Η Google ανακοίνωσε την Πέμπτη το Gemini Omni 1.1 Flash, μια ενημέρωση έτοιμο για παραγωγή στο μοντέλο παραγωγής βίντεο που προσθέτει επέκταση σκηνής, χειριστήρια κινηματογραφικής κάμερας και έξοδο 4K, σύμφωνα με μια ανάρτηση στο επίσημο blog της Google από τους υπεύθυνους προϊόντων DeepMind, Anish Nangia και Alisa Fortin.
Η ενημέρωση μεταφέρει το Omni από ένα πειραματικό μοντέλο σε αυτό που η Google αποκαλεί ετοιμότητα παραγωγής για επαγγελματική χρήση μέσω του Gemini API στο Google AI Studio, με τη διαθεσιμότητα να αναφέρεται επίσης μέσω της πλατφόρμας Gemini Enterprise Agent. Η Google περιγράφει το Gemini Omni ότι έφερε τον συλλογισμό του πραγματικού κόσμου στη δημιουργική δημιουργία και τοποθετεί την έκδοση 1.1 ως το σημείο όπου το μοντέλο γίνεται αρκετά αξιόπιστο για προγραμματιστές που δημιουργούν ροές εργασίας βίντεο, δημιουργικά εργαλεία και λογισμικό επεξεργασίας πολυμέσων.
Μεγαλύτερες ιστορίες μέσω επέκτασης σκηνής
Η δυνατότητα επικεφαλίδας είναι η επέκταση σκηνής, η οποία επιτρέπει στους προγραμματιστές να τραβήξουν ένα υπάρχον βίντεο που δημιουργήθηκε και να συνεχίσουν να δημιουργούν πλάνα απρόσκοπτα από εκεί που σταμάτησε. Με το Omni 1.1, η Google λέει ότι το μοντέλο μπορεί να αναλύσει έως και 10 δευτερόλεπτα του προηγούμενου πλαισίου — ένα άλμα από τα προηγούμενα μοντέλα που αναφέρονταν μόνο στο τελευταίο δευτερόλεπτο. Το αποτέλεσμα, σύμφωνα με την εταιρεία, είναι η βελτιωμένη οπτική συνέπεια και η αφηγηματική τήρηση κατά τη δημιουργία μεγαλύτερων ιστοριών ή τη διακλάδωση σε νέες δημιουργικές κατευθύνσεις.
Τα βίντεο μπορούν να επεκταθούν σε βήματα των 10 δευτερολέπτων έως και συνολική συνολική διάρκεια 40 δευτερολέπτων. Αυτό παραμένει μικρό σε σχέση με τα παραδοσιακά μήκη βίντεο, αλλά για περιεχόμενο σύντομης μορφής, διαφημιστικό δημιουργικό και εργασίες προ-οπτικοποίησης, η Google στοιχηματίζει ότι ο έλεγχος και η συνέπεια έχουν μεγαλύτερη σημασία από τη διάρκεια.
Το υλικό επίδειξης που δημοσιεύτηκε μαζί με την ανακοίνωση δείχνει πώς προορίζεται να λειτουργήσει η ροή εργασίας στην πράξη: κάθε νέα προτροπή συνεχίζει την προηγούμενη σκηνή, με το μοντέλο να μεταφέρει οπτικό πλαίσιο προς τα εμπρός, ενώ η προτροπή κατευθύνει αλλαγές στην κίνηση της κάμερας, στη ρύθμιση και ακόμη και στη διάθεση. Η δημιουργία μιας σκηνής σε επίπεδα, αντί για τη δημιουργία της σε μία λήψη, είναι πιο κοντά στον τρόπο με τον οποίο ένας επεξεργαστής συναρμολογεί το υλικό παρά στο πώς λειτουργούσαν τα πρώτα εργαλεία μετατροπής κειμένου σε βίντεο.
Έλεγχος κάμερας και παρεμβολή πλαισίου
Η έκδοση προσθέτει επίσης αυτό που η Google περιγράφει ως εργαλεία παραγωγής βίντεο ποιότητας στούντιο. Μεταξύ των παραδειγμάτων που εμφανίζονται στην ανάρτηση ανακοίνωσης: ένα κινηματογραφικό κουκλίστικο ζουμ που μετακινεί την κάμερα προς τα εμπρός κατά τη σμίκρυνση, ένα μηχανικό ζουμ στα μάτια ενός χαρακτήρα και μια τροχιακή περιστροφή 360 μοιρών γύρω από έναν παγωμένο χαρακτήρα για να αναδείξει τρισδιάστατο βάθος και παράλλαξη.
Οι προγραμματιστές μπορούν επίσης να καθορίσουν το πρώτο και το τελευταίο καρέ για μια λήψη, με το μοντέλο να παρεμβάλλει ομαλές μεταβάσεις μεταξύ τους — μια τεχνική που είναι γνωστή στους επαγγελματίες εμψυχωτές που παρέχει λεπτομερή έλεγχο ως προς το πού ξεκινά και πού τελειώνει μια λήψη. Ακολουθήστε τις τελευταίες εξελίξεις της τεχνητής νοημοσύνης καθώς η Google συνεχίζει τον ρυθμό ταχείας κυκλοφορίας της.
Επανάληψη σε 360p, παράδοση σε 4K
Το Omni 1.1 Flash εισάγει μια ροή εργασιών ποιότητας δύο επιπέδων με στόχο τον έλεγχο του κόστους. Οι προγραμματιστές μπορούν να δημιουργήσουν γρήγορες προεπισκοπήσεις 360p για να επαναλάβουν ιδέες γρηγορότερα και φθηνότερα κατά τη δημιουργική διαδικασία και, στη συνέχεια, να αναβαθμίσουν το τελικό έργο σε ανάλυση 4K για ένα εκλεπτυσμένο αποτέλεσμα. Η Google λέει ότι η αναβάθμιση παράγει ευκρινή, υψηλής ανάλυσης έξοδο κατάλληλη για επαγγελματική χρήση.
Ο αγωγός προεπισκόπησης σε 4K αντιμετωπίζει ένα από τα επίμονα οικονομικά προβλήματα του παραγωγικού βίντεο: το κόστος της αναγέννησης εξόδου πλήρους ανάλυσης κάθε φορά που αλλάζει ένα μήνυμα. Αποσυνδέοντας την εξερεύνηση από την παράδοση, η Google κάνει το μοντέλο πιο πρακτικό για εμπορικούς αγωγούς όπου δεκάδες επαναλήψεις προηγούνται μιας τελικής απόδοσης.
Γιατί έχει σημασία
Η ενημέρωση αντικατοπτρίζει μια μετατόπιση του κλάδου από την ποιότητα της πρωτογενούς παραγωγής προς την ελεγχσιμότητα — τη δυνατότητα να κατευθύνετε την κίνηση της κάμερας, να διατηρήσετε τη συνέπεια των χαρακτήρων και να χτυπήσετε ακριβώς τα καρέ, όπως θα έκανε ένας σκηνοθέτης ή μοντέρ. Για τους προγραμματιστές που κατασκευάζουν δημιουργικό λογισμικό, η διαφορά μεταξύ μιας επίδειξης και ενός προϊόντος που μπορεί να αναπτυχθεί συχνά οφείλεται σε αυτά τα στοιχεία ελέγχου και όχι στην ακατέργαστη πιστότητα.
Το πλαίσιο της έκδοσης από την Google καθιστά ξεκάθαρο το κοινό για το οποίο απευθύνεται. Η εταιρεία ονομάζει τρεις κατηγορίες στόχων — ροές εργασιών δημιουργίας βίντεο, δημιουργικά εργαλεία και λογισμικό επεξεργασίας πολυμέσων — και περιγράφει τις ενημερώσεις ότι κάνουν το παραγωγικό βίντεο πιο ελεγχόμενο, ταχύτερο στην επανάληψη και γυαλισμένο για ανάπτυξη σε πραγματικό κόσμο. Η ταχύτερη δημιουργία πρωτοτύπων εμφανίζεται παράλληλα με την αναβάθμιση 4K στη σύνοψη της κυκλοφορίας, υπογραμμίζοντας ότι η ταχύτητα επανάληψης πωλείται ως χαρακτηριστικό από μόνη της.
Με το Omni 1.1 Flash διαθέσιμο στο AI Studio και μέσω του Gemini API, η Google προωθεί επίσης το μοντέλο προς τους εταιρικούς χρήστες μέσω της πλατφόρμας Gemini Enterprise Agent, σηματοδοτώντας ότι το βίντεο δημιουργίας τοποθετείται ως επιχειρηματική υποδομή και όχι ως καταναλωτική καινοτομία.
Τι να παρακολουθήσετε
Οι λεπτομέρειες τιμολόγησης για την έξοδο 4K δεν επισημάνθηκαν στην ανακοίνωση και οι προγραμματιστές θα παρακολουθούν πώς το σωρευτικό όριο των 40 δευτερολέπτων επηρεάζει τα σχέδια παραγωγής του πραγματικού κόσμου. Ο ανταγωνισμός στο βίντεο τεχνητής νοημοσύνης παραμένει έντονος, με τους ανταγωνιστές να αποστέλλουν τις δικές τους δυνατότητες ελέγχου με γρήγορο ρυθμό - μια δυναμική που έχει επανειλημμένα συντομεύσει τη διάρκεια ζωής των αξιώσεων αιχμής φέτος.
Προς το παρόν, το μήνυμα της Google προς τους προγραμματιστές είναι άμεσο: το δημιουργικό βίντεο που κάποτε απαιτούσε άμεση αλχημεία και τύχη μπορεί τώρα να κατευθυνθεί, να επεκταθεί και να ολοκληρωθεί σε 4K μέσω ενός μόνο API.
---
Μείνετε μπροστά από την τεχνητή νοημοσύνηΛάβετε τα τελευταία νέα, αναλύσεις και ανακαλύψεις AI — όλα σε ένα μέρος.
Διαβάστε περισσότερα νέα AI →
