Google-ի Gemini Omni 1.2 Flash-ը AI տեսահոլովակները երկարացնում է մինչև 15 վայրկյան և գները իջեցնում 30 տոկոսով

Google DeepMind-ը իր Gemini Omni 1.2 Flash տեսահոլովակ ստեղծող մոդելը ընդհանուր հասանելիություն է տալիս։ Թարմացված մոդելը կարող է ստեղծել մինչև 15 վայրկյան տևողությամբ հոլովակներ, աջակցում է զրուցային խմբագրմանը և արժե 30 տոկոսով պակաս, քան նախորդը։ Յուրաքանչյուր ստեղծված տեսանյութ նաև կրում է աննկատ SynthID ջրանշան։

Հասանելիություն և գնագոյացում

Google-ը ասում է, որ Gemini Omni 1.2 Flash-ը տարածվում է Gemini API-ի, Google AI Studio-ի, Google Cloud Console-ի, Flow-ի, Google Vids-ի, Google AI Ultra բաժանորդների համար նախատեսված Gemini հավելվածի և Google Ads-ի միջոցով։ Հոլովակները այժմ կարող են տևել երեքից մինչև 15 վայրկյան, նախկին առավելագույն 10 վայրկյանի փոխարեն։ Գները իջնում են 30 տոկոսով և դառնում են $0.07՝ մեկ վայրկյանի համար, 720p տեսանյութի դեպքում։

Զրուցային խմբագրում

Ստեղծված հոլովակները կարելի է խմբագրել շարունակական զրույցի միջոցով։ Օգտատերերը կարող են քայլ առ քայլ փոփոխել հոլովակը՝ փոխելով ֆոնը, լուսավորությունը կամ կողմերի հարաբերակցությունը առանց ամբողջ հոլովակը նորից ստեղծելու։ Google-ը ասում է, որ դա աշխատում է ամբողջ 15 վայրկյանի տևողությամբ։ Զուգորդված աստիճանական աշխատանքային հոսքի հետ՝ հատկանիշը պետք է իջեցնի ծախսերը։ Նախ սևագրերը ստեղծվում են 360p կամ 720p որակով, առանձին մանրամասները շտկվում են հաջորդ խմբագրմամբ, և միայն վերջնական արդյունքը բարձրացվում է 1080p կամ 4K որակի։

Հղման համապատասխանություն և հետևողականություն

Google-ը նաև խոստանում է զգալիորեն ավելի լավ հղման համապատասխանություն։ Մոդելը կարող է որպես մուտքային տվյալ ընդունել կերպարների պատկերներ, ապրանքների լուսանկարներ, մինչև երեք վայրկյան տևողությամբ կարճ շարժող հոլովակներ և ձայնային ազդանշաններ։ Դեմքերը, հագուստը, փաթեթավորման տպատառը և բրենդի գույները պետք է մնան հետևողական տարբեր տեսախցիկի անկյուններում։ Որպես օրինակ՝ Google-ը ցույց է տալիս վիրտուալ հագուստի փորձարկման հոլովակ. Մեկ մոդելի լուսանկարից և երեք հագուստի արտադրանքային լուսանկարներից մոդելը ստեղծում է 15 վայրկյան տևողությամբ հաջորդականություն՝ 360 աստիճանի շրջադարձերով, միևնույն ժամանակ պահպանելով մոդելի ինքնությունը և յուրաքանչյուր հագուստի կտրվածքն ու ընկնելը։ Ըստ Google-ի՝ ընդհանուր տեսողական հետևողականությունը նույնպես բարելավվել է, և շարժման ու տեսախցիկի անցումների ընթացքում տեսողական սայթաքումը կամ ձևափոխումը պակաս է, քան նախորդի դեպքում։

Ձայն և տեսախցիկի շարժում

Դրանից բացի՝ Gemini Omni 1.2 Flash-ը պետք է ապահովի ավելի հոսուն, բնական հնչողությամբ երկխոսություն՝ ավելի պարզ շուրթերի համաժամեցմամբ և մի քանի խոսողներին տարբերակելու կարողությամբ։ Մոդելը նաև մշակում է բարդ, շարունակական տեսախցիկի շարժումներ, ինչպիսիք են FPV դրոնի թռիչքները կամ դրամատիկ հեռացող զումը, զգալիորեն ավելի քիչ անցանկալի անցումային կտրվածքներով։

Աղբյուրներ՝ The Decoder