Przejdź do treści
6 min czytania

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.

Gemini Omni 1.2 Flash: klipy do 15 sekund i cena niższa o 30%

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.

Udostępnij
Powrót do nawigacji