В края на август Google представи Gemini Omni 1.1 Flash — модел, който донесе значителен напредък спрямо предишния Omni. Сега инструментът получи поредното мащабно обновяване с появата на Omni 1.2 Flash, най-добрия досега мултимодален модел на Google DeepMind за създаване на видео.
Съществена новост в Gemini 1.1 Flash беше възможността да свързва последователно няколко 10-секундни откъса и така да създава сцени с продължителност до 40 секунди. Omni 1.2 Flash вече може да генерира наведнъж 15-секундни видеоклипове — с 50% по-дълги, като възможността за удължаване също е запазена.
Друга важна новост е, че потребителите вече могат да създават и редактират видеоклипове с продължителност между 3 и 15 секунди. Досега дължината на генерираните клипове не можеше да се задава, но вече Gemini Omni предлага значително повече гъвкавост в това отношение. Продължителността се настройва с обикновен плъзгач, със стъпка от една секунда.
Omni 1.2 Flash запазва още по-стабилно външния вид на персонажите и обектите, както и физическата последователност на заобикалящата среда при движения на камерата и бързи преходи. Така се свеждат до минимум характерните за видеоклиповете, генерирани с изкуствен интелект, визуални разминавания и неестествени деформации. Системата надеждно свързва първия и последния кадър и също толкова успешно добавя нови сцени към съществуващ запис, без да променя чертите на лицата на персонажите или обстановката.
Обновяването поставя специален акцент върху търговските и рекламните приложения, което едва ли е изненадващо, когато става дума за Google. Gemini Omni 1.2 Flash може да комбинира съществуващи снимки на персонажи и продукти или изображения, задаващи определен стил, с кратки видеопримери с продължителност дори само 3 секунди и аудиосигнали. Системата запазва детайлите по дрехите и другите продукти, надписите върху опаковките и точните фирмени цветове дори при промяна на ракурса на камерата. Това я прави подходяща както за виртуални пробни, така и за 360-градусови продуктови представяния.
Ако Gemini Omni 1.2 Flash не улови замисъла от първия опит, потребителите не трябва да започват генерирането отначало, за да променят записа. С допълнителни прости текстови инструкции в чата те могат директно да заменят продукт на заден план или самата обстановка, да променят осветлението и метеорологичните условия или да зададат друго съотношение на страните за целия видеоклип.
Gemini Omni 1.2 Flash прави голяма крачка напред и в аудиовизуалната синхронизация: картината и звукът се съчетават много по-естествено. Подобрението не се изчерпва със синхрона — моделът съобразява по-добре и звученето със стила на сцената. Освен това един видеоклип вече може да съдържа няколко отделни аудиописти и няколко говорещи персонажа, като инструментът генерира репликите на всеки от тях в отделна писта.
Моделът Gemini Omni 1.2 Flash използва инфраструктурата и системите за сигурност на Google Cloud от корпоративен клас. Компанията подчерта също, че всички генерирани видеоклипове ще получават разработения от нея, но широко приет воден знак SynthID. Благодарение на него различните платформи ще могат автоматично да обозначават съдържанието, създадено с ИИ, за да предотвратяват злоупотреби и да реагират при такива.
Благодарение на технологичните оптимизации работата с Gemini Omni 1.2 Flash стана значително по-евтина. Разходите за генериране на видео са намалели с 30 процента спрямо предишните нива. При резолюция 720p HD използването на новия инструмент вече струва само 0,07 долара за секунда. Компанията посочи, че предлага повече инструменти за повишаване на ефективността. Например предварителни варианти могат да се генерират бързо и евтино дори в 360p, а след постигането на желания резултат резолюцията може да се увеличи до Full HD или дори 4K.
Gemini Omni 1.2 Flash стана общодостъпен веднага чрез Gemini API, Google Cloud Vertex AI, корпоративната платформа Gemini и Google Vids. Важно е обаче да се подчертае, че за достъп е необходим поне абонамент Google AI Pro, а планът AI Ultra осигурява по-широки възможности за използване. Gemini Omni 1.1 Flash ще бъде изцяло изведен от употреба, но Google предвижда преходен период от няколко седмици, за да могат всички да преминат безпроблемно към новия модел.






























