A Google bevezeti a Gemini Omni 1.2 Flash modellt, amely mostantól általánosan elérhető a Gemini API és a Gemini for business szolgáltatásokon keresztül. Az új verzió natív 15 másodperces videógenerálást, többlépcsős (multi-turn) konverzációs szerkesztési lehetőségeket és jobb referencia-követést hoz. A cég 30%-kal csökkentette az árat a Gemini Omni 1.1-hez képest: 720p videó esetén az új díj 0,07 USD/másodperc.
Mire jó ez és mi változott?
- Hosszabb, natív klipek: az Omni 1.2 Flash mostantól natívan képes 3–15 másodperces videókat előállítani, egy másodperces lépésekben pontosan megadható tartamokkal. Ez korábban Omni 1.1-ben legfeljebb 10 másodperc volt.
- Gyors és költséghatékony munkafolyamat: tervezéshez lehetőséget ad a gyors draftolásra 360p vagy 720p felbontáson, majd részletes javításokra következő szerkesztéssel a teljes újragenerálás helyett, és a legjobb klipek később felskálázhatók 1080p-re vagy 4K-ra.
- Ár: a 720p videók ára 0,07 USD/másodperc, ami 30%-os csökkenés az Omni 1.1-hez képest.
Referencia-hűség és következetesség
Gemini Omni 1.2 Flash javítja az olyan részletek megtartását, mint arcok, ruházat, csomagolás tipográfia és márkaszínek különböző kameranézetek között. Lehetőség van karakter-, termék- vagy stílusképeket, rövid mozgóklippeket (legfeljebb 3 másodperc) és hangreferenciákat kombinálni, és a modell ezekhez a bemenetekhez hűen tartja magát a teljes klipeken át.
Konkrét példák a cikk szerint:
- Egy modellfotó és több ruháról készített elő- és hátulfelvétel kombinálásával a rendszer egy 15 másodperces virtuális "try-on" folyamatot generál, megtartva a modell identitását és a ruhák szabását, esését, hátoldali részleteit.
- Réteges animációs promptoknál az Omni 1.2 Flash rétegről rétegre építi fel a jelenetet, és végig következetesen rögzíti az anyagokat, árnyékokat és tipográfiai részleteket.
Mozgás, vágásmentesség és filmes kontroll
A modell jobb folytonos kameramozgást és kevesebb nem kívánt ugróvágást eredményez, stabilabb skálázással és filmes megjelenéssel. Lehetőség van komplex, folyamatos FPV jellegű repülésekre, drámai kitekintésekre és körmozgásokra úgy, hogy a jump cut-ok ritkábbak, és a kameraútvonalak egybefüggőbbek.
Többlépcsős, konverzációs szerkesztés
A felhasználók ugyanazon klipet többször, lépésenként finomíthatják: háttér vagy termék cseréje, világítás vagy időjárás módosítása, illetve képarány váltása lehetséges anélkül, hogy az egész klipet újragenerálnák. Ez különösen hasznos hirdetésvariánsok létrehozásánál.
Természetesebb beszéd és többszereplős dialógusok
A Gemini Omni 1.2 Flash képes folyékonyabb, természetesebb hangzású párbeszédeket létrehozni, javított ajakszinkronnal és többbeszélős kondicionálással, ami hasznos többkarakteres jeleneteknél, magyarázó videóknál és professzionális avatáros produkcióknál.
Klipek és mozgáskezelés: példák
A forrásleírás szerint az Omni 1.2 Flash több valósidejű esetet is jobban kezeli:
- 15 másodperces klipek, amelyek megtartják a karaktereket, szöveget és kameramozgásokat több átmeneten keresztül vágás nélkül.
- Többlépcsős mozgástranszfer: az első körben felbukkanó mozgás (pl. hullámzó polip) a következő körben egy táncos ruhájában jelenik meg ugyanazzal a folyó dinamikával.
- Első és utolsó keret közti következetesség: külső indító és belső záró képkockát összekötő folytonos kameratolásnál 1.2 jobban tartja a részleteket, mint 1.1.
Használat és bevezetés
- Általánosan elérhető: Gemini Omni 1.2 Flash mostantól általánosan elérhető a Gemini API és a Gemini for business révén, és a bemutatott kimenetek mögött Google Cloud vállalati infrastruktúra és biztonság áll.
- Provisioned Throughput elérhető, és a kimenetek egy érzékelhetetlen SynthID vízjellel érkeznek.
Hol kezdhetik el:
- Fejlesztők a Gemini API-n keresztül: prototípus-készítés Google AI Studioban, interaktív starter appok és fejlesztői dokumentáció és árképzés elérhető.
- Vállalatok: a Google Cloud konzolon kipróbálható, és vállalati megoldások építhetők az API-val.
- Google-termékek felhasználói: Flow-ban jelenetszerkesztés és többlépcsős szerkesztés; Google Vids-ben 15 másodperces klipek további költség nélkül Google-fiókkal vagy Google Workspace-el; Gemini alkalmazásban 15 másodperces videók (bevezetés a Google AI Ultra előfizetőknek); és skálázás Google Ads kampányokhoz.
Fejlesztési fókuszok továbbra is
A Google jelezte, hogy a fejlesztés folytatódik, különösen gyors sportmozgások, gyors forgatókönyv-változtatások és összetett fizikai szimulációk terén, de az Omni 1.2 Flash már most jól használható üzleti, fejlesztői és kreatív videógyártási feladatokra nagy volumenben.
Fontos számok és tények összefoglalva
- Modell: Gemini Omni 1.2 Flash
- Elérhetőség: általánosan elérhető a Gemini API és Gemini for business
- Ár: 0,07 USD/másodperc 720p-re (30% árcsökkentés az Omni 1.1-hez képest)
- Maximális natív kliphossz: 15 másodperc (korábban 10 másodperc)
- Tartam beállítási lépés: 1 másodperc (3–15 mp)
- Rövid motion referencia: legfeljebb 3 másodperces mozgóklip
- Kimeneti vízjel: imperceptible SynthID
- Infrastruktúra: Google Cloud vállalati infrastruktúra, Provisioned Throughput elérhető
A fenti funkciók és változtatások a Google által a bejelentésben részletezett példákon és alkalmazási eseteken alapulnak.
