Google uvedl Gemini Omni 1.2 Flash: videa až 15 sekund a o 30 % levněji

Google uvedl model Gemini Omni 1.2 Flash, který je od 5. listopadu obecně dostupný přes Gemini API a službu Gemini for business. O novince informoval ve svém příspěvku Anish Nangia, produktový manažer z Google DeepMind. Jde o další verzi modelu určeného k nativnímu generování a úpravě videa, tentokrát s delšími klipy, nižší cenou a řadou vylepšení v oblasti konzistence a práce s kamerou.

Nejviditelnější změnou je délka videa. Omni 1.2 Flash zvládne vytvořit nebo upravit klip dlouhý až 15 sekund, zatímco předchozí verze Omni 1.1 se zastavila na deseti. Délku lze nastavit po jedné sekundě v rozmezí od 3 do 15 sekund. Zlevnění se týká i samotného provozu: cena byla oproti verzi 1.1 snížena o 30 procent a činí 0,07 USD za sekundu videa v rozlišení 720p.

Pracovní postup počítá s rychlým náhledem. Uživatel si může video nejprve nechat vygenerovat v rozlišení 360p nebo 720p a teprve poté ho zvýšit na 1080p nebo 4K. Google tím míří na situace, kdy je potřeba rychle vyzkoušet více variant, aniž by se za každou z nich platilo plné rozlišení.

Podle Googlu se zlepšilo také dodržování referencí. Model má lépe pracovat s postavami, produkty i stylem a s podklady v podobě krátkých pohybových klipů do tří sekund nebo zvukových podnětů. Zároveň má být výsledek konzistentnější mezi jednotlivými záběry, a to od prvního do posledního snímku.

Novinkou je víceetapová konverzační úprava klipů. Hotové video je možné měnit postupně pomocí pokynů, například vyměnit produkt, pozadí, osvětlení nebo počasí či upravit poměr stran, a to bez nutnosti generovat celý klip znovu.

Vylepšení se dočkala i řeč. Omni 1.2 Flash má nabídnout plynulejší dialogy, přesnější synchronizaci rtů a schopnost rozlišit více mluvčích. U kamery model podle Googlu zvládá složitější souvislé pohyby s menším počtem střihů a stabilnějším měřítkem scény.

Model je k dispozici na několika místech. Vývojáři ho najdou v Gemini API, konkrétně v Google AI Studiu a v dokumentaci, dále v konzoli Google Cloud a v nástroji Flow. Nasazen je také v Google Vids, kde uživatelé s běžným účtem Google nebo předplatným Workspace mohou vytvářet 15sekundové klipy bez dodatečných nákladů. Do aplikace Gemini se model dostává postupně a nejprve pro předplatitele tarifu Google AI Ultra. Využít ho lze i v Google Ads.

Všechny výstupy nesou neviditelný vodoznak SynthID, který slouží k označení obsahu vytvořeného umělou inteligencí.

Google zároveň otevřeně uvádí, že některé oblasti zůstávají předmětem dalšího vývoje. Jde o rychlou sportovní akci, rychlé změny scénáře a složitou fyziku. U takových scén tedy mohou výsledky stále zaostávat za očekáváním.

Spuštění Omni 1.2 Flash navazuje na verzi 1.1 a podle zveřejněných údajů staví především na delších klipech, nižší ceně a pohodlnějším upravování. Pro firmy a tvůrce, kteří s generovaným videem pracují například při přípravě reklam nebo prezentací, může být důležitá zejména možnost měnit hotové záběry konverzačně, bez opakovaného generování od začátku.