Googleは、人工知能による動画の生成と処理に特化した改良型モデルGemini Omni 1.2 Flashを発表しました。この新しいバージョンでは、生産性の向上とコスト削減に焦点を当てた一連の技術的改良に加え、連続するテキストや音声プロンプトを通じたインタラクティブな制御と編集機能が強化されています。
生成時間の延長と30%のコスト削減
今回のアップデートにより、1つのクリップの最大長が前バージョンの1.1における10秒から15秒に延長されました。また、ユーザーは1秒刻みで3秒から15秒の間で再生時間を自由にカスタマイズできるようになります。この動きは、コンテンツクリエイターやマーケターが、別々のショットを結合することなく、ソーシャルメディア広告や商品プロモーション映像を1つの連続したクリップとして制作できるようにすることを目的としています。
価格面では、GoogleはGemini APIおよびGoogle Cloudプラットフォームを通じた720p解像度での動画生成価格を1秒あたり0.07ドルに設定し、前バージョンと比較して処理コストを30%削減しました。新しい仕組みにより、開発者は360pまたは720pの解像度で初期ドラフトの作成とプレビューを行って消費量を抑え、最終承認時に最終版の解像度を1080pまたは4Kに引き上げることが可能になります。
対話型動画編集と視覚的要素の整合性
このモデルはリファレンスメディアの高度なサポートを提供しており、製品やキャラクターの静止画像、最長3秒のリファレンスモーションクリップ、および音声ガイドトラックの提供を可能にします。このアーキテクチャは、カメラアングルやシーンの動きが変化しても、顔の特徴、ブランドカラー、フォント、衣服やパッケージの詳細の一定性を維持するのに貢献し、ファッションや商業製品のバーチャル試着アプリケーションに役立ちます。
また、Gemini Omni 1.2 Flashはマルチターン対話型編集（Multi-turn conversational editing）をサポートしており、編集時に動画全体の再生成を行う必要性をなくします。ユーザーは、次のような要素を変更するための後続の指示を出すことができるようになりました：
- シーンの背景の置き換え、または照明や気象条件の調整。
- シーンの動きを維持しながらフレーム内の製品を入れ替える。
- さまざまなデジタルプラットフォームに合わせてアスペクト比を調整する。
- 複数の話者の音声を分離しながら、リップシンクの精度を高め、自然な対話を生成する。
可用性と現在の技術的制限
このモデルは、Google AI Studio、Gemini API、Google Cloudを通じて直接利用できるようになり、Flow、Google Vids、Google AdsなどのGoogleの企業向けツールにも統合されています。一方で、15秒間の動画生成機能は、Google AI Ultraプランの登録者向けにGeminiアプリ内で提供されています。生成されたすべてのクリップには、コンテンツの人工的な起源を証明するために、目に見えないSynthIDウォーターマークが付与されます。
これと並行して、Googleは、特に高速なスポーツの動き、突然のシーンの移行、極めて複雑な光学物理学に依存する現象をシミュレートする際に、現在のモデルにはまだ開発中のエンジニアリング上の制限が存在することを認めています。