گوگل مدل Gemini Omni 1.2 Flash را با قابلیت تولید ویدیوهای طولانی‌تر معرفی کرد

گوگل از مدل جدید تولید ویدیوی خود با نام Gemini Omni 1.2 Flash رونمایی کرده است. این مدل در مقایسه با نسخه قبلی، ویدیوهای طولانی‌تری تولید می‌کند، کنترل خلاقانه بیشتری در اختیار کاربران قرار می‌دهد و هزینه تولید ویدئو را نیز کاهش می‌دهد. مهم‌ترین تغییر این نسخه، افزایش حداکثر مدت ویدیو از 10 ثانیه در نسخه 1.1 به 15 ثانیه است. کاربران می‌توانند مدت ویدیوی موردنظر خود را با فواصل یک‌ثانیه‌ای، از 3 تا 15 ثانیه، تعیین کنند.

گوگل همچنین قیمت تولید ویدیوی 720p را با کاهش 30 درصدی به 0.07 دلار به‌ازای هر ثانیه رسانده است. این تغییر می‌تواند استفاده از ابزارهای تولید ویدیوی هوش مصنوعی را برای توسعه‌دهندگان و کسب‌وکارها مقرون‌به‌صرفه‌تر کند.

امکان ویرایش ویدیو از طریق گفتگو

یکی از قابلیت‌های مهم Gemini Omni 1.2 Flash، امکان ویرایش چندمرحله‌ای ویدیو از طریق گفتگو (Multi-turn Conversational Editing) است. به کمک این قابلیت، کاربران می‌توانند پس از تولید ویدئو، تغییرات موردنظر خود را به‌صورت دستورات متنی ارائه دهند؛ بدون اینکه لازم باشد ویدئو را از ابتدا تولید کنند. برای مثال، می‌توانند محصول نمایش‌داده‌شده را تغییر دهند، پس‌زمینه جدیدی انتخاب کنند، نورپردازی یا شرایط آب‌وهوایی را تغییر دهند یا نسبت تصویر را تنظیم کنند.

این قابلیت امکان اعمال تغییرات هدفمند را فراهم می‌کند و به کاربران اجازه می‌دهد بدون تولید مجدد کل ویدئو، نسخه‌های مختلفی از محتوای خود بسازند. مدل جدید همچنین از تصاویر مرجع مربوط به شخصیت‌ها، محصولات و سبک‌های بصری، کلیپ‌های حرکتی حداکثر 3 ثانیه‌ای و نشانه‌های صوتی پشتیبانی می‌کند. گوگل می‌گوید این قابلیت‌ها به حفظ یکپارچگی چهره‌ها، لباس‌ها، نوشته‌های روی بسته‌بندی محصولات و رنگ‌های برند در فریم‌های مختلف و هنگام تغییر زاویه دوربین کمک می‌کنند.

بهبود کیفیت صدا، هماهنگی لب‌ها و حرکات دوربین

گوگل در نسخه جدید، کیفیت گفتگوهای صوتی تولیدشده را نیز بهبود داده است. Gemini Omni 1.2 Flash می‌تواند دیالوگ‌های طبیعی‌تری تولید کند و هماهنگی میان حرکات لب شخصیت‌ها و صدای آن‌ها (Lip-sync) را دقیق‌تر انجام دهد. این مدل همچنین از قابلیت بهبودیافته تشخیص و تفکیک چند گوینده برخوردار است، بنابراین، هنگام تولید صحنه‌هایی که چند شخصیت در آن‌ها صحبت می‌کنند، می‌تواند صدای آن‌ها را بهتر از یکدیگر متمایز کند.

کنترل حرکات دوربین نیز بهبود یافته است. حرکت‌هایی مانند عبور دوربین از میان محیط، عقب‌رفتن دوربین و چرخش به دور سوژه، اکنون با پرش‌های ناخواسته کمتری انجام می‌شوند و مقیاس سوژه‌ها در طول نماها ثبات بیشتری دارد.

کاهش هزینه تولید ویدیو با وضوح بالاتر

گوگل برای کاهش بیشتر هزینه‌ها، یک گردش کار پیشنهادی نیز ارائه کرده است. کاربران می‌توانند ابتدا ویدیوهای خود را با وضوح 360p یا 720p تولید کنند، تغییرات لازم را روی آن‌ها اعمال کنند و در نهایت نسخه‌های منتخب را به وضوح 1080p یا 4K ارتقا دهند. این روش، در کنار امکان ویرایش ویدیو از طریق گفت‌وگو، می‌تواند هزینه‌های تولید را کاهش دهد؛ زیرا برای اصلاح جزئیات، دیگر نیازی به تولید مجدد تمام ویدیو نخواهد بود. قیمت تولید ویدیوی 720p در این مدل 0.07 دلار به‌ازای هر ثانیه است. بنابراین، تولید یک ویدیوی 15 ثانیه‌ای با این وضوح، 1.05 دلار هزینه خواهد داشت.

دسترسی به Gemini Omni 1.2 Flash

گوگل اعلام کرده است که Gemini Omni 1.2 Flash برای نخستین بار به‌صورت عمومی (General Availability) عرضه شده و از طریق پلتفرم‌ها و محصولات مختلف این شرکت در دسترس قرار گرفته است. این مدل در سرویس‌ها و ابزارهای زیر ارائه می‌شود:

• Gemini API: برای توسعه‌دهندگان و ادغام قابلیت تولید ویدئو در اپلیکیشن‌ها.
• Google AI Studio: برای آزمایش و استفاده از مدل‌های هوش مصنوعی گوگل.
• Google Cloud Console: برای دسترسی توسعه‌دهندگان و کسب‌وکارها به زیرساخت‌های ابری گوگل.
• Flow: ابزار گوگل برای تولید و ویرایش محتوای ویدیو.
• Google Vids: ابزار ساخت ویدیوی گوگل که امکان تولید کلیپ‌های 15 ثانیه‌ای را بدون هزینه اضافی برای دارندگان حساب Google یا اشتراک Google Workspace فراهم می‌کند.
• اپلیکیشن Gemini: این قابلیت برای مشترکان Google AI Ultra در حال انتشار است.
• Google Ads: برای استفاده در فرایند تولید محتوای تبلیغاتی.

ویدیوهای تولیدشده با این مدل به واترمارک نامحسوس SynthID مجهز هستند. همچنین، گوگل برای مشتریان سازمانی قابلیت Provisioned Throughput را در نظر گرفته است تا بتوانند ظرفیت پردازشی مشخصی را برای استفاده از مدل در اختیار داشته باشند. با وجود پیشرفت‌های صورت‌گرفته، گوگل اعلام کرده است که همچنان روی بهبود برخی قابلیت‌های مدل کار می‌کند.

تولید صحنه‌های ورزشی با حرکات بسیار سریع، تغییرات سریع در متن و سناریوی ویدیو و شبیه‌سازی دقیق پدیده‌های فیزیکی پیچیده، از جمله حوزه‌هایی هستند که هنوز به بهبود نیاز دارند. در مجموع، Gemini Omni 1.2 Flash با افزایش مدت ویدئوها به 15 ثانیه، کاهش 30 درصدی هزینه تولید و اضافه‌شدن قابلیت ویرایش مکالمه‌ای، گام دیگری در جهت تبدیل ابزارهای تولید ویدئوی هوش مصنوعی به راهکارهایی کاربردی‌تر برای تولیدکنندگان محتوا و کسب‌وکارها برداشته است.