt, das auf die Generierung und Verarbeitung von Videoclips mittels künstlicher Intelligenz spezialisiert ist. Die neue Version bietet eine Reihe technischer Verbesserungen, die sich auf die Steigerung der Produktionseffizienz und Kostensenkung konzentrieren, neben der Stärkung der Steuerungs- und interaktiven Bearbeitungsfunktionen über aufeinanderfolgende Text- und Sprachbefehle.
Längere Dauer und Senkung der Produktionskosten um 30 %
Das neue Update hat die maximale Länge eines einzelnen Clips von 10 Sekunden in der vorherigen Version 1.1 auf 15 Sekunden erhöht, während den Benutzern die Freiheit gegeben wird, die Anzeigedauer zwischen 3 und 15 Sekunden in Ein-Sekunden-Intervallen anzupassen. Dieser Schritt zielt darauf ab, Content-Creators und Vermarktern zu ermöglichen, Social-Media-Anzeigen und Produktpräsentationen in einem einzigen zusammenhängenden Clip zu produzieren, ohne separate Aufnahmen zusammenfügen zu müssen.
Was die Preisgestaltung betrifft, hat Google die Verarbeitungskosten im Vergleich zur vorherigen Version um 30 % gesenkt; so wurde der Preis für die Videogenerierung in 720p-Auflösung auf 0,07 US-Dollar pro Sekunde über die Gemini API und die Google Cloud festgelegt. Der neue Mechanismus ermöglicht es Entwicklern, Erntwürfe zu erstellen und in 360p- oder 720p-Auflösung vorab zu betrachten, um den Verbrauch zu optimieren, und dann die Auflösung der endgültigen Kopien auf 1080p oder 4K zu erhöhen, wenn sie endgültig übernommen werden.
Modellübersetzung für Videobearbeitung per Dialog und Konsistenz visueller Elemente.
Das Modell bietet erweiterte Unterstützung für Referenzmedien und ermöglicht die Bereitstellung von Standbildern von Produkten oder Personen, zusätzlich zu bis zu dreiwöchigen Bewegungsreferenzclips und leitenden Audiospuren. Diese Architektur trägt dazu bei, die Stabilität von Gesichtszügen, Markenfarben, Schriftarten, Kleidungs- und Verpackungsdetails während sich ändernder Kameraperspektiven und Szenenbewegungen aufrechtzuerhalten, was Anwendungen zur virtuellen Anprobe für Mode und kommerzielle Produkte unterstützt.
Gemini Omni 1.2 Flash unterstützt auch die interaktive Multi-Turn-Konversationsbearbeitung (Multi-turn conversational editing), wodurch die Notwendigkeit entfällt, das Video bei Änderungswünschen komplett neu zu generieren. Benutzer können nun nachfolgende Anweisungen erteilen, um Elemente zu ändern wie:
- Ersetzen von Szenenhintergründen oder Anpassen von Beleuchtung und Wetterbedingungen.
- Austauschen von Produkten innerhalb des Rahmens unter Beibehaltung der Szenenbewegung.
- Anpassen der Seitenverhältnisse an verschiedene digitale Plattformen.
- Verbessern der Lippensynchronisation und Generieren natürlicher interaktiver Dialoge bei gleichzeitiger Isolierung der Stimmen mehrerer Sprecher.
Verfügbarkeit und aktuelle technische Einschränkungen
Das Modell ist nun für die direkte Nutzung über Google AI Studio, die Gemini API und die Google Cloud verfügbar, neben seiner Integration in Googles Enterprise-Tools wie Flow, Google Vids und Google Ads, während die Funktion zur Videogenerierung für 15 Sekunden innerhalb der Gemini-App für Abonnenten des Google AI Ultra-Tarifs reserviert ist. Alle produzierten Clips tragen das unsichtbare Wasserzeichen SynthID, um den künstlichen Ursprung des Inhalts zu dokumentieren.
Auf der anderen Seite räumte Google ein, dass es im aktuellen Modell noch technische Einschränkungen gibt, die sich in der Entwicklung befinden, insbesondere bei der Simulation schneller sportlicher Bewegungen, abrupter Szenenübergänge und Phänomenen, die auf äußerst komplexer optischer Physik basieren.