Gemini Omni 1.2 Flash néven új videógeneráló modellt adott ki a Google, amellyel a generatív mesterséges intelligencia már akár 15 másodperces videókat is létrehozhat. A vállalat 30 százalékkal csökkentette a modell használati díját az előző változathoz képest, miközben pontosabb képi következetességet és beszélgetésalapú videószerkesztést ígér. A technológia már a Gemini API-n és a Google Cloud vállalati környezetében is elérhető.
A Google november 5-én jelentette be a Gemini Omni 1.2 Flash bevezetését, amely a korábbi Omni 1.1 modell továbbfejlesztése. Az új rendszer egyik legfontosabb előrelépése a hosszabb videók készítése: míg az előző változat legfeljebb tíz másodperces klipeket támogatott, az új modell már három és tizenöt másodperc közötti felvételeket is előállíthat, másodpercenként szabályozható hosszúsággal. A Google ezzel elsősorban reklámvideók, termékbemutatók, rövid kreatív tartalmak és vállalati kommunikációs anyagok készítését kívánja egyszerűbbé tenni.
A fejlesztés másik jelentős újdonsága a többfordulós, beszélgetésalapú szerkesztés. A felhasználónak nem kell minden módosításnál teljesen új videót generálnia: egy következő utasításban megváltoztathatja például a hátteret, a megvilágítást, az időjárást vagy a képarányt. A rendszer közben megpróbálja megőrizni a szereplők, termékek és tárgyak jellegzetességeit. A modell referenciaképekből, rövidebb mozgásmintákból és hangalapú útmutatásokból is dolgozhat, így a Google szerint könnyebbé válhat az azonos arculatot használó videóváltozatok elkészítése.
A vállalat közlése alapján az új modell ára 30 százalékkal alacsonyabb a Gemini Omni 1.1 díjánál. A 720p felbontású generálás API-ára másodpercenként 0,07 dollár, vagyis egy 15 másodperces felvétel alapdíja 1,05 dollár lehet ennél a beállításnál. A felhasználók alacsonyabb, 360p vagy 720p felbontásban készíthetnek próbaváltozatokat, majd a kiválasztott anyagot 1080p vagy 4K felbontásra is felskálázhatják. A Google hangsúlyozza, hogy az új modell javítja a szereplők vizuális következetességét, a párbeszédek természetességét és a szájmozgás beszédhez igazítását is.
Olvasd el: A Synthesia integrációval a ChatGPT-ben is készíthet videókat a generatív mesterséges intelligencia
Átalakulhat a videós tartalomgyártás gazdaságossága, ha egy vállalkozás már néhány dollárból készíthet több változatot ugyanarról a rövid reklámról, miközben a módosításokat egyszerű beszélgetéssel irányítja?
A Gemini Omni 1.2 Flash különösen a nagy mennyiségű vizuális tartalmat készítő vállalkozások számára lehet érdekes. Egy webáruház például meglévő termékfotóiból rövid bemutatókat állíthat elő, majd ugyanazt az alapvideót eltérő hátterekkel és képarányokkal használhatja több hirdetési felületen. Az új modell a Google Vids, a Flow és más Google-szolgáltatások felé is terjeszkedik, így a kreatív munkafolyamatok egyre több pontján megjelenhet. A generált tartalmakban a Google láthatatlan SynthID-vízjelet használ, amely segítheti a mesterséges intelligenciával készített anyagok azonosítását.
A fejlesztés ugyanakkor nem jelenti azt, hogy minden videó hibamentesen elkészíthető. A Google maga is elismeri, hogy a gyors sportmozgások, az összetett fizikai események és a hirtelen jelenetváltások továbbra is problémát okozhatnak. A 4K-kimenet sem azonos azzal, hogy a modell minden felvételt natív 4K felbontásban generál. A különböző Google-szolgáltatásokban a hozzáférési és előfizetési feltételek eltérhetnek, a hirdetési felhasználásnál pedig a termékek és márkaelemek pontosságát továbbra is ellenőrizni kell. A vállalat minőségi javulásról szóló állításaihoz további független összehasonlítások szükségesek.
A Gemini Omni 1.2 Flash megjelenése jól mutatja, hogy a generatív mesterséges intelligencia videós piacán a képminőség mellett egyre fontosabbá válik a szerkeszthetőség és az előállítás költsége. A vállalkozások számára ugyanis nem feltétlenül egyetlen látványos videó elkészítése jelenti a legnagyobb kihívást, hanem az, hogy rendszeresen, gyorsan és következetes arculattal tudjanak új tartalmakat gyártani. Ha a most bemutatott képességek a gyakorlatban is megfelelő minőséget nyújtanak, a rövid videós reklámok és termékbemutatók készítése még szélesebb vállalkozói kör számára válhat elérhetővé.
Olvasd el ezt is: Valós időben változó világokat hoz létre a Google új generatív mesterséges intelligencia modellje
Források: Google, Google DeepMind, Google Cloud
CS.SZ.
