Google выпустила Gemini Omni 1.2 Flash для 15-секундного видео

Google выпустила Gemini Omni 1.2 Flash — мультимодальную модель для генерации и редактирования видео. Она принимает текст, изображения, короткие видеоклипы и аудио, а на выходе создает видео со звуком. Модель доступна через Gemini API и Google Cloud. Ее веса закрыты, поэтому локальное развертывание не предусмотрено.

Gemini Omni 1.2 Flash умеет создавать и изменять ролики длительностью до 15 секунд, тогда как предыдущая версия поддерживала 10 секунд. Длину можно выбирать от трех до 15 секунд с шагом в одну секунду. Google заявляет о более точном сохранении объектов и стиля из референсов, меньших изменениях лиц, одежды, текста на упаковке и цветов бренда. Также заявлены улучшения речи, синхронизации губ и управления камерой. Многошаговое редактирование в диалоге теперь распространяется на весь 15-секундный ролик.

Стоимость 720p-видео составляет $0.07 за секунду, то есть около $1.05 за 15-секундный клип. Это на 30% ниже цены Omni 1.1 Flash. Разработчики могут создать черновик в 360p или 720p, внести отдельные правки и затем увеличить разрешение до 1080p или 4K. Google пока не опубликовала результаты бенчмарков версии 1.2. Компания отмечает, что быстрые спортивные сцены, резкие изменения сценария и сложная физика по-прежнему требуют доработки. Результаты помечаются водяным знаком SynthID.