Запуск Gemini Omni 1.2 Flash: Видео продолжительностью 15 секунд, снижение затрат и улучшенная согласованность

Gemini Omni 1.2 Flash представляет собой значительный прорыв в генерации видео с помощью ИИ, предлагая профессиональный уровень возможностей, которые являются одновременно высокодетализированными и значительно более экономически эффективными для крупномасштабного производства контента. Эта новая итерация внедряется в Gemini API, Google Vids и Gemini for business, делая продвинутое создание видео доступным для более широкого круга пользователей и отраслей.

По своей сути, Omni 1.2 Flash вводит нативную поддержку генерации видео продолжительностью до пятнадцати секунд, что является существенным увеличением по сравнению с десятисекундным лимитом, предлагавшим Omni 1.1. Эта увеличенная продолжительность критически важна для профессиональных рабочих процессов, позволяя создателям рассказывать полные истории, разрабатывать подробные объясняющие ролики о продуктах или производить полные рекламные ролики для социальных сетей в рамках одной непрерывной генерации. Кроме того, пользователи теперь имеют гранулярный контроль над длиной видео, указывая продолжительность с шагом в одну секунду от трех до пятнадцати секунд, что обеспечивает необходимую гибкость для структурирования сложных повествований.

Одной из самых преобразующих функций является внедрение многоходового диалогового редактирования. Ранее внесение корректировок часто требовало начинать весь процесс генерации с нуля, что было трудоемким и ресурсоемким. С этой новой возможностью пользователи теперь могут уточнять клипы посредством последующих диалогов. Это означает, что если создателю необходимо заменить продукт, изменить фоновую среду, скорректировать условия освещения или изменить соотношение сторон, он может сделать это пошагово. Это резко оптимизирует производственный конвейер, обеспечивая быстрое создание множества вариантов рекламы для разных аудиторий и мест размещения без необходимости обширного повторного брифинга или повторной генерации всей последовательности.

Помимо структурных улучшений, Omni 1.2 Flash может похвастаться значительно улучшенным соответствием референсам и консистентностью. Это особенно критично для коммерческих приложений, таких как виртуальная примерка или брендированная реклама. Модель теперь может направлять генерацию, комбинируя несколько входных данных — включая изображения персонажей, снимки продуктов, стилистические изображения, короткие видеоклипы (до трех секунд) и конкретные аудиоподсказки — и поддерживать эти детали безупречно от первого кадра до последнего. Например, при генерации 15-секундной последовательности виртуальной примерки в поворотах на 360 градусов модель может сохранять идентичность модели, специфический крой и драпировку каждой вещи, и даже детали спины, даже при комбинировании передних и задних снимков продукта. Такой уровень устойчивой консистентности минимизирует визуальный «дрейф» или «морфинг» при движениях камеры и переходах, что было общей проблемой в предыдущих моделях ИИ для видео.

Приверженность модели консистентности дополнительно демонстрируется в создании сложных сцен. Например, при сборке дизайна постера Omni 1.2 Flash может строить сцену последовательно, слой за слоем, гарантируя, что каждый материал, тень и типографическая деталь остаются зафиксированными и консистентными до финального кадра, даже при работе со сложными элементами, такими как граненый кристалл или спиралевидные буквенные формы. Эта надежность необходима для коммерческих и художественных проектов с высокими требованиями.

С технической и экономической точки зрения, выпуск очень выгоден. Google снизил цену на 30% по сравнению с Gemini Omni 1.1, сделав услугу доступной по цене $0,07 за секунду для видео в разрешении 720p. Это снижение затрат в сочетании с оптимизированным рабочим процессом позволяет профессионалам производить высококачественный видеоконтент за долю предыдущей стоимости. Сам рабочий процесс разработан для эффективности: пользователи могут быстро набросать первоначальные концепции в разрешении 360p или 720p, внести точные локализованные исправления с помощью многоходового редактирования, и только затем повысить разрешение лучших полученных клипов до таких высоких разрешений, как 1080p или 4K. Такой многоуровневый подход гарантирует эффективное использование вычислительных ресурсов, фокусируя высококачественную обработку только на финальном, отполированном результате.

Кроме того, модель улучшает возможности работы со звуком и характеристиками персонажей. Теперь пользователи могут генерировать сцены с более плавным, естественным диалогом и более четким синхронизацией губ. Система поддерживает отдельное многоговорящее кондиционирование (multi-speaker conditioning), позволяя направлять сэмпл голосов к правильным персонажам с естественным комедийным таймингом на протяжении всей 15-секундной анимированной сцены. Эта возможность жизненно важна для создания отполированных, профессиональных объясняющих роликов или видео с повествованием с несколькими персонажами. Значительно улучшена и способность направлять сложные, непрерывные движения камеры, такие как панорамные пролеты FPV или драматические отъезды (zoom-outs), что приводит к меньшему количеству нежелательных скачков кадра, более стабильному масштабу и в целом более отполированному, кинематографическому просмотру. В целом, Gemini Omni 1.2 Flash представляет собой смену парадигмы, превращая генерацию видео с помощью ИИ из новинки в надежный, масштабируемый и экономически жизнеспособный производственный актив для профессиональных креативных индустрий.