گوگل مدل ویدیوساز Gemini Omni 1.2 Flash را منتشر کرد؛ تولید ویدیوهای ۱۵ ثانیه‌ای با ۳۰ درصد هزینه کمتر

گوگل مدل ویدیوساز Gemini Omni 1.2 Flash را از طریق رابط برنامه‌نویسی Gemini API و محصولات تجاری خود به‌صورت عمومی در دسترس قرار داد. این نسخه جدید می‌تواند کلیپ‌های ویدیویی تا ۱۵ ثانیه تولید کند، از ویرایش مکالمه‌ای پشتیبانی می‌کند، وفاداری بیشتری به فایل‌های مرجع دارد و قیمت اعلام‌شده برای تولید ویدیوهای 720p را ۳۰ درصد کاهش می‌دهد.

خانواده مدل‌های Omni قادرند متن، تصویر، صدا و ویدیو را به‌صورت هم‌زمان در یک پرامپت دریافت کرده و از ترکیب این ورودی‌ها برای تولید ویدیو استفاده کنند. عرضه عمومی نسخه 1.2 به این معناست که مدل از مرحله پیش‌نمایش خارج شده و آماده استفاده در بارهای کاری عملیاتی است. نسخه قبلی این مدل حداکثر کلیپ‌های ۱۰ ثانیه‌ای تولید می‌کرد؛ محدودیتی که اغلب توسعه‌دهندگان را مجبور می‌ساخت چند صحنه مجزا را به یکدیگر بچسبانند و چالش حفظ پیوستگی تصویر میان کلیپ‌ها را مدیریت کنند.

پانزده ثانیه تصویرسازی، فریم به فریم

تغییر منحنی هزینه‌ها با قابلیت ویرایش

گوگل توصیه می‌کند ابتدا پیش‌نویس‌های ویدیویی را با کیفیت 360p یا 720p تولید کنید، جزئیات را از طریق دستورات تکمیلی اصلاح نمایید و در نهایت کلیپ‌های منتخب را به کیفیت 1080p یا 4K ارتقا دهید. قابلیت ویرایش چندمرحله‌ای، کلیپ قبلی را در حافظه زمینه‌ای خود نگه می‌دارد؛ به این ترتیب توسعه‌دهنده می‌تواند بدون نیاز به بازنویسی پرامپت و تنظیم مجدد فایل‌های مرجع، درخواست تغییر پس‌زمینه، اصلاح نورپردازی یا سایر بازبینی‌های متمرکز را ثبت کند.

بر اساس تعرفه اعلام‌شده، تولید یک ویدیوی سه‌ثانیه‌ای با کیفیت 720p معادل ۰.۲۱ دلار و یک ویدیوی ۱۵ ثانیه‌ای معادل ۱.۰۵ دلار هزینه دارد. کاهش نیاز به تولید مجدد کل ویدیو از ابتدا می‌تواند هزینه ساخت نسخه‌های متنوع را پایین بیاورد؛ هرچند بودجه پروژه‌ها همچنان باید هزینه‌های مربوط به درخواست‌های ویرایش، خروجی‌های ردشده، ارتقای کیفیت (Upscaling)، ذخیره‌سازی و پردازش‌های پایانی را در نظر بگیرد.

وفاداری عمیق‌تر به مراجع تصویری و صوتی

مدل Omni 1.2 می‌تواند تصاویر شخصیت‌ها، محصولات یا سبک‌های بصری را با نشانه‌های صوتی و کلیپ‌های حرکتی تا سقف سه ثانیه ترکیب کند. به گفته گوگل، این مدل جزئیات یادشده را با ثبات بیشتری در طول صحنه تولیدشده حفظ می‌کند که شامل زمان حرکت دوربین نیز می‌شود. از کاربردهای بالقوه این قابلیت می‌توان به نمایش محصولات، ساخت نسخه‌های متنوع برای کمپین‌های تبلیغاتی برندها و کلیپ‌های پرو مجازی لباس اشاره کرد؛ جایی که هویت چهره فرد و فرم لباس باید در یک چرخش ۳۶۰ درجه بدون تغییر باقی بمانند.

بهبود پایبندی به مراجع هم‌چنین به حفظ ثبات شخصیت‌های تکرارشونده و بسته‌بندی برندها کمک می‌کند. با این حال، توسعه‌دهندگان همچنان باید پیش از انتشار نهایی، لوگوها، برچسب‌ها، رنگ‌ها و جزئیات حساس هویتی را بررسی و تأیید کنند؛ به‌ویژه زمانی که کلیپ حاوی نوشته‌های ریز یا متحرک است.

حرکت‌های پیچیده و متون؛ نقاط ضعفی که باقی مانده‌اند

گوگل همچنان صحنه‌های ورزشی سریع، تغییرات ناگهانی فیلم‌نامه و تعاملات فیزیکی پیچیده را به‌عنوان سناریوهای دشوار برای این مدل معرفی می‌کند. کارت مدل Google DeepMind هم‌چنین اشاره می‌کند که اعمال ویرایش‌ها ممکن است خطاهایی در پیوستگی تصویر ایجاد کند و بازسازی حرکت‌های ظریف یا رندر دقیق متن ممکن است به چندین بار تلاش یا اصلاح دستی نیاز داشته باشد.

ادعاهای مربوط به تایپوگرافی نیز نیازمند دقت ویژه هستند. اگرچه Omni 1.2 ممکن است بسته‌بندی‌های ارائه‌شده و مراجع برند را با اطمینان بیشتری حفظ کند، اما این پیشرفت به معنای تضمین املای صحیح کلمات یا ثبات نوشته‌ها در تمام فریم‌ها نیست.

مسیرهای متنوع دسترسی به مدل

• توسعه‌دهندگان API: می‌توانند نمونه‌های اولیه را در Google AI Studio بسازند یا مدل را از طریق Gemini API یکپارچه‌سازی کنند. رابط Interactions API نیز زمینه و تاریخچه را در طول درخواست‌های ویرایش متوالی حفظ می‌کند.
• تیم‌های Google Cloud: از طریق پلتفرم Vertex AI و سرویس Gemini مخصوص کسب‌وکارها به این مدل دسترسی دارند. قابلیت Provisioned Throughput نیز ظرفیت رزروشده‌ای را برای بارهای کاری نیازمند پایداری قابل پیش‌بینی فراهم می‌کند.
• تولیدکنندگان محتوا: می‌توانند صحنه‌ها را در ابزار Flow تولید و ویرایش کنند، در Google Vids کلیپ‌های ۱۵ ثانیه‌ای بسازند یا هم‌زمان با گسترش دسترسی برای مشترکین سرویس Google AI Ultra، از اپلیکیشن Gemini استفاده کنند.
• تیم‌های تبلیغاتی: امکان تولید محتوای کمپین‌های خود را از طریق پلتفرم Google Ads دارند.

مدت‌زمان ۱۵ ثانیه‌ای دقیقاً با فرمت رایج تبلیغات شبکه‌های اجتماعی، ویدیوهای معرفی محصول و کلیپ‌های توضیحی کوتاه هم‌خوانی دارد. تولید این بازه زمانی در قالب یک کلیپ واحد، نیاز به چسباندن ویدیوها را کاهش می‌دهد؛ کاری که معمولاً تغییرات ناخواسته در نورپردازی، ظاهر شخصیت‌ها، حرکت و موقعیت دوربین را میان خروجی‌های مجزا آشکار می‌کرد.

برای توسعه‌دهندگان، دستاورد عملی این نسخه از ترکیب زمان‌بندی طولانی‌تر با ویرایش مرحله‌به‌مرحله و قیمت پایین‌تر در کیفیت 720p حاصل می‌شود. تیم‌هایی که این مدل را برای محیط‌های عملیاتی ارزیابی می‌کنند، باید پیش از تصمیم‌گیری، ثبات مراجع، دقت متون، تأخیر، دسترس‌پذیری منطقه‌ای، سهمیه‌ها، سیاست‌های ایمنی و هزینه کل بازبینی‌ها را متناسب با بارهای کاری خود آزمایش کنند.