Przejdź do treści
6 min czytania

Gemini Omni 1.2 Flash: 15-sekundowe wideo i cena niższa o 30%

Gemini Omni 1.2 Flash generuje klipy do 15 sekund, pozwala edytować wideo w rozmowie i kosztuje 0,07 USD za sekundę 720p. Sprawdzamy, co nowego i gdzie działa.

Gemini Omni 1.2 Flash: 15-sekundowe wideo i cena niższa o 30%

Źródło zdjęcia: Google

Google wprowadza Gemini Omni 1.2 Flash, nową wersję swojego modelu do generowania wideo. Model tworzy natywnie klipy do 15 sekund, pozwala edytować materiał w kolejnych turach rozmowy i lepiej trzyma się materiałów referencyjnych. Jest też o 30% tańszy od poprzednika: 720p kosztuje 0,07 dolara za sekundę wideo.

Premierę 5 listopada 2026 roku ogłosił Anish Nangia, Product Manager w Google DeepMind. Model jest od dziś ogólnie dostępny (generally available) w Gemini API oraz w Gemini for business. Według Google to pierwszy przypadek, gdy model z rodziny Gemini Omni osiąga status ogólnej dostępności.

Najważniejsze informacje

  • Dłuższe klipy: do 15 sekund zamiast 10 w Omni 1.1. Długość można ustawić co sekundę, w zakresie od 3 do 15 sekund.
  • Niższa cena: o 30% mniej niż w Gemini Omni 1.1, czyli 0,07 USD za sekundę wideo w rozdzielczości 720p.
  • Edycja w rozmowie: klip można poprawiać w kolejnych turach, np. zmienić tło, oświetlenie albo proporcje obrazu, bez generowania go od nowa.
  • Spójność i referencje: twarze, ubrania, typografia opakowań i kolory marki pozostają takie same przy zmianach ujęć kamery.
  • Wdrożenie produkcyjne: model działa na infrastrukturze Google Cloud, obsługuje Provisioned Throughput, a wygenerowane materiały mają niewidoczny znak wodny SynthID.

Tańsza produkcja i dłuższe ujęcia

Oszczędności nie wynikają tylko z niższej stawki. Google proponuje tok pracy, w którym szkice powstają w 360p lub 720p. Gdy coś trzeba poprawić, wystarczy edycja w kolejnej turze zamiast generowania całego klipu od nowa. Dopiero najlepsze ujęcia skaluje się do 1080p lub 4K.

Limit wydłużono z 10 do 15 sekund. Według firmy wystarczy to, by w jednej generacji opowiedzieć zamkniętą historię, przygotować film objaśniający działanie produktu albo pełny spot reklamowy do mediów społecznościowych.

Model nie ma jeszcze wszystkiego dopracowanego. Google przyznaje, że wciąż pracuje nad szybką akcją sportową, gwałtownymi zmianami scenariusza i złożoną fizyką.

Referencje, spójność i edycja krok po kroku

Generowanie można sterować kilkoma rodzajami materiałów naraz:

  • zdjęciami postaci, produktów lub stylu,
  • krótkimi klipami ruchu (do trzech sekund),
  • wskazówkami dźwiękowymi.

Według Google Omni 1.2 Flash zachowuje te szczegóły od pierwszej do ostatniej klatki. Dzięki temu istniejące zdjęcia produktowe czy karty postaci można zamienić w wirtualne przymierzalnie, obrotowe prezentacje katalogowe albo reklamy z identyfikacją wizualną marki. W jednym z pokazów model dostał zdjęcie modelki oraz ujęcia z przodu i z tyłu trzech strojów. Na tej podstawie wygenerował 15-sekundową sekwencję przymierzania z obrotami o 360 stopni i cięciami dopasowującymi. Tożsamość modelki oraz krój, układ materiału i detale z tyłu każdego stroju pozostały niezmienione.

Nowa wersja ma też rzadziej „dryfować” wizualnie, czyli mniej deformować obiekty podczas ruchu i przejść kamery. Dotyczy to zarówno interpolacji między pierwszą a ostatnią klatką kluczową, jak i przedłużania klipu w dłuższą sekwencję. Google porównało obie wersje na przykładzie plakatu wystawy oświetleniowej z pięciowarstwowym promptem animacji. Omni 1.1 Flash odwzorował obraz referencyjny mniej wiernie. Wersja 1.2 zbudowała plakat warstwa po warstwie: na pudroworóżowym cykloramie wyrasta sześciokątny cokół, a z prążkowanego szkła, ciepłego żarnika, fasetowanego kryształu i zwiniętego przewodu powstają napisy HALO, GLOW i LUMEN. Materiały, cienie i typografia pozostały spójne do ostatniej klatki.

W innym porównaniu model miał połączyć klatkę początkową z zewnątrz budynku z klatką końcową z wnętrza w jednym ciągłym najeździe kamery. Między wersjami 1.1 i 1.2 widać tu subtelne różnice, np. w kotach na dachu czy w chochli do zupy, która zamienia się w pałeczki.

Najbardziej praktyczna dla twórców reklam jest wieloturowa edycja konwersacyjna. Ten sam klip można dopracowywać kolejnymi poleceniami: podmienić produkt lub tło, zmienić oświetlenie czy pogodę, przełączyć proporcje obrazu. Funkcja obejmuje całe 15-sekundowe klipy, więc warianty reklam dla różnych odbiorców i miejsc emisji powstają bez ponownego briefu. W pokazie Google kolejne polecenia zmieniały tło sceny z pasiastego namiotu na dębowy las, stajnię z białym koniem, jarmark i kamienny zamek. Gra obu postaci, odbicia na zbrojach i kadrowanie pozostały bez zmian. Inny przykład to przeniesienie ruchu: w pierwszej turze model wygenerował falującą ośmiornicę, a w drugiej zastąpił ją tancerką, której suknia powtarza dokładnie ten sam płynny ruch.

Dialogi i praca kamery

Model ma generować płynniejsze, bardziej naturalne dialogi, lepszą synchronizację ruchu ust oraz wyraźnie rozróżnione głosy wielu rozmówców. Google wskazuje trzy miejsca, w których będzie to widać: reżyserowanie scen z wieloma postaciami we Flow, wideo objaśniające w Gemini for business oraz filmy z awatarami, muzyką i narracją w Google Vids. W pokazie model dostał obraz sceny w oranżerii, referencje czterech postaci i ich ust oraz jednosekundowe próbki głosu. Każdy głos trafił do właściwej postaci, z ekspresyjnym lip-synkiem i naturalnym wyczuciem komediowego rytmu w 15-sekundowej animacji.

Lepiej działa też sterowanie kamerą. Złożone, ciągłe ruchy, takie jak przeloty FPV, efektowne oddalenia czy orbity, mają zawierać znacznie mniej niechcianych przeskoków montażowych i zachowywać stabilniejszą skalę. Na podstawie dwóch zdjęć architektury model wygenerował jeden ciągły lot drona FPV: przez plac, przez brązowe drzwi i w górę przez kasetonową kopułę Panteonu aż do oculusa, bez żadnego cięcia. Inne demo pokazuje 10-sekundowe ujęcie typu crash zoom-out, od zbliżenia linii brzegowej do lotniczego widoku całej wyspy. Kolejne zamienia jedną klatkę stylu w 4-ujęciowy, 15-sekundowy naukowy film w skali makro, z poprawnie zapisanymi opisami, które podążają za ruchem.

Gdzie i dla kogo

Google kieruje model do firm, deweloperów i twórców, którzy produkują wideo na dużą skalę. Dostęp zależy od grupy użytkowników:

  • Deweloperzy: prototypowanie w Google AI Studio, interaktywne aplikacje startowe, dokumentacja i cennik Gemini API.
  • Firmy: konsola Google Cloud i budowa rozwiązań enterprise na bazie API.
  • Użytkownicy aplikacji Google: reżyserowanie scen i edycja wieloturowa we Flow; 15-sekundowe klipy w Google Vids bez dodatkowych opłat (z kontem Google lub subskrypcją Google Workspace); 15-sekundowe filmy w aplikacji Gemini, udostępniane stopniowo subskrybentom Google AI Ultra; skalowanie kampanii wideo w Google Ads.

Premiera wpisuje się w szerszą ofensywę firmy, o której pisaliśmy w podsumowaniu nowości AI od Google, w tym Gemini 4 Argon i Carbon. Integracja z Google Ads pasuje też do tego, że Google coraz mocniej wiąże generatywną AI z reklamą, czego przykładem jest globalne wprowadzenie reklam AI w wyszukiwarce.

Co to oznacza dla Polski

Źródło nie podaje, w których krajach model jest dostępny. Gemini API, Google AI Studio, Google Cloud i Google Workspace działają jednak także na polskim rynku. Stawka 0,07 USD za sekundę wideo w 720p to przy kursie około 3,7 zł za dolara mniej więcej 26 groszy za sekundę. Pełny 15-sekundowy klip w tej rozdzielczości kosztuje więc około 1,05 USD, czyli niecałe 4 zł, przed ewentualnym skalowaniem do wyższej rozdzielczości. Dla polskich agencji reklamowych i sklepów internetowych szczególnie istotne mogą być wirtualne przymierzalnie, prezentacje produktów i szybkie warianty reklam.

Ważny jest też niewidoczny znak wodny SynthID. Unijny AI Act nakłada obowiązki przejrzystości wobec treści generowanych przez AI, w tym deepfake'ów. Firmy publikujące takie materiały w UE muszą pamiętać, że samo osadzenie znaku wodnego przez dostawcę nie zwalnia ich z odpowiedzialności za właściwe oznaczanie treści.

Gemini Omni 1.2 Flash to aktualizacja nastawiona na zastosowania produkcyjne: dłuższe klipy, niższa cena, edycja w rozmowie i lepsza spójność, przy otwarcie przyznanych ograniczeniach w szybkiej akcji i złożonej fizyce.

Udostępnij
Powrót do nawigacji