Google koncom augusta predstavil model Gemini Omni 1.1 Flash, ktorý oproti predchádzajúcemu modelu Omni priniesol výrazný pokrok. Teraz tento nástroj dostal ďalšiu rozsiahlu aktualizáciu. Prichádza Omni 1.2 Flash, doposiaľ najlepší multimodálny model na tvorbu videí od Google DeepMind.
Dôležitou novinkou modelu Gemini 1.1 Flash bola schopnosť spájať viacero 10-sekundových úsekov za sebou, vďaka čomu umožňoval vytvárať až 40-sekundové scény. Omni 1.2 Flash teraz dokáže naraz vytvoriť až 15-sekundové video, teda o 50 % dlhšie, pričom možnosť jeho predĺženia zostala zachovaná.
Ďalšou dôležitou novinkou je, že používatelia môžu odteraz vytvárať a upravovať videá s dĺžkou od 3 do 15 sekúnd. Doteraz sa dĺžka generovaných videí nedala nastavovať, no Gemini Omni teraz v tomto smere ponúkne oveľa väčšiu flexibilitu. Dĺžku videa možno nastaviť jednoduchým posuvníkom v sekundových krokoch.
Omni 1.2 Flash ešte spoľahlivejšie zachováva vzhľad postáv a predmetov aj fyzikálnu konzistentnosť okolitého prostredia pri pohyboch kamery a rýchlych prechodoch. Minimalizuje tým vizuálne odchýlky a neprirodzené deformácie tvarov, ktoré sú typické pre videá generované umelou inteligenciou. Systém spoľahlivo prepája prvú a poslednú snímku a rovnako dobre dokáže k existujúcemu záznamu pridávať ďalšie scény bez toho, aby sa zmenili črty tvárí postáv alebo prostredie.
Aktualizácia kladie osobitný dôraz na komerčné a reklamné využitie, čo v prípade Googlu vôbec neprekvapuje. Gemini Omni 1.2 Flash dokáže kombinovať existujúce fotografie postáv, produktov či vizuálneho štýlu s krátkymi videoukážkami, ktoré môžu mať len 3 sekundy, a so zvukovými vstupmi. Systém aj pri zmene uhla kamery zachováva detaily oblečenia a ďalších produktov, nápisy na obaloch aj presné farby značky. Vďaka tomu je ideálny aj pre virtuálne skúšobné kabínky či 360-stupňové prezentácie produktov.
Netrafil Gemini Omni 1.2 Flash na prvý pokus predstavu používateľa? Žiadny problém, pri úprave záznamu netreba začínať generovanie odznova. Pomocou ďalších jednoduchých textových pokynov v chate možno priamo vymeniť produkt v pozadí alebo celé prostredie, upraviť osvetlenie, zmeniť počasie či pomer strán celého videa.
Gemini Omni 1.2 Flash výrazne pokročil aj v audiovizuálnej synchronizácii, obraz a zvuk tak budú pôsobiť oveľa prirodzenejšie a lepšie spolu ladiť. Nejde už len o samotnú synchronizáciu, model zároveň lepšie prispôsobuje zvuk štýlu scény. Jedno video navyše môže obsahovať viacero samostatných zvukových stôp a hovoriť v ňom môže viac postáv, pričom nástroj generuje repliky jednotlivých postáv v oddelených stopách.
Model Gemini Omni 1.2 Flash využíva podnikovú infraštruktúru a bezpečnostný systém Google Cloud. Spoločnosť tiež zdôraznila, že všetky vygenerované videá dostanú jej vlastný, no všeobecne uznávaný vodoznak SynthID. Rôzne platformy tak budú môcť automaticky označovať obsah vytvorený umelou inteligenciou, aby predchádzali jeho zneužívaniu a mohli ho riešiť.
Vďaka technologickej optimalizácii sa používanie Gemini Omni 1.2 Flash výrazne zlacnilo. Náklady na generovanie videí klesli oproti predchádzajúcim úrovniam o 30 %. Pri rozlíšení 720p HD stojí práca s novým nástrojom už len 0,07 dolára za sekundu. Spoločnosť uviedla, že ponúka viacero nástrojov na zvýšenie efektivity. Možno napríklad rýchlo a lacno vytvárať návrhy už v rozlíšení 360p a po dosiahnutí požadovaného výsledku ich previesť do rozlíšenia Full HD či dokonca 4K.
Gemini Omni 1.2 Flash sa okamžite stal všeobecne dostupným cez Gemini API, Google Cloud Vertex AI, podnikovú platformu Gemini aj rozhranie Google Vids. Treba však zdôrazniť, že na prístup je potrebné minimálne predplatné Google AI Pro, pričom balík AI Ultra poskytuje širšie možnosti používania. Gemini Omni 1.1 Flash bude úplne vyradený, Google však ponechá niekoľkotýždňové prechodné obdobie, aby mohli všetci bez problémov prejsť na nový model.
