Google ogłosiło ogólną dostępność Gemini Omni 1.2 Flash, najnowszej wersji swojego multimodalnego modelu generowania wideo. Zgodnie z oficjalnym ogłoszeniem Google, aktualizacja zapewnia natywne tworzenie 15-sekundowych filmów wideo, wieloobrotową edycję konwersacji i lepszą zgodność z referencjami, przy jednoczesnym obniżeniu cen o 30 procent. Model jest już wdrażany w interfejsach Gemini API, Google Cloud, Google Vids i Gemini dla firm.
Anish Nangia, menedżer produktu w Google DeepMind, przedstawił tę wersję w poście na blogu zatytułowanym „Gemini Omni 1.2 Flash: szybki i ekonomiczny w przypadku dłuższych klipów”, pozycjonując ją jako opcję gotową do produkcji dla programistów i firm tworzących treści wideo na dużą skalę. Więcej kontekstu na ten temat znajdziesz w naszych wiadomości AI.
Co nowego w Gemini Omni 1.2 Flash
Główną funkcją jest natywna obsługa 15-sekundowych klipów wideo, co stanowi znaczące rozszerzenie w stosunku do poprzednich wersji linii Omni. Google twierdzi, że model zapewnia również większą spójność między klatkami, co ma znaczenie w przypadku profesjonalnych projektów, w których ciągłość między ujęciami może mieć wpływ na ostateczny wynik.
Drugim ważnym dodatkiem jest wieloobrotowa edycja konwersacyjna. Zamiast ponownie generować klip od zera, gdy jakiś szczegół jest nieprawidłowy, programiści i twórcy mogą teraz udoskonalać filmy, korzystając z sekwencji instrukcji konwersacyjnych. Google twierdzi, że umożliwia to szybsze dostosowywanie bez konieczności zaczynania od nowa, co powinno skrócić zarówno czas iteracji, jak i symboliczne koszty dla zespołów produkujących masowo wideo.
Firma Google ulepszyła także to, co nazywa przestrzeganiem odniesień — zdolność modelki do trzymania się wizualnych odniesień i instrukcji dostarczanych przez użytkownika. W praktyce oznacza to, że postacie, style i elementy sceny oparte na obrazie referencyjnym lub opisie powinny zachować wierność w całym wygenerowanym klipie.
Ceny spadają o 30 procent
Koszty są jedną z głównych przeszkód w produkcyjnym wykorzystaniu generowania wideo AI, a Google bezpośrednio je atakuje. Firma obniżyła cenę Gemini Omni 1.2 Flash o 30 procent w porównaniu z poprzednią wersją, uznając ten model za opłacalną opcję do produkcji wideo na dużą skalę.
Obniżka cen następuje w miarę nasilenia się konkurencji w sektorze wytwarzania multimodalnego. W ciągu ostatniego roku OpenAI, Meta i fala startupów wkroczyły w dziedzinę wideo AI, a programiści coraz częściej wybierają modele oparte zarówno na koszcie klipu, jak i na surowej jakości. Decyzja Google o połączeniu dłuższych klipów z niższą ceną sugeruje, że chce, aby Gemini Omni było domyślnym wyborem w przypadku obciążeń komercyjnych, a nie tylko eksperymentów.
Gdzie programiści mogą z niego korzystać
Gemini Omni 1.2 Flash jest ogólnie dostępny, co jak podkreśla Google, oznacza, że jest gotowy na potrzeby produkcyjne, a nie na eksperymentalną zapowiedź. Programiści mogą uzyskać do niego dostęp za pośrednictwem Gemini API i Google Cloud, natomiast użytkownicy biznesowi mogą używać go w Google Vids i Gemini dla firm do tworzenia treści wideo na potrzeby marketingu, szkoleń i komunikacji.
Ta dystrybucja ma znaczenie. Osadzanie modelu bezpośrednio w narzędziach powiązanych z Workspace, takich jak Google Vids, zapewnia Google kanał dla klientów korporacyjnych, za pomocą którego start-upy zajmujące się generowaniem wideo wyłącznie w trybie play muszą walczyć o jeden kontrakt na raz.
Szybka kadencja linii Omni
Gemini Omni 1.2 Flash pojawi się mniej więcej dziesięć tygodni po wprowadzeniu przez Google Gemini Omni 1.1 Flash pod koniec sierpnia i około pięć i pół miesiąca po debiucie oryginalnego Gemini Omni w maju. Stała częstotliwość aktualizacji mniej więcej co kwartał odzwierciedla szybkość, z jaką Google wprowadza obecnie zmiany w swoich pionierskich rodzinach modeli, przy czym warianty Flash są pozycjonowane jako szybki i niedrogi poziom każdej generacji.
Wydanie przyciągnęło natychmiastową uwagę społeczności programistów. Premiera znalazła się na szczycie Hacker News w piątek rano, gromadząc ponad 170 punktów i ponad 130 komentarzy w ciągu kilku godzin, a dyskusja skupiała się na cenach, limicie 15 sekund oraz porównaniu procesu edycji modelu z alternatywami.
Co to oznacza dla rynku wideo AI
Aktualizacja pojawia się w burzliwym momencie dla firm zajmujących się sztuczną inteligencją. Wyprzedaż na giełdzie w tym tygodniu, wywołana częściowo obawami inwestorów dotyczącymi monetyzacji sztucznej inteligencji, wywarła presję na każde większe laboratorium, aby pokazało, że pionierskie badania przekładają się na przychody. Tańsza i szybsza generacja wideo jest bezpośrednią odpowiedzią na to pytanie: niższe ceny poszerzają bazę klientów, a status gotowości produkcyjnej zachęca budżety przedsiębiorstw, których narzędzia na etapie eksperymentu nigdy nie widzą.
Dla programistów praktyczne wnioski są proste. Jeśli wcześniej obciążenie związane z generowaniem wideo było ograniczone długością klipu, ceną lub trudnością związaną z regeneracją danych wyjściowych po każdej zmianie, obecnie Gemini Omni 1.2 Flash usuwa co najmniej dwa z tych trzech punktów tarcia. To, czy rywale zareagują odpowiednimi obniżkami cen – tak jak to miało miejsce w przypadku poprzednich wydań Gemini Flash – będzie jedną z historii, które warto będzie obserwować w nadchodzących tygodniach.
Ulepszenia spójności zasługują na szczególną uwagę ze strony zespołów, które wypróbowały wcześniejsze modele wideo i odpuściły. Oświadczenie Google dotyczy w szczególności „profesjonalnych projektów”, potwierdzając, że spójność między klatkami – postacie wyglądające tak samo na wszystkich ujęciach, oświetlenie, które nie zmienia się w połowie sceny – jest tym, co odróżnia wersję demonstracyjną od treści dostarczanej. W połączeniu z edycją konwersacyjną przepływ pracy opisywany przez Google nie przypomina automatu do gry odtwarzającego klipy, a bardziej przypomina narzędzie do projektowania iteracyjnego.
Google twierdzi, że programiści mogą natychmiast zacząć korzystać z nowych możliwości w interfejsach API Gemini, Google Vids i Gemini dla firm.
---
Bądź na Bieżąco z AINajnowsze wiadomości, analizy i przełomy w dziedzinie AI — wszystko w jednym miejscu.
Czytaj więcej wiadomości AI →
