Hosszabb videót és olcsóbb árat kapott a Gemini Omni 1.2 Flash
A Google Deepmind által fejlesztett Gemini Omni 1.2 Flash videogenerátor mostantól általánosan elérhető, akár 15 másodperces klipeket hoz létre, és 30%-kal olcsóbb elődjénél.
Árazás és technikai paraméterek
Minden generált videó tartalmaz egy észrevehetetlen SynthID vízjelet, amely jelzi a tartalom eredetét. A klipek hossza 3 és 15 másodperc között mozoghat, szemben a korábbi 10 másodperces maximummal. Az árcsökkentés 30%-os, így 720p felbontású videó esetén az ár másodpercenként 0,07 dollár. (The Decoder)
Szerkesztési funkciók és konzisztencia
A generált klipek egy folyamatos párbeszéd során is szerkeszthetők. A „Conversational Editing” funkció lehetővé teszi, hogy a felhasználók lépésről lépésre módosítsák a klipek hátterét, világítását vagy képarányát anélkül, hogy a teljes videót újra kellene generálniuk. A Google szerint ez a funkció a teljes 15 másodperces hosszon működik, és a rétegzett munkafolyamattal együtt csökkenti a költségeket. A tervek szerint a klipek először 360p vagy 720p felbontásban készülnek el, a részletek módosítása után a végeredményt skálázzák 1080p vagy 4K felbontásra.
A Google jelentősen javított referenciatartási képességeket ígér. Az új modell karakterképeket, termékfotókat, rövid (legfeljebb 3 másodperces) mozgóklipéket és hangutasításokat is képes bemenetként fogadni. Az arcok, ruházat, csomagolás tipográfiája és a márkaszínek állítólag konzisztensek maradnak a különböző kameraállásokban is. Példaként a Google egy virtuális próbafülke-klipet mutat be, ahol egyetlen modellfotó és három ruhát ábrázoló termékfotó alapján a modell 15 másodperces, 360 fokos fordulatokat tartalmazó szekvenciát generál, megőrizve a modell és a ruhák megjelenését.
Az általános vizuális konzisztencia is javult, a Google szerint kevesebb a vizuális sodródás vagy torzulás a mozgás és a kameraátmenetek során, mint az előző modellnél. Ezen felül a Gemini Omni 1.2 Flash állítólag gördülékenyebb, természetesebb hangzású párbeszédet produkál, tisztább szinkronizációval és több hangszóró megkülönböztetésének képességével.
A modell kezeli a komplex, folyamatos kameramozgásokat, mint például az FPV drónrepüléseket vagy a drámai zoom-outokat, jelentősen kevesebb nem kívánt ugróvágással. A Gemini Omni 1.2 Flash 0,07 dolláros másodpercenkénti díja a 720p felbontású tartalmakra vonatkozik.