A Google augusztus végén rántotta le a leplet a Gemini Omni 1.1 Flash modellről, ami jelentős fejlődést hozott a korábbi Omni modellt követően. Most pedig egy újabb átfogó frissítést kapott ez az eszköz, és megérkezett az Omni 1.2 Flash, a Google DeepMind eddigi legjobb multimodális videókészítő modellje.
A Gemini 1.1 Flash lényeges újítása volt, hogy a 10 mp-es szeletekből képessé vált többet egymás után többet összefűzni, és így akár 40 mp-es jelenetek alkotását is lehetővé tette. Nos, az Omni 1.2 Flash használatával pedig már 50%-kal hosszabb, 15 másodperces videók is létrehozhatók egyben, és megmaradt a kiterjesztési lehetőség is.
Ugyancsak lényeges újítás, hogy a felhasználók mostantól 3 és 15 másodperc közötti hosszúságú videókat hozhatnak létre és szerkeszthetnek. Eddig nem lehetett manipulálni a generált videók hosszát, innentől viszont ebben sokkal rugalmasabb lesz a Gemini Omni. A videók hosszának beállítása egy egyszerű csúszkával oldható meg, másodperces léptékben.
Az Omni 1.2 Flash még stabilabban őrzi meg a szereplők és a tárgyak megjelenését, valamint a háttérkörnyezet fizikai állandóságát a kameramozgások és gyors átvezetések során, minimálisra csökkentve a mesterséges intelligenciával generált videókra jellemző képi elcsúszást és a formák természetellenes torzulását. A rendszer megbízhatóan köti össze az első és az utolsó képkockát, és ugyanilyen jól fűz hozzá újabb jeleneteket egy meglévő felvételhez anélkül, hogy a szereplők arcvonásai vagy a környezet megváltoznának.
A frissítés kiemelt figyelmet fordít a kereskedelmi és reklámcélú felhasználásra, a Google-ről lévén szó, ez egyáltalán nem meglepő. A Gemini Omni 1.2 Flash képes meglévő karakter-, termék- vagy stílusfotókat, valamint rövid, akár 3 másodperces mozgóképes mintákat és audiojeleket kombinálni. A rendszer a kameraállások változása közben is megőrzi a ruházat és egyéb termékek részleteit, a csomagolások feliratait és a pontos márkaszíneket, ami ideálissá teszi virtuális próbafülke funkcióhoz vagy 360 fokos termékbemutatókhoz is.
Nem találja el elsőre a Gemini Omni 1.2 Flash, hogy mit szeretett volna az ember? Semmi gond, a felhasználóknak nem kell elölről kezdeniük a generálást, ha módosítani szeretnének a felvételen. A csevegőben kiadott további egyszerű szöveges utasításokkal közvetlenül lecserélhetik a háttérben lévő terméket vagy környezetet, módosíthatják a megvilágítást, átállíthatják az időjárási viszonyokat, vagy megváltoztathatják a képarányt az egész videónál.
Az audiovizuális szinkronizáció terén a Gemini Omni 1.2 Flash nagy lépést tesz előre, sokkal természetesebben fog egymáshoz igazodni a kép és a hang. Nemcsak a szinkronra kell már itt gondolni, hanem arra is, hogy a jelenet stílusához jobban igazítja a modell a hangzást. Továbbá egy videóban már több különálló hangsáv is megjelenhet, és többen beszélhetnek, a szereplők szövegét pedig külön sávokban hozza létre az eszköz.
A Gemini Omni 1.2 Flash modellt a Google Cloud vállalati szintű infrastruktúrája és biztonsági rendszere szolgálja ki. A cég azt is hangsúlyozta, hogy a generált videók minden esetben megkapják majd a saját fejlesztésű, de általánosan elfogadott vízjelét, a SynthID-t. Ennek köszönhetően a különböző platformok képesek lesznek automatikusan felcímkézni az MI-vel létrehozott tartalmakat a visszaélések megelőzése, kezelése érdekében.
A technológiai optimalizációnak köszönhetően a Gemini Omni 1.2 Flash lényegesen olcsóbbá vált. A videógenerálás költsége a korábbi szintekhez képest 30 százalékkal csökkent. Másodpercenként már csak 0,07 dollárba kerül az új eszközzel dolgozni 720p HD felbontás alkalmazása mellett. A cég elmondta, hogy több eszközt nyújt a hatékonyság fokozására, például lehet akár 360p-ben is vázlatokat gyártani gyorsan és olcsón, majd amikor megvan a megfelelő anyag, akkor az felskálázható Full HD vagy akár 4K minőségre.
A Gemini Omni 1.2 Flash azonnal általánosan elérhetővé vált a Gemini API-n, a Google Cloud Vertex AI-on, a vállalati Gemini platformon, valamint a Google Vids felületén. Fontos azonban azt kiemelni, hogy minimum a Google AI Pro előfizetésre van szükség az eléréshez, de az AI Ultra csomag mellett nyújt nagyobb mozgásteret. A Gemini Omni 1.1 Flash teljesen kivezetésre kerül, de hagy a Google néhány hetes átmeneti időszakot, hogy mindenki zavartalanul tudjon váltani.
