Google představil Gemini Omni 1.2 Flash: delší videa a nižší cena

Google představil model Gemini Omni 1.2 Flash, který generuje a upravuje video. O novince informoval 5. listopadu produktový manažer Google DeepMind Anish Nangia. Model se nasazuje v Gemini API, ve službě Gemini for business a v dalších službách společnosti. Oproti verzi Omni 1.1 přináší delší klipy, nižší cenu a širší možnosti práce s referenčními materiály.

Nejviditelnější změnou je maximální délka videa, která se prodloužila z dosavadních 10 na 15 sekund. Uživatelé ji mohou nastavovat po jednotlivých sekundách v rozmezí od 3 do 15 sekund. Zároveň Google snížil cenu o 30 procent. U videa v rozlišení 720p nyní stojí generování 0,07 dolaru za sekundu.

Model umožňuje nejprve vytvořit náhled, takzvaný draft, a to v rozlišení 360p nebo 720p. Teprve výsledek, který tvůrci vyhovuje, lze následně převést na 1080p nebo 4K pomocí upscalingu. Díky tomu se podle Googlu snižují náklady při zkoušení různých variant.

Rozšířila se také podpora referencí. Model dokáže pracovat s postavami, produkty, vizuálním stylem, krátkými pohybovými klipy o délce až tři sekundy i se zvukovými podněty. Nově je k dispozici vícekolová konverzační editace, kdy lze klipy v plné délce 15 sekund upravovat postupně v dialogu s modelem, místo aby se video generovalo pokaždé od začátku.

Google zdůrazňuje zlepšenou konzistenci postav, objektů i celé scény od prvního po poslední snímek. Zlepšení se týká také zvuku: řeč má znít přirozeněji, synchronizace rtů je přesnější a model zvládá zadání s více řečníky. Pokud jde o kamerové pohyby, vzniká podle společnosti méně nežádoucích střihů typu jump cut a změny měřítka jsou plynulejší.

Jako ukázky využití Google uvádí například 15sekundovou virtuální zkoušku oblečení nebo reklamní varianty téhož spotu s různými pozadími. Další příklad představuje plynulý let FPV dronu k římskému Pantheonu, který model vytvořil na základě dvou architektonických referenčních snímků.

Model je obecně dostupný v Gemini API a v Google Cloud, kde je k dispozici i služba Provisioned Throughput, tedy vyhrazená kapacita pro náročnější nasazení. Všechny výstupy obsahují neviditelný vodoznak SynthID, kterým Google označuje obsah vytvořený umělou inteligencí.

Omni 1.2 Flash se objevuje i v řadě dalších produktů. Vývojáři jej najdou v Google AI Studiu a v konzoli Google Cloud, tvůrci ve službě Flow. Ve Google Vids mohou uživatelé generovat 15sekundové klipy bez dodatečných poplatků. Do aplikace Gemini se model zavádí postupně a v první fázi je určen předplatitelům tarifu Google AI Ultra. Nástroj se dostává také do reklamní platformy Google Ads.

Google tak rozšiřuje nabídku generativního videa, a to jak pro jednotlivé tvůrce, tak pro firmy. Nižší cena a možnost levně ověřovat nápady v náhledech by měly usnadnit například tvorbu reklamních variant. Prodloužení klipů na 15 sekund a konverzační editace zase mají zjednodušit práci s delšími záběry bez nutnosti začínat pokaždé znovu.