Gemini Omni 1.2 Flash: Δημιουργία AI video 15 δευτερολέπτων με 30% μικρότερο κόστος

Σύνοψη

• Το μοντέλο δημιουργεί πλέον βίντεο διάρκειας έως και 15 δευτερολέπτων, αποτελώντας ένα από τα βασικότερα αιτήματα των δημιουργών.
• Το κόστος χρήσης έχει μειωθεί κατά 30% σε σύγκριση με το Omni 1.1, φτάνοντας τα $0.07 ανά δευτερόλεπτο για ανάλυση 720p.
• Προσφέρει προηγμένη επεξεργασία μέσω διαλόγου (conversational editing), επιτρέποντας στοχευμένες αλλαγές χωρίς την ανάγκη δημιουργίας του βίντεο από την αρχή.
• Η τεχνολογία ενσωματώνεται άμεσα στα Google Vids, το Gemini for business και παρέχεται στους προγραμματιστές μέσω API.

Η Google προχώρησε στην επίσημη διάθεση του Gemini Omni 1.2 Flash, του προηγμένου παραγωγικού μοντέλου τεχνητής νοημοσύνης που εστιάζει αποκλειστικά στη δημιουργία και επεξεργασία βίντεο επαγγελματικών προδιαγραφών. 

Η νέα έκδοση σχεδιάστηκε με γνώμονα τις ανάγκες των επιχειρήσεων, των δημιουργών περιεχομένου και των προγραμματιστών, προσφέροντας ένα σύνολο εργαλείων που βελτιστοποιούν δραστικά τον χρόνο και τους πόρους που απαιτούνται για την παραγωγή οπτικοακουστικού υλικού υψηλής ποιότητας. Η ενσωμάτωση της τεχνολογίας στο οικοσύστημα του Google Cloud και του Google Workspace σημαίνει ότι οι χρήστες αποκτούν άμεση πρόσβαση σε υπερσύγχρονες λειτουργίες μέσα από τα περιβάλλοντα εργασίας που χρησιμοποιούν ήδη καθημερινά.

Η σημαντικότερη αναβάθμιση που φέρνει το Gemini Omni 1.2 Flash αφορά την επέκταση της διάρκειας των παραγόμενων βίντεο, καθώς πλέον υποστηρίζεται η δημιουργία κλιπ διάρκειας έως και 15 δευτερολέπτων, έναντι των 10 δευτερολέπτων που προσέφερε η προηγούμενη έκδοση. Αυτή η επέκταση δίνει στους δημιουργούς τον απαραίτητο χρόνο για να αναπτύξουν ολοκληρωμένες αφηγήσεις, να παρουσιάσουν προϊόντα με μεγαλύτερη λεπτομέρεια ή να δημιουργήσουν διαφημιστικά σποτ έτοιμα για ανάρτηση στα κοινωνικά δίκτυα, όλα μέσα από μία μόνο εντολή.

Παράλληλα, η εταιρεία έχει προχωρήσει σε μια επιθετική τιμολογιακή πολιτική μειώνοντας το κόστος χρήσης κατά 30% σε σχέση με το Omni 1.1, διαμορφώνοντας την τιμή στα $0.07 ανά δευτερόλεπτο για παραγωγή βίντεο ανάλυσης 720p. Το χαμηλότερο κόστος σε συνδυασμό με την επιλογή αρχικής δημιουργίας σε χαμηλότερη ανάλυση (360p ή 720p) και τη μετέπειτα αναβάθμιση των καλύτερων κλιπ σε 1080p ή 4K, καθιστά την πλατφόρμα ιδανική για μαζική παραγωγή υλικού.

Ιδιαίτερη έμφαση έχει δοθεί στη σταθερότητα και τη συνοχή του παραγόμενου αποτελέσματος. Το Gemini Omni 1.2 Flash επιδεικνύει εξαιρετική ικανότητα στο να ακολουθεί τις οδηγίες του χρήστη όταν του παρέχονται εικόνες χαρακτήρων, προϊόντων, σύντομα βίντεο ή ηχητικά αποσπάσματα ως υλικό αναφοράς. Τα χαρακτηριστικά των προσώπων, τα ενδύματα, η τυπογραφία στις συσκευασίες και τα χρώματα των brands παραμένουν απόλυτα σταθερά κατά τη διάρκεια της κίνησης και των αλλαγών στις γωνίες λήψης, ελαχιστοποιώντας το φαινόμενο της οπτικής παραμόρφωσης που συχνά ταλαιπωρεί τα εργαλεία τεχνητής νοημοσύνης. Αυτή η ακρίβεια επιτρέπει τη μετατροπή απλών φωτογραφιών προϊόντων σε δυναμικά βίντεο περιστροφής καταλόγου ή εικονικής δοκιμής (virtual try-ons) με ρεαλιστική απόδοση.

Η διαδικασία της επεξεργασίας αποκτά πρωτοφανή ευελιξία χάρη στη λειτουργία του conversational editing. Αντί να ξεκινάει τη δημιουργία από το μηδέν όταν απαιτείται μια διόρθωση, ο χρήστης μπορεί να συνομιλήσει με το μοντέλο και να ζητήσει στοχευμένες αλλαγές στο υπάρχον κλιπ, όπως την αντικατάσταση ενός προϊόντος, την αλλαγή του φωτισμού, την τροποποίηση του καιρού στο παρασκήνιο ή την αλλαγή της αναλογίας διαστάσεων (aspect ratio). Αυτή η επαναληπτική διαδικασία εφαρμόζεται απρόσκοπτα σε ολόκληρα τα βίντεο των 15 δευτερολέπτων, διευκολύνοντας δραματικά την παραγωγή πολλαπλών παραλλαγών μιας διαφήμισης για διαφορετικά κοινά στόχους και πλατφόρμες. Εξίσου εντυπωσιακή είναι η βελτίωση στην παραγωγή ομιλίας, με το σύστημα να παράγει ρευστούς διαλόγους, σαφή συγχρονισμό των χειλιών (lip-sync) και ξεκάθαρο διαχωρισμό όταν συμμετέχουν πολλαπλοί ομιλητές, κάτι που αποδεικνύεται πολύτιμο κατά τη δημιουργία επεξηγηματικών βίντεο στο Google Vids.

Στο κομμάτι της σκηνοθεσίας, το μοντέλο προσφέρει κινηματογραφικό έλεγχο στις κινήσεις της κάμερας, επιτρέποντας πολύπλοκες λήψεις όπως σαρωτικές πτήσεις (FPV flythroughs), δραματικά zoom-outs και κυκλικές τροχιές, με σταθερή κλίμακα και απουσία ανεπιθύμητων jump cuts. Ήδη, κορυφαίες πλατφόρμες δημιουργίας περιεχομένου όπως το Runway, το Picsart, το Photoroom, η Krea και το invideo ενσωματώνουν τις δυνατότητες του Gemini Omni 1.2 Flash απευθείας στα δικά τους συστήματα, επιτρέποντας στους χρήστες τους να επωφεληθούν από την αυξημένη ταχύτητα και την ακρίβεια που προσφέρει το μοντέλο. Για την προστασία των πνευματικών δικαιωμάτων και την αποφυγή παραπληροφόρησης, όλα τα παραγόμενα βίντεο φέρουν ένα ανεπαίσθητο υδατογράφημα SynthID της εταιρείας.