فهرست مطالب این مقاله ۵ بخش
خلاصهٔ خبر
- گوگل مدل ویدیوساز Gemini Omni 1.2 Flash را به‌طور عمومی در Gemini API و Gemini for business عرضه کرد.
- سقف طول کلیپ از ۱۰ به ۱۵ ثانیه رسید و مدت از ۳ تا ۱۵ ثانیه قابل تنظیم است.
- قیمت ویدیوی 720p با ۳۰ درصد کاهش به ۰٫۰۷ دلار برای هر ثانیه رسید.
- ویرایش چندمرحله‌ای در گفت‌وگو بدون ساخت دوبارهٔ کلیپ ممکن شده است.
- ساخت ویدیوی ۱۵ ثانیه‌ای در اپ Gemini فعلاً برای مشترکان Google AI Ultra در حال عرضه است.
گوگل روز پنجشنبه ۱۴ آبان، Gemini Omni 1.2 Flash را به‌طور عمومی در Gemini API و Gemini for business عرضه کرد. این مدل ویدیوساز حالا کلیپ‌هایی تا ۱۵ ثانیه می‌سازد و هر ثانیه ویدیوی 720p آن ۳۰ درصد ارزان‌تر شده است. ویرایش کلیپ در چند نوبت گفت‌وگو هم به مدل اضافه شده است.
سقف ۱۵ ثانیه و ۰٫۰۷ دلار برای هر ثانیه
طبق اطلاعیهٔ رسمی گوگل در وبلاگ این شرکت، سقف طول کلیپ از ۱۰ ثانیه در Omni 1.1 به ۱۵ ثانیه رسیده است. مدت ویدیو را می‌توان با گام‌های یک‌ثانیه‌ای، از ۳ تا ۱۵ ثانیه، تعیین کرد. به گفتهٔ گوگل، این بازه برای روایت یک داستان کامل، ویدیوی معرفی محصول یا آگهی کامل شبکه‌های اجتماعی در یک بار ساخت کافی است.
قیمت در Gemini API به ۰٫۰۷ دلار برای هر ثانیه ویدیوی 720p رسیده است. به گزارش نکست‌وب (The Next Web)، این رقم پیش‌تر ۰٫۱۰ دلار بود. وبلاگ Google Cloud هم می‌نویسد در وضوح‌های دیگر نیز صرفه‌جویی مشابهی اعمال شده، اما رقم دقیق آن‌ها را نیاورده است.
روش کار مدل هم هزینه را پایین نگه می‌دارد. کاربر می‌تواند پیش‌نویس‌ها را با وضوح 360p یا 720p بسازد، ایرادها را با یک ویرایش تکمیلی برطرف کند و فقط بهترین خروجی‌ها را به 1080p یا 4K ارتقا دهد.
| مورد | مقدار |
|---|---|
| حداکثر طول کلیپ | ۱۵ ثانیه (در Omni 1.1: ۱۰ ثانیه) |
| بازهٔ قابل‌تنظیم مدت | ۳ تا ۱۵ ثانیه، با گام یک‌ثانیه‌ای |
| قیمت ویدیوی 720p | ۰٫۰۷ دلار برای هر ثانیه (۳۰ درصد کمتر از Omni 1.1) |
| قیمت قبلی، به گزارش نکست‌وب | ۰٫۱۰ دلار برای هر ثانیه |
| وضوح پیش‌نویس | 360p یا 720p |
| وضوح نهایی پس از ارتقا | 1080p یا 4K |
| حداکثر طول کلیپ حرکتی مرجع | ۳ ثانیه |
| نشان‌گذاری خروجی | واترمارک نامرئی SynthID |
ویرایش کلیپ در گفت‌وگو، بدون ساخت دوباره
مهم‌ترین تغییر کاربردی این نسخه ویرایش چندمرحله‌ای است. کاربر می‌تواند روی همان کلیپ، نوبت‌به‌نوبت، محصول یا پس‌زمینه را عوض کند، نور و آب‌وهوا را تغییر دهد یا نسبت تصویر را جابه‌جا کند. به گفتهٔ گوگل، این قابلیت روی کل کلیپ ۱۵ ثانیه‌ای کار می‌کند.
در یکی از نمونه‌های گوگل، پس‌زمینهٔ یک کلیپ چند بار پشت سر هم عوض می‌شود: از چادر راه‌راه تا جنگل بلوط و قلعهٔ سنگی. اجرای دو شخصیت، بازتاب زره‌ها و قاب دوربین در همهٔ مرحله‌ها ثابت می‌ماند. هدف اعلام‌شده، ساخت نسخه‌های مختلف یک آگهی برای مخاطبان گوناگون بدون نوشتن دوبارهٔ دستور است.
ثبات چهره، لباس و حرکت دوربین
Omni 1.2 Flash تصویر شخصیت، محصول یا سبک را همراه با کلیپ‌های حرکتی کوتاه و نشانه‌های صوتی به‌عنوان مرجع می‌پذیرد. گوگل می‌گوید چهره‌ها، لباس‌ها، تایپوگرافی بسته‌بندی و رنگ‌های برند در زاویه‌های مختلف دوربین ثابت می‌مانند. یکی از نمونه‌های رسمی، پرو مجازی ۱۵ ثانیه‌ای سه دست لباس است که از یک عکس مدل و عکس‌های جلو و پشت لباس‌ها ساخته شده است.
به گزارش نکست‌وب، در مقایسه‌های داخلی دیپ‌مایند، ارزیابان در ۶۲ درصد موارد ثبات بصری نسخهٔ ۱٫۲ را به ۱٫۱ ترجیح داده‌اند. این عدد در اطلاعیهٔ وبلاگ گوگل نیامده است. گوگل از دیالوگ طبیعی‌تر، هماهنگی بهتر لب با صدا و تفکیک چند گوینده هم خبر داده است. به گفتهٔ این شرکت، حرکت‌های پیوستهٔ دوربین، مثل پرواز پهپادی FPV یا زوم‌اوت دراماتیک، حالا با پرش‌های ناخواستهٔ بسیار کمتری ساخته می‌شوند.
محدودیت‌ها پنهان نشده‌اند. گوگل می‌گوید کار روی صحنه‌های ورزشی سریع، تغییرهای پرشتاب فیلم‌نامه و فیزیک پیچیده ادامه دارد.
این مدل کجا در دسترس است
ساخت ویدیوی ۱۵ ثانیه‌ای در اپلیکیشن Gemini در حال عرضه برای مشترکان Google AI Ultra است. در Google Vids با حساب گوگل یا اشتراک Google Workspace می‌شود کلیپ ۱۵ ثانیه‌ای را بدون هزینهٔ اضافه ساخت. Flow برای کارگردانی صحنه و ویرایش چندمرحله‌ای و Google Ads برای کمپین‌های ویدیویی هم این مدل را دریافت می‌کنند.
توسعه‌دهندگان از طریق Gemini API و Google AI Studio به مدل دسترسی دارند. طبق اطلاعیهٔ گوگل، این نخستین بار است که Gemini Omni با پشتوانهٔ زیرساخت Google Cloud به‌طور عمومی عرضه می‌شود. به نوشتهٔ وبلاگ Google Cloud، مرجع‌های صوتی فقط برای حساب‌های واردشده در فهرست مجاز باز است.
چند پلتفرم خلاقانه، از جمله Artlist، Krea، Picsart، Photoroom و invideo، از این مدل استفاده می‌کنند. شیوام راستوگی، معاون مهندسی invideo، در وبلاگ Google Cloud نوشته است که این شرکت مدل را در ارزیابی‌های خود آزموده و آن را از بهترین گزینه‌ها برای تولید سریع ویدیو در مقیاس بالا می‌داند. به گفتهٔ او، ۱۵ ثانیه برای ساخت یک صحنهٔ کامل در یک بار کافی است.
در بازار رقابتی ویدیو، به گزارش نکست‌وب، Seedance 2.5 از بایت‌دنس کلیپ‌هایی تا ۳۰ ثانیه می‌سازد. برای مقایسهٔ ابزارهای این حوزه، مقایسهٔ ابزارهای ساخت ویدیو با هوش مصنوعی را ببینید.
آنچه هنوز روشن نیست
- گوگل زمان دقیق تکمیل عرضه در اپلیکیشن Gemini را اعلام نکرده و نگفته است مشترکان پلن‌های پایین‌تر از Ultra هم به ساخت کلیپ ۱۵ ثانیه‌ای دسترسی پیدا می‌کنند یا نه.
- قیمت دقیق وضوح‌های 360p، 1080p و 4K در اطلاعیه‌های رسمی نیامده است.
- فهرست کشورهایی که این مدل در آن‌ها عرضه می‌شود در اطلاعیه‌ها منتشر نشده است.
منابع این خبر
- Google — Gemini Omni 1.2 Flash: Fast and cost-effective with longer clips
- Google Cloud Blog — Gemini Omni 1.2 Flash: Fast, cost-effective, and reliable video generation and editing now generally available
- The Next Web — Google’s Gemini Omni 1.2 Flash makes 15-second AI videos for less
- The Decoder — Google's Gemini Omni 1.2 Flash stretches AI video clips to 15 seconds and cuts pricing by 30 percent
کامل بهرامی
دیدگاه‌ها