A videógenerálás egyik legnagyobb gondja eddig nem az volt, hogy ne lehetne látványos eredményt kapni, hanem hogy minden apró javítás drága és időigényes újrakezdéssé vált. A Gemini Omni 1.2 Flash ezen próbál fogást találni: hosszabb klipekkel, olcsóbb árazással és olyan szerkesztéssel, ami inkább emlékeztet egy párbeszédre, mint egy új render indítására.

Mi történt

A Google bejelentette a Gemini Omni 1.2 Flash általános elérhetőségét a Gemini API-ban és az üzleti felhasználásra szánt Gemini-szolgáltatásokban. Az új verzió natívan legfeljebb 15 másodperces videókat tud létrehozni, ami előrelépés a korábbi 10 másodperces limithez képest. A klipek hossza 3 és 15 másodperc között, egy másodperces lépésekben állítható, a 720p videó ára pedig 0,07 dollár másodpercenként, ami 30 százalékos csökkentés az előző kiadáshoz képest.

A frissítés nem csak a hosszabb videókról szól. A modell képes több körben, ugyanazon a klipen dolgozni: lehet hátteret cserélni, fényelést módosítani, időjárást átírni vagy képarányt váltani anélkül, hogy mindent elölről kellene generálni. Emellett erősebb lett az úgynevezett referencia-követés is: a rendszer jobban megtartja a megadott arcokat, ruhákat, termékcsomagolást, tipográfiát vagy márkaszíneket. Ez leegyszerűsítve azt jelenti, hogy ha egyszer megmutatod neki, minek hogyan kell kinéznie, kisebb eséllyel „felejti el” a videó közepén.

Miért fontos

Ez a fejlesztés főleg ott számít, ahol a videó nem egyszeri látványdemó, hanem munkafolyamat. A generatív videó egyik visszatérő problémája a következetesség: ugyanaz a szereplő, tárgy vagy környezet könnyen eltorzul két kameraállás között. Gondolj rá úgy, mint amikor egy rajzfilmfigurát minden képkockán új illusztrátor rajzolna meg: ha nincs fegyelem, gyorsan szétesik az összkép. A mostani irány épp ezt próbálja kezelni, miközben a költséget is lejjebb viszi. Különösen fontos, hogy a rendszer alacsonyabb felbontáson gyors próbálkozást, majd utólagos felskálázást is támogat, ami a gyakorlatban olcsóbb tesztelést jelent. A Google DeepMind állítása szerint ez a modell már kifejezetten olyan felhasználásra készült, ahol sok változatot kell előállítani reklámhoz, termékbemutatóhoz vagy üzleti videókhoz.

Mire figyelj

  1. Az igazi kérdés az lesz, mennyire tartja stabilan a karaktereket és tárgyakat nem demókban, hanem valódi kampányanyagokban és hosszabb munkafolyamatokban.
  2. Érdemes figyelni a többkörös szerkesztést, mert ez lehet az a funkció, ami a videógenerálást a „látványos kísérlet” kategóriából a használható szerkesztőeszközök közé emeli.
  3. Fontos részlet a SynthID vízjel is: ez egy szabad szemmel nem látható jelölés, amely segíthet azonosítani, hogy a tartalom MI-vel készült.
  4. A korlátok sem tűntek el: a gyors sportmozgás, a hirtelen jelenetváltás és az összetett fizika továbbra is fejlesztendő terület, vagyis a technológia még nem minden helyzetben egyformán megbízható.