Google анонсировала обновлённую нейросеть для генерации видео Gemini Omni 1.2 Flash. Модель научилась создавать ролики продолжительностью до 15 секунд, получила поддержку интерактивного редактирования сцены через текстовые команды в диалоге, а стоимость её использования снизилась на 30%, об этом сообщает профильное сообщество на Хабре.
Продолжительность генерируемых клипов теперь настраивается в диапазоне от 3 до 15 секунд с шагом в одну секунду, тогда как предыдущая версия Omni 1.1 была ограничена 10 секундами. Стоимость генерации видеопотока в базовом разрешении 720p составляет $0,07 за секунду против прежних тарифов, благодаря чему полный 15-секундный ролик обходится заказчикам в $1,05. Рабочий процесс выстроен через черновики: пользователи могут формировать быстрые превью в 360p и 720p, а финальный утверждённый вариант масштабировать до 1080p или 4K.
Разработчики уделили особое внимание сохранению консистентности деталей между кадрами. По заявлению компании, архитектура стабильно удерживает внешность персонажей, элементы одежды, шрифты на упаковках товаров и фирменную цветовую палитру при смене ракурсов. Модель реже допускает геометрические искажения при интенсивном движении объектов. Для точного соответствия задаче поддерживается приём мультимодальных референсов: изображений персонажей или предметов, трёхсекундных видеофрагментов движения и звуковых подсказок. В управлении виртуальной камерой оптимизированы непрерывные планы — пролёты от первого лица, круговое вращение вокруг объекта и отъезды без паразитных склеек.
Ключевым функциональным нововведением стало редактирование готового материала через текстовые реплики без необходимости повторной компиляции сцены с нуля. Прямо в чате можно скорректировать освещение, изменить погодные эффекты, заменить отдельный товар или фоновое окружение, а также поменять соотношение сторон видеоряда. Функция работает на всей длине 15-секундного отрезка. Параллельно доработан синтез звука: улучшена естественность интонаций, точность синхронизации артикуляции губ с речью и разделение голосов нескольких говорящих в кадре.
Среди слабых сторон модели Google называет динамичные спортивные сцены, резкую смену сюжетной линии и комплексную физику взаимодействий. Для защиты от дезинформации весь контент размечается скрытым водяным знаком SynthID. Протестировать Gemini без VPN и подписок можно в ИИ-студии от Нейро.PRO.
Видеомодель Gemini Omni 1.2 Flash перешла в статус общедоступной для разработчиков через Gemini API и платформу Google Cloud. В потребительском интерфейсе веб-сервиса и приложения Gemini доступ к генерации постепенно разворачивается для подписчиков тарифа Google AI Ultra.
Комментарии и обсуждение
Пока нет комментариев. Будьте первым!