गुगलने जेमिनी ओम्नी 1.2 फ्लॅशची सर्वसाधारण उपलब्धता जाहीर केली आहे, जी त्याच्या मल्टीमोडल व्हिडिओ जनरेशन मॉडेलची नवीनतम आवृत्ती आहे. Google च्या अधिकृत घोषणेनुसार, या अपडेटमध्ये मूळ 15-सेकंद व्हिडिओ निर्मिती, मल्टी-टर्न संभाषणात्मक संपादन आणि सुधारित संदर्भ पालन, किंमती 30 टक्क्यांनी कमी केल्या जातात. हे मॉडेल आज जेमिनी API, Google Cloud, Google Vids आणि Gemini वर व्यवसायासाठी आणले जात आहे.

Google DeepMind चे प्रॉडक्ट मॅनेजर अनिश नांगिया यांनी "जेमिनी ओम्नी 1.2 फ्लॅश: लांब क्लिपसह जलद आणि किफायतशीर" शीर्षकाच्या ब्लॉग पोस्टमध्ये रिलीझची ओळख करून दिली, विकासक आणि मोठ्या प्रमाणावर व्हिडिओ सामग्री तयार करणाऱ्या व्यवसायांसाठी उत्पादन-तयार पर्याय म्हणून स्थान दिले. For more context on this story, see our ongoing AI industry coverage.

जेमिनी ओम्नी १.२ फ्लॅश मध्ये नवीन काय आहे

हेडलाइन क्षमता 15-सेकंद व्हिडिओ क्लिपसाठी मूळ समर्थन आहे, ओम्नी लाइनच्या मागील आवृत्त्यांपेक्षा एक अर्थपूर्ण विस्तार. Google म्हणते की मॉडेल फ्रेम्समध्ये मजबूत सुसंगतता देखील प्रदान करते, जे व्यावसायिक प्रकल्पांसाठी महत्त्वाचे आहे जेथे शॉट्समधील सातत्य अंतिम आउटपुट बनवू किंवा खंडित करू शकते.

दुसरी मोठी भर म्हणजे मल्टी-टर्न संभाषणात्मक संपादन. तपशील चुकीचा असताना स्क्रॅचमधून क्लिप पुन्हा निर्माण करण्याऐवजी, विकासक आणि निर्माते आता संभाषणात्मक सूचनांच्या अनुक्रमाद्वारे व्हिडिओ परिष्कृत करू शकतात. Google म्हणते की हे पुन्हा सुरू न करता जलद समायोजनांना अनुमती देते, ज्यामुळे व्हॉल्यूममध्ये व्हिडिओ तयार करणाऱ्या संघांसाठी पुनरावृत्ती वेळ आणि टोकन खर्च दोन्ही कमी होतात.

Google ने देखील सुधारित केले आहे ज्याला ते संदर्भ पालन म्हणतात — वापरकर्त्याने प्रदान केलेल्या दृश्य संदर्भ आणि सूचनांना चिकटून राहण्याची मॉडेलची क्षमता. व्यावहारिक भाषेत, याचा अर्थ संदर्भ प्रतिमा किंवा वर्णनाद्वारे मार्गदर्शन केलेले वर्ण, शैली आणि दृश्य घटक व्युत्पन्न केलेल्या क्लिपमध्ये अधिक विश्वासू राहिले पाहिजेत.

किंमत 30 टक्के कमी

एआय व्हिडीओ जनरेशनच्या उत्पादनाच्या वापरात खर्च हा एक मुख्य अडथळे आहे आणि Google त्यावर थेट हल्ला करत आहे. कंपनीने मागील आवृत्तीच्या तुलनेत जेमिनी ओम्नी 1.2 फ्लॅश ची किंमत 30 टक्क्यांनी कमी केली आहे, उच्च व्हॉल्यूम व्हिडिओ उत्पादनासाठी किफायतशीर पर्याय म्हणून मॉडेल तयार केले आहे.

मल्टीमॉडल जनरेशनमध्ये स्पर्धा तीव्र झाल्यामुळे किमतीत कपात होते. ओपनएआय, मेटा आणि स्टार्टअप्सच्या लाटेने गेल्या वर्षभरात एआय व्हिडिओमध्ये प्रवेश केला आहे आणि विकासक कच्च्या गुणवत्तेइतकी प्रति क्लिप किंमतीवर आधारित मॉडेल्सची निवड करतात. कमी किंमतीसह लांब क्लिप जोडण्याचा Google चा निर्णय सूचित करतो की फक्त प्रयोगांऐवजी व्यावसायिक वर्कलोडसाठी जेमिनी ओम्नी ही डीफॉल्ट निवड असावी.

जिथे विकसक ते वापरू शकतात

जेमिनी ओम्नी 1.2 फ्लॅश सामान्यतः उपलब्ध आहे, ज्यावर Google जोर देते याचा अर्थ ते प्रायोगिक पूर्वावलोकनाऐवजी उत्पादन गरजांसाठी तयार आहे. विकसक ते Gemini API आणि Google Cloud द्वारे प्रवेश करू शकतात, तर व्यवसाय वापरकर्ते ते Google Vids आणि Gemini मध्ये व्यवसायासाठी विपणन, प्रशिक्षण आणि संप्रेषण कार्यप्रवाहांसाठी व्हिडिओ सामग्री तयार करण्यासाठी वापरू शकतात.

ते वितरण महत्त्वाचे आहे. मॉडेल थेट Google Vids सारख्या वर्कस्पेस-लगतच्या साधनांमध्ये एम्बेड केल्याने Google ला एंटरप्राइझ ग्राहकांसाठी एक चॅनेल मिळते जे शुद्ध-प्ले व्हिडिओ जनरेशन स्टार्टअप्सना एका वेळी एका करारासाठी संघर्ष करावा लागतो.

ओम्नी लाईनचा रॅपिड कॅडन्स

जेमिनी ओम्नी 1.2 फ्लॅश ऑगस्टच्या शेवटी Google ने जेमिनी ओम्नी 1.1 फ्लॅश सादर केल्यानंतर सुमारे दहा आठवड्यांनंतर आणि मूळ जेमिनी ओम्नी मे मध्ये पदार्पण केल्यानंतर सुमारे साडेपाच महिन्यांनंतर आला. अंदाजे त्रैमासिक अपडेट्सचा स्थिर लय दर्शवितो की Google आता किती लवकर त्याच्या फ्रंटियर मॉडेल फॅमिली पुनरावृत्ती करते, फ्लॅश व्हेरियंट्स प्रत्येक पिढीसाठी वेगवान, परवडणारी श्रेणी म्हणून स्थित आहेत.

रिलीझने विकसक समुदायाकडून त्वरित लक्ष वेधले. लॉन्चने शुक्रवारी सकाळी हॅकर न्यूजमध्ये अव्वल स्थान पटकावले, 170 हून अधिक गुण आणि काही तासांत 130 पेक्षा जास्त टिप्पण्या जमा केल्या, किंमत, 15-सेकंद मर्यादा आणि मॉडेलचे संपादन कार्यप्रवाह पर्यायांशी तुलना कशी करते यावर चर्चा करून.

एआय व्हिडिओ मार्केटसाठी याचा अर्थ काय आहे

AI कंपन्यांसाठी हे अपडेट एका अशांत क्षणी आले आहे. या आठवड्यातील शेअर बाजारातील विक्री, AI मुद्रीकरणाविषयी गुंतवणूकदारांच्या चिंतेमुळे उद्भवलेल्या, प्रत्येक मोठ्या प्रयोगशाळेवर हे दाखवण्यासाठी दबाव आणला आहे की सीमावर्ती संशोधन महसूलात रूपांतरित होते. स्वस्त, जलद व्हिडिओ निर्मिती हे त्या प्रश्नाचे थेट उत्तर आहे: कमी किंमती ग्राहक आधार वाढवतात आणि उत्पादन-तयार स्थिती एंटरप्राइझ बजेटला आमंत्रित करते जे प्रयोग-स्टेज टूल्स कधीही पाहत नाहीत.

विकसकांसाठी, व्यावहारिक मार्ग सरळ आहे. व्हिडिओ जनरेशन वर्कलोड्स पूर्वी क्लिपची लांबी, किंमत किंवा प्रत्येक बदलानंतर आउटपुट पुन्हा निर्माण होण्याच्या वेदनामुळे मर्यादित असल्यास, जेमिनी ओम्नी 1.2 फ्लॅश आज त्या तीन घर्षण बिंदूंपैकी किमान दोन काढून टाकते. प्रतिस्पर्ध्यांनी जुळणाऱ्या किंमती कपातीसह प्रतिसाद दिला की नाही - ते मागील जेमिनी फ्लॅश रिलीझनंतर होते - येत्या आठवड्यात पाहण्यासारख्या कथांपैकी एक असेल.

पूर्वीच्या व्हिडिओ मॉडेल्सचा प्रयत्न करणाऱ्या आणि निघून गेलेल्या संघांकडून सातत्य सुधारणा विशेष लक्ष देण्यास पात्र आहेत. Google ची घोषणा विशेषत: "व्यावसायिक प्रकल्पांना" लक्ष्य करते, फ्रेम-टू-फ्रेम सुसंगततेची कबुली देते — शॉट्समध्ये सारखीच दिसणारी पात्रे, दृश्याच्या मध्यभागी न बदलणारी प्रकाशयोजना — डेमोला वितरित करण्यायोग्य सामग्रीपासून वेगळे करते. संभाषणात्मक संपादनासह, Google ज्या वर्कफ्लोचे वर्णन करत आहे ते स्लॉट मशीनसारखे कमी दिसते जे क्लिप पुन्हा निर्माण करते आणि पुनरावृत्ती डिझाइन टूलसारखे दिसते.

Google म्हणतो की डेव्हलपर व्यवसायासाठी Gemini API, Google Vids आणि Gemini वर ताबडतोब नवीन क्षमता वापरणे सुरू करू शकतात.

---

Stay Ahead of AI

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

Read more AI news →