Google Gemini Omni 1.2 Flash подовжує AI-відеокліпи до 15 секунд і знижує ціну на 30 відсотків

Google DeepMind робить свою модель відеогенерації Gemini Omni 1.2 Flash загальнодоступною. Оновлена модель може створювати кліпи тривалістю до 15 секунд, підтримує розмовне редагування і коштує на 30 відсотків дешевше за попередника. Кожне згенероване відео також має непомітний водяний знак SynthID.

Доступність і ціни

Google каже, що Gemini Omni 1.2 Flash розгортається через Gemini API, Google AI Studio, Google Cloud Console, Flow, Google Vids, додаток Gemini для передплатників Google AI Ultra та Google Ads. Кліпи тепер можуть тривати від трьох до 15 секунд замість попереднього максимуму в 10 секунд. Ціна знижується на 30 відсотків до $0.07 за секунду для відео 720p.

Розмовне редагування

Згенеровані кліпи можна редагувати в межах постійної розмови. Користувачі можуть поступово змінювати згенерований кліп, змінюючи фон, освітлення або співвідношення сторін без повторного генерування всього кліпу. Google каже, що це працює на всій довжині 15 секунд. У поєднанні з багаторівневим робочим процесом функція має зменшити витрати: спочатку чернетки створюються в 360p або 720p, окремі деталі виправляються наступним редагуванням, а лише кінцевий результат масштабується до 1080p або 4K.

Дотримання еталонів і узгодженість

Google також обіцяє значно краще дотримання еталонів. Модель може приймати як вхідні дані зображення персонажів, фотографії продуктів, короткі рухомі кліпи тривалістю до трьох секунд і звукові підказки. Обличчя, одяг, типографіка на упаковці та кольори брендів мають залишатися узгодженими під різними кутами камери. Як приклад, Google показує кліп віртуальної примірки: з однієї фотографії моделі та знімків трьох комплектів одягу модель генерує 15-секундну послідовність з поворотами на 360 градусів, зберігаючи ідентичність моделі та крій і драпіровку кожного виробу. Загальна візуальна узгодженість, за словами компанії, також покращилася: менше візуального дрейфу або морфінгу під час руху та переходів камери, ніж у попередника.

Аудіо та рух камери

Крім того, Gemini Omni 1.2 Flash має створювати більш плавні, природніше звучні діалоги з чіткішою синхронізацією губ і здатністю розрізняти кількох мовців. Модель також обробляє складні безперервні рухи камери, такі як польоти FPV-дронів або драматичні віддалення камери, зі значно меншою кількістю небажаних стрибків монтажу.

Джерела: The Decoder