Gemini Omni 1.2 Flash: 15 mp-es videó, 30%-kal olcsóbban

Mi változott?

A Google DeepMind ma kiadta a Gemini Omni 1.2 Flash videómodellt. A klipek natívan 15 másodpercesek lehetnek (az 1.1-nél 10 volt), a hossz 3 és 15 másodperc között másodpercre pontosan állítható. Az ár 30%-kal csökkent az Omni 1.1-hez képest: 720p videónál 0,07 dollár másodpercenként.

A modell most először általánosan elérhető (GA) a Gemini API-n és a Google Cloudon, Provisioned Throughput is van hozzá. A kimenetekben láthatatlan SynthID vízjel van.

Szerkesztés chatben, jobb referenciakövetés

Az egyik legpraktikusabb újdonság a többkörös, beszélgetéses szerkesztés: ugyanazt a klipet lépésenként lehet módosítani (termékcsere, háttér, fények, időjárás, képarány), nem kell újragenerálni az egészet. Ez a teljes 15 másodperces klipen működik.

Referenciaként karakter, termék vagy stílus kép, legfeljebb 3 másodperces mozgásklip és hangminta is megadható. A Google szerint az arcok, ruhák, csomagolás tipográfiája és a márkaszínek a kameraszögek között is stabilak maradnak, kevesebb a morfolás és a vágás nélküli kameramozgásnál is kevesebb a nem kívánt jump cut. A beszéd természetesebb, jobb a lip sync, illetve több beszélő is külön hangot kaphat.

Miért számít?

A költségoldali workflow a lényeg: vázlat 360p vagy 720p felbontásban, javítás follow-up szerkesztéssel, a legjobb verzió pedig felskálázható 1080p vagy 4K felbontásra. Ez reklám- és termékvideós pipeline-oknál érezhetően csökkenti a próbálkozások árát.

A Google maga is jelzi a korlátokat: a gyors sportmozgás, a hirtelen forgatókönyv-váltás és a bonyolult fizika még fejlesztés alatt áll. Kipróbálni a Google AI Studióban lehet, a modell a Flow, a Google Vids, a Gemini app (Ultra előfizetőknek) és a Google Ads felületein is megjelenik.