Gemini Omni 1.2 Flash: klipy do 15 sekund i cena niższa o 30%
Google DeepMind udostępnia Gemini Omni 1.2 Flash: wideo do 15 sekund, edycja w rozmowie, lepsza spójność postaci i cena 0,07 USD za sekundę 720p.

Źródło zdjęcia: Google
Google DeepMind udostępnia Gemini Omni 1.2 Flash, nową wersję modelu do generowania wideo. Model tworzy natywnie klipy do 15 sekund, lepiej trzyma się materiałów referencyjnych i pozwala poprawiać wideo w rozmowie, bez generowania go od nowa. Według wpisu na blogu Google DeepMind, którego autorem jest Anish Nangia, Product Manager w Google DeepMind, model jest dostępny dla wszystkich (generally available) w Gemini API, w Gemini for business oraz w Google Cloud.
Firma obniżyła też cenę. Nowa wersja kosztuje o 30% mniej niż Gemini Omni 1.1, czyli 0,07 dolara za sekundę wideo w rozdzielczości 720p. Google kieruje model do firm, deweloperów i twórców, którzy produkują wideo na dużą skalę.
Najważniejsze informacje
- Dłuższe klipy: do 15 sekund natywnie (wcześniej 10 sekund w Omni 1.1). Długość można ustawić co sekundę, w zakresie od 3 do 15 sekund.
- Niższa cena: 30% taniej niż Gemini Omni 1.1, czyli 0,07 USD za sekundę wideo 720p.
- Edycja w rozmowie: klip można zmieniać krok po kroku, np. podmienić produkt, tło, oświetlenie czy proporcje obrazu.
- Lepsza spójność: twarze, ubrania, typografia opakowań i kolory marki pozostają stałe przy zmianie kąta kamery i przejściach.
- Pełna dostępność komercyjna: Gemini Omni po raz pierwszy jest ogólnie dostępny, na infrastrukturze Google Cloud. Wygenerowane materiały mają niewidoczny znak wodny SynthID.
Dłużej, taniej i z poprawkami zamiast powtórek
Dłuższe klipy to najbardziej widoczna zmiana. Według Google 15 sekund wystarcza, by w jednym przebiegu opowiedzieć całą historię, przygotować film objaśniający produkt albo pełny spot reklamowy do mediów społecznościowych.
Koszty obniża nie tylko cennik, ale też sposób pracy, który proponuje firma:
- wersje robocze generuje się szybko w 360p lub 720p,
- szczegóły poprawia się kolejnym poleceniem edycji, bez generowania całego klipu od nowa,
- najlepsze ujęcia skaluje się na końcu do 1080p lub 4K.
Edycja wieloetapowa obejmuje całe 15-sekundowe klipy. Google wskazuje, że ułatwia to przygotowanie wariantów reklam dla różnych grup odbiorców i formatów bez nowego briefu i ponownego generowania. W jednym z przykładów 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.
Referencje i spójność od pierwszej do ostatniej klatki
Omni 1.2 Flash można prowadzić kilkoma rodzajami materiałów naraz: zdjęciami postaci, produktów lub wzorcami stylu, krótkimi klipami z ruchem (do trzech sekund) i wskazówkami dźwiękowymi. Według Google model trzyma się tych detali przez cały klip. Dzięki temu istniejące zdjęcia produktowe czy karty postaci można zamienić w wirtualne przymierzanie, obrotowe prezentacje katalogowe lub reklamy wideo z identyfikacją marki.
Przykład z wpisu: model dostał jedno zdjęcie modelki i ujęcia przodu oraz tyłu trzech strojów. Na tej podstawie wygenerował 15-sekundową sekwencję wirtualnego przymierzania z obrotami o 360 stopni i cięciami dopasowanymi (match cuts). Tożsamość modelki oraz krój, układ materiału i detale tyłu każdego stroju pozostały spójne.
Google podkreśla też mniejszy „dryf” wizualny i mniej deformacji (morphingu) przy ruchu i przejściach kamery. Dotyczy to interpolacji między pierwszą a ostatnią klatką kluczową oraz wydłużania klipu w dłuższą sekwencję. Firma porównała obie wersje modelu na statycznym plakacie wystawy o oświetleniu studyjnym i pięciowarstwowym poleceniu animacji. Wersja 1.1 słabiej odwzorowała obraz referencyjny. Wersja 1.2 budowała plakat warstwa po warstwie, od cykloramy w kolorze przygaszonego różu i sześciokątnego cokołu po napisy HALO, GLOW i LUMEN z karbowanego szkła, żarzącego się filamentu, fasetowanego kryształu i zwiniętego przewodu. Materiały, cienie i typografia pozostały stałe do ostatniej klatki.
W zestawieniu wersji 1.1 i 1.2 przy łączeniu klatki zewnętrznej z wewnętrzną w jednym ruchu kamery Google wskazuje drobne różnice, np. koty na dachu czy chochlę do zupy, która zamienia się w pałeczki.
Mowa, kamera i ruch
Nowa wersja ma też generować płynniejsze i bardziej naturalne dialogi, dokładniejszą synchronizację ruchu warg oraz wyraźnie rozdzielone głosy wielu mówców. Google pokazało scenę w oranżerii: model dostał obraz sceny oraz referencje czterech postaci, ich ust i jednosekundowe próbki głosu. Każdy głos trafił do właściwej postaci, z ekspresyjnym lip-synkiem i naturalnym wyczuciem komediowym w 15-sekundowej animacji.
Model lepiej radzi sobie także ze złożonymi, ciągłymi ruchami kamery: przelotami FPV, dramatycznymi odjazdami i orbitami. Według Google jest przy tym znacznie mniej niechcianych cięć, a skala obrazu jest stabilniejsza. Na podstawie dwóch zdjęć architektonicznych model wygenerował jeden ciągły przelot drona FPV przez plac, przez brązowe drzwi i w górę przez kasetonową kopułę Panteonu aż do oculusa, bez ani jednego cięcia.
Inne przykłady z prezentacji:
- Klip 15-sekundowy: jedna klatka stylu zamieniona w czteroujęciowy film popularnonaukowy w skali makro, z poprawnie zapisanymi podpisami, które podążają za ruchem.
- Transfer ruchu w kilku turach: w pierwszej turze powstaje falująca ośmiornica, w drugiej zastępuje ją tancerka, której suknia odtwarza dokładnie ten sam płynny ruch.
- Ciągły crash zoom-out: 10-sekundowe ujęcie od zbliżenia linii brzegowej do widoku wyspy z lotu ptaka, z naturalną skalą i bez cięć.
Dostępność i ograniczenia
Google przyznaje, że model wciąż wymaga pracy przy szybkiej akcji sportowej, gwałtownych zmianach scenariusza i złożonej fizyce. Firma dodaje, że z modelu korzystają już przedsiębiorstwa, startupy i twórcy. Dla klientów korporacyjnych dostępny jest Provisioned Throughput, czyli gwarantowana przepustowość.
Model trafia do kilku kanałów:
- Deweloperzy (Gemini API): prototypowanie w Google AI Studio, interaktywne aplikacje startowe, dokumentacja i cennik.
- Firmy: Google Cloud console i budowa rozwiązań na API.
- Użytkownicy aplikacji Google: reżyserowanie scen i edycja w Flow. W Google Vids 15-sekundowe klipy są dostępne bez dodatkowych opłat z kontem Google lub subskrypcją Google Workspace. W aplikacji Gemini funkcja trafia stopniowo do subskrybentów Google AI Ultra. Model obsługuje też skalowanie kampanii wideo w Google Ads.
Udostępnienie modelu w Google Ads wpisuje się w szerszą strategię wprowadzania generatywnej AI do narzędzi reklamowych firmy. Opisywaliśmy ją przy okazji globalnego wdrożenia reklam AI w wyszukiwarce Google. Szerszy przegląd najnowszych premier koncernu zawiera nasze podsumowanie nowości AI od Google, w tym Gemini 4 Argon i Carbon.
Co to oznacza dla Polski
Źródło nie podaje szczegółów dostępności regionalnej, więc o tym, czy dana funkcja działa na konkretnym koncie, decyduje sam produkt Google. Cena w API jest podana w dolarach. Przy kursie około 3,7 zł za dolara sekunda wideo 720p kosztuje około 0,26 zł, a pełny 15-sekundowy klip (1,05 USD) około 3,9 zł, bez upscalingu do wyższych rozdzielczości. Dla polskich agencji reklamowych i sklepów internetowych szczególnie interesujące mogą być wirtualne przymierzanie i warianty reklam tworzone z istniejących zdjęć produktowych.
Ważny jest też kontekst regulacyjny. Unijny AI Act nakłada obowiązki przejrzystości wobec treści generowanych przez AI, w tym deepfake'ów. Znak wodny SynthID dodawany do każdego materiału z Omni 1.2 Flash to jedno z technicznych narzędzi oznaczania takich treści. Firmy publikujące wygenerowane wideo powinny jednak samodzielnie sprawdzić swoje obowiązki informacyjne wobec odbiorców.
Podsumowanie
Gemini Omni 1.2 Flash to aktualizacja dla zastosowań komercyjnych: dłuższe klipy, niższa cena i edycja w rozmowie mają obniżyć koszt masowej produkcji wideo. Google otwarcie przyznaje, że szybka akcja i złożona fizyka nadal wymagają dopracowania.
Źródła
Podobne publikacje

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 Decisions API: Google wchodzi w modele decyzyjne
Gemini Decisions API od Google ocenia do 1000 pytań w jednym przebiegu na tekście, wideo, audio i PDF. Sprawdzamy ceny, typy pytań i test Simona Willisona.

Gemini Decision 1: Google ocenia 1000 pytań w jednym przebiegu
Google DeepMind udostępnia Gemini Decision 1 i Decisions API do szybkich decyzji tak/nie, wyboru i ocen. Odpowiada w 150–250 ms za 0,10 USD/mln tokenów.