گوگل از عرضه عمومی Gemini Omni 1.2 Flash، جدیدترین نسخه از مدل تولید ویدیوی چند وجهی خود خبر داد. طبق اعلام رسمی گوگل، این به‌روزرسانی، ایجاد ویدیوی بومی 15 ثانیه‌ای، ویرایش مکالمه چند نوبتی، و بهبود پایبندی به مرجع را به همراه دارد، در حالی که قیمت‌ها را 30 درصد کاهش می‌دهد. این مدل امروز در میان API های Gemini، Google Cloud، Google Vids و Gemini برای کسب و کار عرضه می شود.

Anish Nangia، مدیر محصول در Google DeepMind، این نسخه را در یک پست وبلاگی با عنوان "Gemini Omni 1.2 Flash: سریع و مقرون به صرفه با کلیپ های طولانی تر" معرفی کرد و آن را به عنوان یک گزینه آماده برای تولید برای توسعه دهندگان و مشاغلی که محتوای ویدئویی در مقیاس تولید می کنند، قرار داد. For more context on this story, see our ongoing breaking AI news.

چیزهای جدید در Gemini Omni 1.2 Flash

قابلیت تیتر پشتیبانی از کلیپ های ویدیویی 15 ثانیه ای است که نسبت به نسخه های قبلی خط Omni گسترش یافته است. گوگل می‌گوید این مدل همچنین ثبات قوی‌تری را در بین فریم‌ها ارائه می‌کند، که برای پروژه‌های حرفه‌ای که تداوم بین عکس‌ها می‌تواند خروجی نهایی را ایجاد یا شکسته کند، اهمیت دارد.

دومین مورد اضافه، ویرایش مکالمه چند نوبتی است. به‌جای بازسازی یک کلیپ از ابتدا در صورت اشتباه بودن جزئیات، توسعه‌دهندگان و سازندگان اکنون می‌توانند ویدیوها را از طریق دنباله‌ای از دستورالعمل‌های مکالمه اصلاح کنند. گوگل می‌گوید این امکان تنظیمات سریع‌تر را بدون شروع مجدد فراهم می‌کند، که هم زمان تکرار و هم هزینه‌های توکن را برای تیم‌هایی که حجم ویدیو تولید می‌کنند کاهش می‌دهد.

گوگل همچنین آنچه را که پایبندی به مرجع می نامد بهبود بخشیده است - توانایی این مدل برای پایبندی به مراجع بصری و دستورالعمل هایی که کاربر ارائه می دهد. از نظر عملی، این بدان معناست که شخصیت‌ها، سبک‌ها و عناصر صحنه که توسط یک تصویر یا توضیحات مرجع هدایت می‌شوند باید در کلیپ تولید شده وفادارتر باشند.

قیمت 30 درصد کاهش می یابد

هزینه یکی از موانع اصلی برای تولید استفاده از تولید ویدیوی هوش مصنوعی بوده است و گوگل مستقیماً به آن حمله می کند. این شرکت قیمت Gemini Omni 1.2 Flash را 30 درصد نسبت به نسخه قبلی کاهش داد و این مدل را به عنوان گزینه ای مقرون به صرفه برای تولید ویدئوهای با حجم بالا قاب کرد.

با تشدید رقابت در تولید چندوجهی، کاهش قیمت از راه می رسد. OpenAI، Meta، و موجی از استارت‌آپ‌ها همگی در طول سال گذشته به ویدیوهای هوش مصنوعی وارد شده‌اند و توسعه‌دهندگان به‌طور فزاینده‌ای مدل‌هایی را بر اساس هزینه هر کلیپ به اندازه کیفیت خام انتخاب می‌کنند. تصمیم Google برای جفت کردن کلیپ‌های طولانی‌تر با قیمت پایین‌تر نشان می‌دهد که می‌خواهد Gemini Omni به جای آزمایش‌ها، انتخاب پیش‌فرض برای بارهای کاری تجاری باشد.

جایی که توسعه دهندگان می توانند از آن استفاده کنند

Gemini Omni 1.2 Flash به طور کلی در دسترس است، که گوگل تاکید می کند به این معنی است که برای نیازهای تولید به جای پیش نمایش آزمایشی آماده است. توسعه‌دهندگان می‌توانند از طریق Gemini API و Google Cloud به آن دسترسی داشته باشند، در حالی که کاربران تجاری می‌توانند از آن در داخل Google Vids و Gemini برای تجارت برای تولید محتوای ویدیویی برای بازاریابی، آموزش و جریان‌های کاری ارتباطی استفاده کنند.

که توزیع مهم است. جاسازی این مدل به طور مستقیم در ابزارهای مجاور Workspace مانند Google Vids به Google کانالی برای مشتریان سازمانی می‌دهد که استارت‌آپ‌های تولید ویدیوی خالص باید هر بار برای یک قرارداد بجنگند.

آهنگ سریع The Omni Line

Gemini Omni 1.2 Flash تقریباً ده هفته پس از معرفی Gemini Omni 1.1 Flash توسط گوگل در اواخر آگوست و حدود پنج ماه و نیم پس از عرضه اولیه Gemini Omni در ماه مه عرضه شد. آهنگ پیوسته به‌روزرسانی‌های تقریباً سه ماهه نشان می‌دهد که Google اکنون با چه سرعتی خانواده‌های مدل مرزی خود را تکرار می‌کند، با انواع فلش که به‌عنوان سطح سریع و مقرون‌به‌صرفه هر نسل قرار دارند.

انتشار بلافاصله توجه جامعه توسعه دهندگان را به خود جلب کرد. این راه‌اندازی صبح جمعه در صدر هکر نیوز قرار گرفت و بیش از 170 امتیاز و بیش از 130 نظر در عرض چند ساعت جمع‌آوری کرد و بحث بر روی قیمت‌گذاری، محدودیت 15 ثانیه‌ای و نحوه مقایسه گردش کار ویرایش مدل با گزینه‌های جایگزین متمرکز بود.

چه معنایی برای بازار ویدیوی هوش مصنوعی دارد

این به روز رسانی در لحظه ای پرتلاطم برای شرکت های هوش مصنوعی قرار می گیرد. فروش سهام این هفته در بازار سهام، که تا حدی به دلیل نگرانی سرمایه گذاران در مورد درآمدزایی هوش مصنوعی ایجاد شده است، همه آزمایشگاه های بزرگ را تحت فشار قرار داده است تا نشان دهد که تحقیقات مرزی به درآمد تبدیل می شود. تولید ویدیوی ارزان‌تر و سریع‌تر پاسخی مستقیم به این سؤال است: قیمت‌های پایین‌تر پایگاه مشتری را گسترش می‌دهد و وضعیت آماده تولید، بودجه‌های سازمانی را دعوت می‌کند که ابزارهای مرحله آزمایش هرگز نمی‌بینند.

برای توسعه دهندگان، دستور العمل عملی ساده است. اگر بارهای کاری تولید ویدیو قبلاً توسط طول کلیپ، قیمت یا درد ناشی از بازسازی خروجی پس از هر تغییر محدود می شد، Gemini Omni 1.2 Flash امروز حداقل دو مورد از این سه نقطه اصطکاک را حذف می کند. این که آیا رقبا با کاهش قیمت مطابقت پاسخ می دهند یا خیر - همانطور که پس از نسخه های قبلی فلش Gemini - یکی از داستان هایی است که باید در هفته های آینده تماشا کرد.

بهبودهای سازگاری مستحق توجه ویژه تیم هایی است که مدل های ویدیویی قبلی را امتحان کردند و کنار رفتند. اعلامیه گوگل به طور خاص «پروژه‌های حرفه‌ای» را هدف قرار می‌دهد و اذعان دارد که انسجام فریم به فریم - کاراکترهایی که در عکس‌ها یکسان به نظر می‌رسند، نورهایی که در وسط صحنه تغییر نمی‌کنند - چیزی است که یک نسخه نمایشی را از محتوای قابل تحویل جدا می‌کند. همراه با ویرایش مکالمه، گردش کاری که Google توصیف می‌کند، کمتر شبیه یک ماشین حافظه است که کلیپ‌ها را بازسازی می‌کند و بیشتر شبیه یک ابزار طراحی تکراری است.

گوگل می گوید توسعه دهندگان می توانند بلافاصله از قابلیت های جدید در Gemini API، Google Vids و Gemini برای تجارت استفاده کنند.

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →