Google ने गुरुवारी Gemini Omni 1.1 Flash ची घोषणा केली, जे त्याच्या जनरेटिव्ह व्हिडिओ मॉडेलचे उत्पादन-तयार अपडेट जे सीन एक्स्टेंशन, सिनेमॅटिक कॅमेरा कंट्रोल्स आणि 4K आउटपुट जोडते, डीपमाइंड उत्पादन व्यवस्थापक अनिश नांगिया आणि अलिसा फोर्टिन यांच्या अधिकृत Google ब्लॉगवरील पोस्टनुसार.

अपडेट ओम्नीला प्रायोगिक मॉडेलमधून Google एआय स्टुडिओमध्ये जेमिनी API द्वारे व्यावसायिक वापरासाठी उत्पादन तयारी म्हणते, जेमिनी एंटरप्राइझ एजंट प्लॅटफॉर्मद्वारे उपलब्धता देखील सूचीबद्ध करते. Google ने Gemini Omni चे वर्णन जनरेटिव्ह क्रिएशनमध्ये रिअल-वर्ल्ड रिझनिंग आणले आहे, आणि 1.1 रिलीझला बिंदू म्हणून स्थान दिले आहे जेथे व्हिडिओ वर्कफ्लो, क्रिएटिव्ह टूल्स आणि मीडिया एडिटिंग सॉफ्टवेअर बनवणाऱ्या डेव्हलपरसाठी मॉडेल पुरेसे विश्वासार्ह बनते.

दृश्य विस्ताराद्वारे दीर्घ कथा

हेडलाइन क्षमता दृश्य विस्तार आहे, जी विकसकांना विद्यमान व्युत्पन्न व्हिडिओ घेऊ देते आणि ते सोडले तेथून अखंडपणे फुटेज निर्माण करणे सुरू ठेवू देते. ओम्नी 1.1 सह, Google म्हणते की मॉडेल 10 सेकंदांपर्यंतच्या आधीच्या संदर्भाचे विश्लेषण करू शकते - मागील मॉडेलमधील एक झेप ज्याने केवळ अंतिम सेकंदाचा संदर्भ दिला. परिणाम, कंपनीच्या मते, दीर्घ कथा तयार करताना किंवा नवीन सर्जनशील दिशानिर्देशांमध्ये शाखा बनवताना व्हिज्युअल सुसंगतता आणि कथांचे पालन सुधारते.

व्हिडिओ 10-सेकंद वाढीमध्ये 40 सेकंदांच्या एकूण संचयी लांबीपर्यंत वाढवता येतात. ती पारंपारिक व्हिडिओ लांबीपेक्षा कमी राहते, परंतु शॉर्ट-फॉर्म सामग्री, जाहिरात क्रिएटिव्ह आणि प्री-व्हिज्युअलायझेशन कार्यासाठी, Google बेटिंग करत आहे की नियंत्रण आणि सातत्य कालावधीपेक्षा जास्त महत्त्वाचे आहे.

घोषणेच्या बाजूने प्रकाशित केलेले प्रात्यक्षिक साहित्य वर्कफ्लो व्यवहारात कसे कार्य करायचे हे दर्शवते: प्रत्येक नवीन प्रॉम्प्ट मागील देखावा सुरू ठेवतो, मॉडेल व्हिज्युअल संदर्भ पुढे नेतो तर प्रॉम्प्ट कॅमेरा हालचाली, सेटिंग आणि अगदी मूडमधील बदलांना निर्देशित करतो — एक क्रम जवळच्या संभाषणातून धूळयुक्त कॅटॅकॉम्ब्सद्वारे हळू पुल-आउटकडे जातो आणि नंतर फ्लोटरी फ्लोमध्ये जातो. एक दृश्य एका शॉटमध्ये निर्माण करण्याऐवजी स्तरांमध्ये तयार करणे, हे लवकर मजकूर-टू-व्हिडिओ टूल्स कसे कार्य करतात यापेक्षा संपादक फुटेज कसे एकत्र करतात याच्या जवळ आहे.

कॅमेरा नियंत्रण आणि फ्रेम इंटरपोलेशन

Google स्टुडिओ-गुणवत्तेची व्हिडिओ उत्पादन साधने म्हणून वर्णन करते ते देखील रिलीझ जोडते. घोषणा पोस्टवर दर्शविलेल्या उदाहरणांपैकी: झूम आउट करताना कॅमेरा पुढे सरकवणारा सिनेमॅटिक डॉली-झूम, पात्राच्या डोळ्यांमध्ये यांत्रिक स्नॅप-झूम आणि 3D खोली आणि पॅरॅलॅक्स दाखवण्यासाठी गोठलेल्या वर्णाभोवती 360-अंश परिभ्रमण.

डेव्हलपर शॉटसाठी पहिल्या आणि शेवटच्या फ्रेम्स देखील निर्दिष्ट करू शकतात, मॉडेल त्यांच्या दरम्यान गुळगुळीत संक्रमणे इंटरपोलेटिंग करतात - व्यावसायिक ॲनिमेटर्सना परिचित एक तंत्र जे शॉट कुठे सुरू होतो आणि कुठे संपतो यावर सूक्ष्म नियंत्रण देते. Google ने त्याचा वेगवान रिलीझ कॅडेन्स सुरू ठेवल्यामुळे नवीनतम AI घडामोडी फॉलो करा.

360p मध्ये पुनरावृत्ती करा, 4K मध्ये वितरित करा

Omni 1.1 Flash ने खर्च नियंत्रणाच्या उद्देशाने द्वि-स्तरीय दर्जेदार कार्यप्रवाह सादर केला आहे. विकासक क्रिएटिव्ह प्रक्रियेदरम्यान कल्पनांवर जलद आणि अधिक स्वस्तपणे पुनरावृत्ती करण्यासाठी द्रुत 360p पूर्वावलोकने व्युत्पन्न करू शकतात, नंतर उत्कृष्ट परिणामासाठी अंतिम प्रकल्प 4K रिझोल्यूशनवर वाढवू शकतात. Google म्हणते की अपस्केलिंग व्यावसायिक वापरासाठी योग्य कुरकुरीत, उच्च-रिझोल्यूशन आउटपुट तयार करते.

प्रिव्ह्यू-टू-4K पाइपलाइन जनरेटिव्ह व्हिडिओच्या सततच्या आर्थिक समस्यांपैकी एक संबोधित करते: प्रत्येक वेळी त्वरित बदल झाल्यावर पूर्ण-रिझोल्यूशन आउटपुट पुन्हा निर्माण करण्याची किंमत. डिलिव्हरीपासून एक्सप्लोरेशन डीकपलिंग करून, Google व्यावसायिक पाइपलाइनसाठी मॉडेल अधिक व्यावहारिक बनवत आहे जेथे अंतिम रेंडरच्या आधी डझनभर पुनरावृत्ती होते.

हे महत्त्वाचे का आहे

अद्ययावत कच्च्या पिढीच्या गुणवत्तेपासून नियंत्रणक्षमतेकडे उद्योगातील बदल प्रतिबिंबित करते — कॅमेरा हालचाली निर्देशित करण्याची क्षमता, वर्ण सातत्य राखण्याची आणि अचूक फ्रेम हिट करण्याची क्षमता, ज्या प्रकारे दिग्दर्शक किंवा संपादक करेल. क्रिएटिव्ह सॉफ्टवेअर तयार करणाऱ्या डेव्हलपरसाठी, डेमो आणि उपयोजित उत्पादन यांच्यातील फरक बहुधा या नियंत्रणांमध्ये येतो ऐवजी कच्च्या निष्ठा ऐवजी.

रिलीझची Google ची फ्रेमिंग अपेक्षित प्रेक्षकांना स्पष्ट करते. कंपनीने तीन लक्ष्य श्रेणींची नावे दिली आहेत — जनरेटिव्ह व्हिडिओ वर्कफ्लो, क्रिएटिव्ह टूल्स आणि मीडिया एडिटिंग सॉफ्टवेअर — आणि जनरेटिव्ह व्हिडिओ अधिक कंट्रोलेबल बनवणारे, रिअल-वर्ल्ड डिप्लॉयमेंटसाठी अधिक जलद आणि पॉलिश म्हणून अपडेटचे वर्णन करते. रिलीझ सारांशात 4K अपस्केलिंग सोबत वेगवान प्रोटोटाइपिंग दिसून येते, हे अधोरेखित करते की पुनरावृत्ती गती स्वतःच्या अधिकारात एक वैशिष्ट्य म्हणून विकली जात आहे.

AI स्टुडिओमध्ये Omni 1.1 Flash उपलब्ध आहे आणि Gemini API द्वारे, Google देखील जेमिनी एंटरप्राइझ एजंट प्लॅटफॉर्मद्वारे एंटरप्राइझ वापरकर्त्यांकडे मॉडेल पुढे करत आहे, जे जनरेटिव्ह व्हिडिओला ग्राहक नवीनतेऐवजी व्यावसायिक पायाभूत सुविधा म्हणून स्थान दिले जात आहे.

काय पहावे

4K आउटपुटसाठी किंमतीचे तपशील घोषणेमध्ये हायलाइट केले गेले नाहीत आणि 40-सेकंद संचयी मर्यादा वास्तविक-जागतिक उत्पादन योजनांवर कसा परिणाम करते हे विकसक पाहतील. AI व्हिडिओमधील स्पर्धा तीव्र राहिली आहे, प्रतिस्पर्ध्यांनी त्यांची स्वतःची नियंत्रणक्षमता वैशिष्ट्ये जलद गतीने पाठवली आहेत - एक डायनॅमिक ज्याने या वर्षी अत्याधुनिक दाव्यांचे शेल्फ लाइफ वारंवार कमी केले आहे.

आत्तासाठी, Google चा डेव्हलपरसाठीचा संदेश थेट आहे: जनरेटिव्ह व्हिडिओ ज्यासाठी एकेकाळी प्रॉम्प्ट किमया आणि नशीब आवश्यक होते ते आता एकाच API द्वारे 4K मध्ये निर्देशित, विस्तारित आणि पूर्ण केले जाऊ शकते.

---

एआयच्या पुढे राहा

नवीनतम AI बातम्या, विश्लेषण आणि यश मिळवा — सर्व एकाच ठिकाणी.

अधिक AI बातम्या वाचा →