La sfârșitul lunii August, Google a prezentat modelul Gemini Omni 1.1 Flash, care a adus progrese semnificative față de modelul Omni anterior. Acum instrumentul a primit încă o actualizare amplă. A sosit Omni 1.2 Flash, cel mai bun model multimodal pentru creare video oferit până acum de Google DeepMind.
O noutate importantă a modelului Gemini 1.1 Flash a fost posibilitatea de a îmbina succesiv mai multe secvențe de 10 secunde pentru a crea scene de până la 40 secunde. Omni 1.2 Flash permite generarea dintr-o singură dată a unor videoclipuri de 15 secunde, cu 50% mai lungi, păstrând și posibilitatea de extindere.
Utilizatorii pot acum să creeze și să editeze videoclipuri cu durate cuprinse între 3 și 15 secunde. Până acum durata videoclipurilor generate nu putea fi modificată, dar Gemini Omni oferă mai multă flexibilitate în această privință. Durata poate fi setată cu ajutorul unui cursor simplu, în pași de o secundă.
Omni 1.2 Flash păstrează mai bine aspectul personajelor și al obiectelor, precum și coerența fizică a decorului în timpul mișcărilor camerei și al tranzițiilor rapide. Astfel sunt reduse la minimum instabilitatea imaginii și deformările nenaturale ale formelor, caracteristice videoclipurilor generate cu AI. Sistemul leagă în mod fiabil primul cadru de ultimul și adaugă la fel de bine scene suplimentare unei înregistrări existente, fără să modifice trăsăturile personajelor sau decorul.
Actualizarea acordă o atenție deosebită utilizării comerciale și publicitare, ceea ce nu surprinde deloc în cazul Google. Gemini Omni 1.2 Flash poate combina fotografii existente cu personaje, produse sau referințe de stil cu mostre video scurte, chiar și de 3 secunde, precum și cu semnale audio. Sistemul păstrează detaliile hainelor și ale altor produse, inscripțiile de pe ambalaje și culorile exacte ale mărcilor chiar și atunci când se schimbă unghiul camerei. Aceste capacități îl fac ideal și pentru cabine de probă virtuale sau prezentări de produse la 360 grade.
Dacă modelul nu înțelege din prima ce dorea utilizatorul, nu este nici o problemă: generarea nu trebuie reluată de la zero pentru a modifica înregistrarea. Prin instrucțiuni text suplimentare și simple introduse în chat, utilizatorii pot înlocui direct produsul sau decorul din fundal, pot modifica iluminarea ori condițiile meteo sau pot schimba raportul de aspect pentru întregul videoclip.
Sincronizarea audiovizuală face un pas mare înainte, imaginea și sunetul urmând să se potrivească mult mai natural. Nu este vorba doar despre sincronizare, ci și despre adaptarea mai bună a sunetului la stilul scenei. Un videoclip poate include acum mai multe piste audio separate și mai multe persoane care vorbesc. Instrumentul generează replicile personajelor pe piste distincte.
Modelul folosește infrastructura și sistemele de securitate Google Cloud destinate companiilor. Google a subliniat că toate videoclipurile generate vor primi SynthID, filigranul dezvoltat intern și acceptat pe scară largă. Astfel platformele vor putea eticheta automat conținutul creat cu AI pentru a preveni și a combate abuzurile.
Optimizările tehnologice au redus semnificativ costul utilizării Gemini Omni 1.2 Flash. Costul generării video a scăzut cu 30% față de nivelul anterior. Generarea la rezoluție HD 720p costă acum doar 0,07 dolari pe secundă. Compania spune că oferă mai multe instrumente pentru creșterea eficienței. De exemplu, se pot genera rapid și ieftin variante preliminare chiar și la 360p. După obținerea rezultatului dorit, materialul poate fi adus prin upscaling la calitate Full HD sau chiar 4K.
Gemini Omni 1.2 Flash a devenit imediat disponibil pentru toți utilizatorii eligibili prin Gemini API, Google Cloud Vertex AI, platforma Gemini pentru companii și interfața Google Vids. Accesul necesită însă cel puțin un abonament Google AI Pro, iar pachetul AI Ultra oferă posibilități mai ample de utilizare. Gemini Omni 1.1 Flash va fi retras complet, dar Google acordă o perioadă de tranziție de câteva săptămâni pentru ca toți utilizatorii să poată trece fără probleme la modelul nou.
