Google ogłosiło Gemini Omni 1.2 Flash, nowy multimodalny model AI oferujący natywne możliwości generowania i edycji 15-sekundowych filmów, a także 30% obniżkę cen dla swojego API Flash, dzięki czemu tworzenie dłuższych treści wideo staje się bardziej dostępne i opłacalne dla artystów i deweloperów AI.
Kluczowe wnioski
- Gemini Omni 1.2 Flash natywnie obsługuje teraz generowanie i edycję klipów wideo o długości do 15 sekund, co stanowi znaczący wzrost w porównaniu z poprzednimi możliwościami.
- Nowy model obiecuje lepszą spójność czasową w generowanych klatkach, rozwiązując powszechne wyzwanie w wideo AI.
- Google obniża ceny swojego API Flash o 30%, czyniąc go bardziej przystępnym dla twórców, którzy chcą eksperymentować z projektami wideo AI i skalować je.
- Aktualizacja koncentruje się na zwiększeniu multimodalnego rozumienia, umożliwiając AI lepszą interpretację i generowanie treści z złożonych podpowiedzi wideo.
Natywne generowanie i edycja 15-sekundowych filmów
Główną cechą Gemini Omni 1.2 Flash jest natywne wsparcie dla generowania i edycji klipów wideo o długości do 15 sekund. Jest to kluczowy rozwój dla twórców wideo AI, którzy często borykają się z ograniczeniami długości klipów i fragmentarycznymi przepływami pracy wymaganymi do łączenia krótszych segmentów. Zdolność modelu do natywnej obsługi dłuższych sekwencji powinna usprawnić proces twórczy, umożliwiając bardziej spójne łuki narracyjne w ramach jednej generacji. Wcześniej osiągnięcie tej długości często wymagało skomplikowanego podpowiadania i post-processingu, co znacznie zwiększało nakład pracy twórcy.
Google twierdzi, że model zapewnia również lepszą spójność czasową, co jest stałym wyzwaniem w generowaniu wideo AI, gdzie obiekty lub postacie mogą zmieniać wygląd w sposób nieregularny między klatkami. Chociaż niezależne testy potwierdzą zakres tej poprawy, lepsza spójność oznacza mniej ręcznego czyszczenia i potencjalnie wyższej jakości wyniki bezpośrednio z modelu, co jest bezpośrednią korzyścią dla każdego, kto generuje animowane postacie lub dynamiczne sceny.
API Flash z 30% obniżką cen
Wraz z nowymi możliwościami, Google obniża cenę swojego API Flash o 30%. To sprawia, że model jest bardziej konkurencyjną opcją dla twórców, którzy są wrażliwi na koszty obliczeniowe, zwłaszcza podczas eksperymentowania z dłuższymi generacjami wideo lub iteracji podpowiedzi. Dla tych, którzy używają narzędzi wideo AI do projektów komercyjnych, ta redukcja kosztów może znacząco wpłynąć na budżety projektów i rentowność. Niższa bariera wejścia może również zachęcić do szerszego przyjęcia wśród niezależnych artystów i małych studiów, które chcą wykorzystać AI do produkcji wideo bez wygórowanych kosztów. Bardziej przystępny dostęp do API może również oznaczać, że twórcy mogą częściej iterować, dopracowując swoje podpowiedzi i wyniki bez ciągłego pilnowania budżetu, co jest kluczowym czynnikiem w eksploracji twórczej. Możesz zapoznać się z aktualnymi strukturami cenowymi dla różnych modeli AI, aby zrozumieć dostępne opcje dla Twoich projektów na naszej stronie /pricing.
Ulepszone multimodalne rozumienie dla złożonych podpowiedzi
Gemini Omni 1.2 Flash oferuje również ulepszone multimodalne rozumienie. Oznacza to, że model jest zaprojektowany do lepszej interpretacji złożonych podpowiedzi, które łączą tekst, obrazy, a teraz także dane wejściowe wideo. Dla artystów AI przekłada się to na bardziej zniuansowaną kontrolę nad ich generacjami. Zamiast polegać wyłącznie na opisach tekstowych, twórcy mogą dostarczać obrazy referencyjne, a nawet krótkie klipy wideo, aby kierować AI, co prowadzi do wyników, które bardziej odpowiadają ich wizji twórczej. Jest to szczególnie przydatne do utrzymywania określonych stylów wizualnych, projektów postaci lub wzorców ruchu w różnych generowanych sekwencjach.
Ta aktualizacja następuje po innych ostatnich postępach w wideo AI, takich jak integracja generowania GIF-ów przez OpenAI z ChatGPT z Images 2.6, umożliwiająca bezpośrednie tworzenie animacji z podpowiedzi tekstowych. W miarę ewolucji modeli takich jak Gemini Omni 1.2 Flash, zdolność do generowania dłuższych, bardziej spójnych treści wideo przy niższych kosztach prawdopodobnie przesunie granice tego, co jest możliwe w wizualnym opowiadaniu historii opartym na AI. Twórcy zainteresowani wykorzystaniem tych nowych możliwości mogą zapoznać się z różnymi modelami i ich funkcjami w naszym /catalog narzędzi do generowania AI.
