A empresa Google revelou o seu modelo aprimorado Gemini Omni 1.2 Flash, especializado na geração e processamento de clipes de vídeo através de inteligência artificial. A nova versão apresenta um conjunto de melhorias técnicas focadas em aumentar a eficiência da produção e reduzir custos, além de aprimorar as capacidades de controle e edição interativa por meio de comandos textuais e de voz sequenciais.
Maior duração e redução de 30% no custo de produção
A nova atualização aumentou o limite máximo de duração de um único clipe de 10 segundos na versão anterior 1.1 para 15 segundos, concedendo aos usuários a liberdade de personalizar o tempo de exibição entre 3 e 15 segundos com intervalos de um segundo. Esta medida visa permitir que criadores de conteúdo e profissionais de marketing produzam anúncios para redes sociais e apresentações promocionais de produtos em um único clipe contínuo, sem a necessidade de mesclar imagens separadas.
Em termos de preços, a Google reduziu o custo de processamento em 30% em comparação com a versão anterior, fixando o preço de geração de vídeo em resolução 720p em 0,07 dólares por segundo através da Gemini API e da plataforma Google Cloud. O novo mecanismo permite que os desenvolvedores criem rascunhos iniciais e os visualizem em resolução de 360p ou 720p para otimizar o consumo, elevando posteriormente a resolução das cópias finais para 1080p ou 4K na aprovação definitiva.
Edição de vídeo por conversação e consistência dos elementos visuais
O modelo oferece suporte avançado a mídias de referência, permitindo que seja alimentado com imagens estáticas de produtos ou personagens, além de clipes de movimento de referência de até três segundos e trilhas sonoras orientadoras. Essa arquitetura contribui para manter a estabilidade das características faciais, cores de marcas, fontes, detalhes de vestuário e embalagens durante mudanças nos ângulos de câmera e movimento de cena, o que atende a aplicações de provador virtual para moda e produtos comerciais.
O Gemini Omni 1.2 Flash também suporta edição conversacional de múltiplos turnos (Multi-turn conversational editing), eliminando a necessidade de regerar o vídeo inteiro ao desejar fazer alterações. Os usuários agora podem emitir instruções subsequentes para alterar elementos como:
- Substituir fundos de cenas ou ajustar a iluminação e condições climáticas.
- Trocar produtos dentro do enquadramento mantendo o movimento da cena.
- Ajustar proporções de tela para atender a diferentes plataformas digitais.
- Melhorar a sincronização labial e gerar diálogos interativos naturais, isolando as vozes de múltiplos locutores.
Disponibilidade e limitações técnicas atuais
O modelo já está disponível para uso direto através do Google AI Studio, da Gemini API e do Google Cloud, além de ter sido incluído em ferramentas corporativas da Google como Flow, Google Vids e Google Ads, enquanto o recurso de geração de vídeo de 15 segundos foi reservado no aplicativo Gemini para assinantes do plano Google AI Ultra. Todos os clipes gerados possuem a marca d'água invisível SynthID para documentar a origem artificial do conteúdo.
Por outro lado, a Google reconheceu a existência de limitações de engenharia que ainda estão em desenvolvimento no modelo atual, especialmente ao simular movimentos esportivos rápidos, transições abruptas de cenas e fenômenos que dependem de física óptica altamente complexa.