Google обяви на 5 ноември, че видео моделът Gemini Omni 1.2 Flash става общодостъпен през Gemini API и Gemini for business. Това означава, че разработчици и компании вече могат да го използват в работните си процеси за създаване на видео съдържание, а не само да го виждат в демонстрации.

По-дълги клипове на по-ниска цена

В официална публикация в блога си Google посочва, че новата версия генерира и редактира видеа с продължителност до 15 секунди. Дължината може да се задава на стъпки от 1 секунда, в диапазона от 3 до 15 секунди. При предишния модел, Gemini Omni 1.1, лимитът е бил 10 секунди.

Компанията е обявила цена от 0,07 щ.д. на секунда за видео в 720p, която според нея е с 30% по-ниска от тази за Omni 1.1. Важно е да се уточни, че това е тарифа за използване на модела през API и бизнес платформата, а не обявена цена за масов потребителски абонамент в приложението Gemini.

Редакция без ново генериране от нулата

Google описва работен процес, който според компанията пести разходи. Потребителят първо създава бърза чернова в 360p или 720p, след това иска конкретни промени с текстова заявка, вместо да генерира целия клип наново, и накрая повишава качеството до 1080p или 4K. Чрез последователни текстови заявки могат да се сменят фонът, осветлението, атмосферните условия или съотношението на кадъра в целия 15-секунден клип.

Екип преглежда кадри и продуктови снимки за видео рекламаГенерирано с AI
Екип преглежда кадри и продуктови снимки за видео реклама

Според картата на модела на DeepMind той приема текст, изображения, аудио и видео като вход и извежда видео със звук. Google твърди още, че персонажите, продуктите и визуалният стил се запазват по-последователно между кадрите, а речта и синхронът на устните звучат по-естествено. Тези конкретни подобрения обаче са оценка на самата компания, без независимо сравнение в наличните материали.

Google признава и ограничения. Моделът все още трудно се справя с бързо спортно действие, резки промени в сценария и сложна физика. В картата на модела компанията уточнява също, че възможността Omni 1.2 Flash да променя речта на реални хора засега е ограничена, докато екипът не прецени как да я пусне безопасно.

Достъпност в България

Платформата Google Flow, през която потребителите могат да създават и редактират сцени с модела, е посочена като налична в България, а българският е сред поддържаните езици. Google обаче препоръчва заявките да са на английски за най-добро качество на резултата. В приложението Gemini 15-секундните клипове се разпространяват поетапно и засега са предвидени за абонати на Google AI Ultra. В Google Vids функцията е достъпна без допълнителна такса за потребители с акаунт в Google или абонамент за Workspace.