Компания Google представила свою усовершенствованную модель Gemini Omni 1.2 Flash, специализирующуюся на генерации и обработке видеоматериалов с помощью искусственного интеллекта. Новая версия предлагает набор технических улучшений, направленных на повышение эффективности производства и снижение затрат, а также на расширение возможностей контроля и интерактивного редактирования с помощью последовательных текстовых и голосовых команд.
Большая длительность и снижение производственных затрат на 30%
Новое обновление увеличило максимальную длину одного ролика с 10 секунд в предыдущей версии 1.1 до 15 секунд, предоставив пользователям свободу настройки времени показа от 3 до 15 секунд с интервалом в одну секунду. Этот шаг призван позволить создателям контента и маркетологам производить рекламу для социальных платформ и презентации продуктов в виде одного непрерывного клипа без необходимости объединять отдельные кадры.
Что касается ценообразования, Google сократила затраты на обработку на 30% по сравнению с предыдущей версией; стоимость генерации видео с разрешением 720p была установлена на уровне 0,07 доллара за секунду через интерфейс программирования Gemini API и платформу Google Cloud. Новый механизм позволяет разработчикам создавать предварительные черновики и просматривать их в разрешении 360p или 720p для оптимизации потребления, а затем повышать разрешение финальных версий до 1080p или 4K при окончательном утверждении.
Редактирование видео в диалоговом режиме и визуальная консистентность элементов
Модель предлагает расширенную поддержку эталонных медиафайлов, позволяя предоставлять ей статические изображения продуктов или персонажей, а также эталонные ролики движения продолжительностью до трех секунд и направляющие звуковые дорожки. Эта архитектура способствует сохранению неизменности черт лица, фирменных цветов, шрифтов, деталей одежды и упаковки при изменении углов съемки и движения сцены, что служит целям приложений виртуальной примерки одежды и коммерческих продуктов.
Кроме того, Gemini Omni 1.2 Flash поддерживает многоэтапное интерактивное редактирование (Multi-turn conversational editing), что исключает необходимость перегенерировать видео целиком при желании внести изменения. Пользователи теперь могут отдавать последующие инструкции для изменения таких элементов, как:
- Замена фона сцен или настройка освещения и погодных условий.
- Смена продуктов в кадре с сохранением движения сцены.
- Изменение соотношения сторон для соответствия различным цифровым платформам.
- Улучшение синхронизации движения губ и генерация естественных интерактивных диалогов с изоляцией голосов нескольких спикеров.
Доступность и текущие технические ограничения
Модель стала доступна для непосредственного использования через Google AI Studio, Gemini API и Google Cloud, а также была интегрирована в корпоративные инструменты Google, такие как Flow, Google Vids и Google Ads, в то время как функция генерации 15-секундного видео в приложении Gemini выделена для подписчиков тарифного плана Google AI Ultra. Все созданные ролики содержат невидимый цифровой водяной знак SynthID для подтверждения искусственного происхождения контента.
С другой стороны, Google признала наличие инженерных ограничений, которые все еще находятся на стадии доработки в текущей модели, особенно при симуляции быстрых спортивных движений, резких переходов между сценами и явлений, зависящих от крайне сложной оптической физики.