Google представи Gemini Omni 1.2 Flash за 15-секундно видео

Google представи Gemini Omni 1.2 Flash — мултимодален модел за създаване и редактиране на видео. Той приема текст, изображения, кратки видеоклипове и аудио, а резултатът включва видео и звук. Моделът е общодостъпен чрез Gemini API и Google Cloud. Теглата му са затворени и не се предлага локално изпълнение.

Gemini Omni 1.2 Flash генерира и редактира клипове с дължина до 15 секунди, спрямо 10 секунди при Omni 1.1 Flash. Продължителността може да се задава от три до 15 секунди на стъпки от една секунда. Google съобщава за по-добро следване на референтни изображения, по-стабилни лица, дрехи, текст върху опаковки и брандови цветове, както и за подобрения при диалога, синхронизацията на устните и движенията на камерата. Многократното редактиране чрез разговор вече обхваща целия 15-секунден клип.

Цената за 720p видео е $0.07 на секунда, или около $1.05 за 15 секунди — с 30% по-ниска от тази на предишния модел. Работният процес позволява чернова в 360p или 720p, корекции и последващо мащабиране до 1080p или 4K. Google още не е публикувала бенчмарк резултати за версия 1.2 и посочва, че бързи спортни сцени, резки промени в сценария и сложна физика остават трудни задачи. Резултатите съдържат воден знак SynthID.