گوگل مدل تولید و ویرایش ویدیوی Gemini Omni 1.2 Flash را با امکان ساخت کلیپ‌های ۱۵ ثانیه‌ای و هزینه کمتر عرضه کرده است. این مدل در مقایسه با نسل قبلی ۳۰ درصد ارزان‌تر است و با حفظ جزئیات سوژه‌ها، امکان ویرایش مرحله‌ای ویدیوها را نیز فراهم می‌کند.
گوگل از عرضه عمومی مدل هوش مصنوعی Gemini Omni 1.2 Flash خبر داده است؛ مدلی که برای تولید و ویرایش ویدیو طراحی شده و در مقایسه با نسخه قبلی، هم کلیپ‌های طولانی‌تری می‌سازد و هم هزینه تولید را کاهش می‌دهد. این مدل از ۵ نوامبر ۲۰۲۶ (۱۴ آبان ۱۴۰۵) در دسترس توسعه‌دهندگان و کاربران تجاری قرار گرفته است.
مهم‌ترین تغییر این نسخه، افزایش حداکثر زمان تولید مستقیم ویدیو از ۱۰ به ۱۵ ثانیه است. در نسل قبلی، ساخت کلیپ ۴۰ ثانیه‌ای به چند مرحله نیاز داشت؛ اما نسخه جدید می‌تواند ویدیویی ۱۵ ثانیه‌ای را در یک مرحله تولید کند. کاربران همچنین می‌توانند مدت‌زمان خروجی را با فاصله‌های یک‌ثانیه‌ای، از ۳ تا ۱۵ ثانیه تنظیم کنند.
هزینه تولید ویدیو ۳۰ درصد کاهش یافت
گوگل قیمت تولید ویدیو با وضوح ۷۲۰p را به ۰.۰۷ دلار برای هر ثانیه کاهش داده است؛ درحالی‌که هزینه استفاده از مدل قبلی ۰.۱۰ دلار بود. به این ترتیب، ساخت یک کلیپ ۱۵ ثانیه‌ای با وضوح ۷۲۰p از طریق Gemini حدود ۱.۰۵ دلار هزینه دارد. این مبلغ فقط هزینه تولید خروجی ویدیویی است و نباید آن را لزوما معادل هزینه نهایی تمام فرایند تولید محتوا دانست.
حفظ جزئیات سوژه‌ها و ویرایش با دستور متنی
یکی از بهبودهای مهم مدل جدید، پایبندی بهتر به تصاویر و ویدیوهای مرجع است. برای مثال، هنگام ساخت تبلیغ محصول، مدل تلاش می‌کند ظاهر کالا، شخصیت‌ها، نوشته‌های روی بسته‌بندی و رنگ‌های برند را در نماهای مختلف ثابت نگه دارد. این ویژگی می‌تواند برای تولید ویدیوهای معرفی محصول و تبلیغات چندنمایی اهمیت زیادی داشته باشد.
قابلیت ویرایش مکالمه‌ای نیز به کاربران اجازه می‌دهد به‌جای تولید دوباره کل ویدیو، تغییرات موردنظر را با دستورهای متنی اعمال کنند. تعویض محصول، تغییر پس‌زمینه، تنظیم نورپردازی و اصلاح زاویه دوربین ازجمله نمونه‌های این قابلیت هستند. مدل همچنین در تولید گفت‌وگوهای طبیعی‌تر، هماهنگی حرکت لب با صدا و مدیریت صحنه‌های چندگوینده بهبود یافته است.
دسترسی به مدل جدید گوگل
توسعه‌دهندگان می‌توانند ازطریق Gemini API و محیط Google AI Studio با این مدل کار کنند. کاربران تجاری نیز به آن در سرویس‌های گوگل کلاود دسترسی دارند. علاوه‌بر این، قابلیت‌های مدل به‌تدریج در ابزارهایی مانند Flow و Google Vids و اپلیکیشن Gemini عرضه می‌شوند؛ دسترسی در اپلیکیشن Gemini فعلا برای مشترکان Google AI Ultra درحال عرضه است. خروجی‌های تولیدشده نیز به واترمارک نامرئی SynthID مجهز هستند.
درمجموع، کاهش هزینه و امکان تولید مستقیم کلیپ‌های طولانی‌تر، این مدل را برای کسب‌وکارهایی که به حجم بالایی از محتوای ویدیویی نیاز دارند، کاربردی‌تر می‌کند. بااین‌حال، کیفیت خروجی نهایی همچنان به دقت دستورها، تصاویر مرجع و تعداد دفعات اصلاح وابسته است.
