Google DeepMind je zvanično predstavio Gemini Omni 1.2 Flash, novu verziju svog modela za generisanje videa, koja donosi niz praktičnih poboljšanja za developere i timove koji svakodnevno rade sa video sadržajem. Model je sada generalno dostupan kroz Gemini API i Gemini for business, a glavne novine tiču se dužine klipova, konzistentnosti i — što je mnogima najvažnije — cene.

Najveća promena u odnosu na prethodnu verziju Omni 1.1 jeste mogućnost generisanja videa do 15 sekundi, umesto dosadašnjih 10. Dužinu sada možete birati u koracima od po jedne sekunde, od 3 do 15, što otvara prostor za kompletne priče, kratke objašnjivače proizvoda ili čitave reklamne spotove za društvene mreže iz jednog generisanja. Ovo je logičan korak ka alatima koji sve manje liče na demo i sve više na ozbiljne produkcijske resurse.
Bolja kontrola nad referencama i konzistentnost likova
Omni 1.2 Flash donosi i značajno poboljšanu „reference adherence” — drugim rečima, model mnogo bolje poštuje ono što mu date kao referencu. Možete kombinovati slike likova, proizvoda ili stila, kratke pokretne klipove (do tri sekunde) i audio signale, a model zadržava te detalje od početka do kraja snimka. Lica, odeća, tipografija na pakovanjima i boje brenda ostaju konzistentni kroz različite uglove kamere, što je do sada bio jedan od najvećih problema u generisanju videa.

Upravo ta konzistentnost otvara zanimljive primene — od virtuelnog isprobavanja garderobe i rotirajućih prikaza proizvoda, pa do brendiranih video oglasa napravljenih na osnovu postojećih fotografija proizvoda ili karaktera. Google u svom primeru navodi kombinovanje jedne modelske fotografije sa prednjim i zadnjim snimcima tri različita kostima, iz čega model generiše 15-sekundni video.
Jeftinije, brže i sa razgovornim editovanjem
Cena je smanjena za 30 odsto u odnosu na Omni 1.1, pa sada iznosi 0,07 dolara po sekundi za 720p video. Osim niže cene, ceo tok rada je optimizovan: možete brzo praviti nacrte u 360p ili 720p rezoluciji, popraviti detalj naknadnom izmenom umesto ponovnog generisanja celog klipa, a zatim najbolje rezultate nadograditi na 1080p ili 4K.
Tu je i multi-turn conversational editing — mogućnost da klip menjate kroz razgovor sa modelom, u više koraka, bez potrebe da sve počinjete ispočetka. To je pristup koji je već postao standard u tekstualnim alatima, a sada se prenosi i na video produkciju.

Za developere i timove koji prave sadržaj u velikom obimu, kombinacija dužih klipova, bolje konzistentnosti i niže cene mogla bi da bude pravi argument da Omni 1.2 Flash uvyste u svoj produkcijski lanac. Detalje i tehničku dokumentaciju možete pogledati na zvaničnom Google DeepMind blogu.