Google wypuszcza Gemini Omni 1.2 Flash: klipy wideo do 15 sekund i cena 0,07 dolara za sekundę

Google ogłosiło 5 listopada Gemini Omni 1.2 Flash, nową wersję modelu do generowania i edycji wideo. Maksymalna długość klipu rośnie z 10 do 15 sekund, a model jest po raz pierwszy w rodzinie Gemini Omni dostępny ogólnie, przez Gemini API i Gemini dla firm w Google Cloud.

Co się zmieniło

Omni 1.2 Flash generuje i edytuje wideo natywnie w zakresie od 3 do 15 sekund. Google podaje, że poprawiło wierność referencjom, spójność kadrów, mowę i sterowanie kamerą względem wersji 1.1. Wpis w blogu firmy napisał Anish Nangia, product manager w Google DeepMind.

Model przyjmuje referencje: obrazy postaci, produktu lub stylu, klipy ruchowe do trzech sekund oraz wskazówki dźwiękowe. Według Google twarze, ubrania, typografia na opakowaniach i kolory marki mają pozostawać spójne przy zmianie ujęć. Firma wskazuje zastosowania takie jak wirtualna przymiarka, obrotowe prezentacje katalogowe i reklamy marek.

Ma być też mniej „dryfu” obrazu między pierwszą a ostatnią klatką przy interpolacji klatek kluczowych i wydłużaniu klipów. W materiałach porównawczych wersji 1.1 i 1.2 Google wskazuje drobne różnice w szczegółach, na przykład chochlę zmieniającą się w pałeczki. To porównanie pochodzi od producenta.

Edycja, głos i kamera

Edycja wieloetapowa działa według Google na pełnych 15-sekundowych klipach. Można podmienić produkt lub tło, zmienić światło, pogodę albo format obrazu bez generowania od nowa. Poprawiono też dialogi: mają brzmieć naturalniej, z wyraźniejszą synchronizacją ust i rozróżnieniem kilku mówców.

W sterowaniu kamerą Google obiecuje płynne ruchy, jak przeloty FPV, oddalanie i orbity, z mniejszą liczbą niechcianych cięć. Firma zaznacza, że nadal pracuje nad poprawą szybkiej akcji sportowej, szybkich zmian scenariusza i złożonej fizyki.

Cena i dostępność

Za wideo 720p Google liczy 0,07 dolara za sekundę, o 30 proc. mniej niż w Omni 1.1. Dla 15-sekundowego klipu w tej rozdzielczości daje to według prostego rachunku około 1,05 dolara. Firma radzi, by szkicować w 360p lub 720p, poprawiać szczegóły kolejnymi edycjami zamiast generować od nowa, a dopiero potem skalować do 1080p lub 4K.

Deweloperzy mogą testować model w Google AI Studio, a firmy w konsoli Google Cloud lub przez API. Dostępna jest także usługa Provisioned Throughput. W aplikacjach Google model trafia do Flow, Google Vids i Google Ads, a w aplikacji Gemini 15-sekundowe wideo jest wdrażane dla subskrybentów Google AI Ultra.

Znak wodny i znaczenie dla firm

Wygenerowane materiały mają niewidoczny znak wodny SynthID. Dla polskich agencji, e-commerce i zespołów marketingu istotne jest głównie obniżenie kosztu sekundy i dłuższy klip, który mieści typową reklamę w mediach społecznościowych bez sklejania ujęć.

Jakość w praktyce trzeba jednak sprawdzić na własnych materiałach, bo przytoczone przykłady pochodzą od producenta.