معرفی  Gemini Omni 1.2 Flash با قابلیت تولید ویدیوهای ۱۵ ثانیه‌ای

گوگل مدل Gemini Omni 1.2 Flash را با قابلیت تولید ویدیوهای ۱۵ ثانیه‌ای، ویرایش مکالمه‌ای و کاهش ۳۰ درصدی هزینه تولید ویدیو معرفی کرد.

به گزارش سرویس هوش مصنوعی تک‌ناک،شرکت گوگل نسل جدید مدل هوش مصنوعی تولید ویدیو خود را با نام Gemini Omni 1.2 Flash معرفی کرده است. این مدل در مقایسه با نسخه قبلی، ویدیوهای طولانی‌تری تولید می‌کند و کنترل بیشتری بر جزئیات بصری، حرکات دوربین و گفت‌وگوهای شخصیت‌ها در اختیار کاربران قرار می‌دهد. گوگل همچنین با کاهش قیمت تولید ویدیو، تلاش می‌کند استفاده از این فناوری را برای توسعه‌دهندگان، تولیدکنندگان محتوا و کسب‌وکارها مقرون‌به‌صرفه‌تر کند.

نسخه جدید از طریق Gemini API و Gemini for Business به‌صورت عمومی در دسترس قرار گرفته است. کاربران همچنین می‌توانند از قابلیت‌های آن در اپلیکیشن‌هایی مانند Flow، Google Vids و Gemini استفاده کنند. البته عرضه برخی قابلیت‌ها، از جمله تولید ویدیوی ۱۵ ثانیه‌ای در اپلیکیشن Gemini، به‌تدریج انجام می‌شود.

یکی از مهم‌ترین تغییرات این نسخه، کاهش ۳۰ درصدی هزینه تولید ویدیو در مقایسه با Gemini Omni 1.1 است. هزینه تولید ویدیوی 720p اکنون به ۰٫۰۷ دلار برای هر ثانیه رسیده است. بنابراین، تولید یک ویدیوی ۱۵ ثانیه‌ای با این وضوح، بر اساس تعرفه اعلام‌شده، ۱٫۰۵ دلار هزینه خواهد داشت.

گوگل علاوه بر کاهش قیمت، فرایند ساخت و اصلاح ویدیو را نیز ساده‌تر کرده است. کاربران می‌توانند به‌جای تولید مجدد یک ویدیوی کامل، تنها بخش‌های موردنظر خود را با دستورهای متنی اصلاح کنند. این قابلیت به‌ویژه برای شرکت‌هایی اهمیت دارد که روزانه تعداد زیادی محتوای تبلیغاتی تولید می‌کنند.

افزایش زمان ویدیوها به ۱۵ ثانیه

مدل Gemini Omni 1.2 Flash اکنون می‌تواند ویدیوهایی با مدت زمان حداکثر ۱۵ ثانیه تولید کند. نسخه قبلی این مدل تنها از تولید ویدیوهای حداکثر ۱۰ ثانیه‌ای پشتیبانی می‌کرد. این تغییر، مدت خروجی را ۵۰ درصد افزایش داده است و فضای بیشتری برای نمایش صحنه‌های پیوسته فراهم می‌کند.

کاربران می‌توانند مدت ویدیو را از ۳ تا ۱۵ ثانیه و با فاصله‌های یک‌ثانیه‌ای انتخاب کنند. این قابلیت امکان تنظیم دقیق زمان خروجی را متناسب با نوع محتوا فراهم می‌کند. برای مثال، یک کسب‌وکار می‌تواند ویدیوی کوتاهی برای معرفی محصول یا تبلیغ شبکه‌های اجتماعی تولید کند، بدون اینکه مجبور باشد چند خروجی جداگانه را به یکدیگر متصل کند.

گوگل برای کاهش هزینه‌ها، روند تولید چندمرحله‌ای را پیشنهاد می‌کند. کاربران ابتدا می‌توانند نمونه اولیه ویدیو را با وضوح 360p یا 720p تولید کنند. سپس جزئیات موردنظر خود را تغییر دهند و در نهایت، وضوح نسخه منتخب را به 1080p یا 4K افزایش دهند.

این روش به تولیدکنندگان محتوا اجازه می‌دهد پیش از صرف منابع بیشتر برای خروجی نهایی، ترکیب‌بندی صحنه، حرکت شخصیت‌ها و ظاهر محصولات را بررسی کنند. همچنین، امکان اصلاح مستقیم ویدیو باعث می‌شود کاربران برای هر تغییر کوچک مجبور به تولید دوباره تمام صحنه‌ها نباشند.

کاهش هزینه تولید برای کسب‌وکارهایی اهمیت بیشتری دارد که به نسخه‌های متعدد یک تبلیغ نیاز دارند. این شرکت‌ها معمولاً محتوای یکسانی را برای مخاطبان مختلف و در قالب‌های متفاوت منتشر می‌کنند. قابلیت ویرایش مرحله‌ای هم می‌تواند ساخت چنین نسخه‌هایی را آسان‌تر کند.

گوگل اعلام کرده است که مدل جدید برای تولید ویدیو در مقیاس گسترده طراحی شده است. این شرکت بهبود سرعت تولید، کاهش هزینه و افزایش کنترل کاربران را از مزیت‌های اصلی Gemini Omni 1.2 Flash معرفی می‌کند.

بیشتر بخوانید: Gemini 4 Carbon گوگل با هزینه کمتر از رقبا دومین مدل برتر بنچمارک جدید شد

ثبات بیشتر شخصیت‌ها و ویرایش ویدیو با دستورهای متنی

یکی دیگر از پیشرفت‌های مهم Gemini Omni 1.2 Flash، حفظ بهتر جزئیات ظاهری شخصیت‌ها، اشیا و محیط‌ها در طول ویدیو است. مدل‌های تولید ویدیو ممکن است هنگام تغییر زاویه دوربین یا حرکت سوژه، بخش‌هایی از ظاهر شخصیت‌ها و محصولات را به‌صورت ناخواسته تغییر دهند. گوگل اعلام کرده است که نسخه جدید این مشکل را کاهش می‌دهد.

این مدل می‌تواند از ترکیب تصاویر مرجع شخصیت‌ها، محصولات و سبک‌های بصری استفاده کند. کاربران همچنین می‌توانند ویدیوهای حرکتی کوتاه با مدت حداکثر سه ثانیه و راهنماهای صوتی را به فرایند تولید اضافه کنند.

مدل جدید تلاش می‌کند جزئیات تصاویر مرجع را از نخستین فریم تا آخرین فریم حفظ کند. برای مثال، چهره شخصیت‌ها، رنگ لباس‌ها، نوشته‌های روی بسته‌بندی محصولات و رنگ‌های سازمانی برندها هنگام تغییر زاویه دوربین، ثبات بیشتری خواهند داشت.

این ویژگی برای فروشگاه‌های اینترنتی و شرکت‌های تبلیغاتی کاربرد دارد. کسب‌وکارها می‌توانند تصاویر ثابت محصولات خود را به ویدیوهای تبلیغاتی تبدیل کنند یا نمایش چرخشی محصولات را بدون فیلم‌برداری واقعی بسازند.

یکی دیگر از کاربردهای آن، تولید ویدیوهای پرو مجازی لباس است. در چنین ویدیوهایی، حفظ شکل لباس، رنگ پارچه و نحوه قرارگیری آن روی بدن اهمیت زیادی دارد. تغییر ناخواسته این جزئیات می‌تواند نتیجه را از تصویر محصول واقعی دور کند.

شرکت Whering که در زمینه پرو مجازی لباس فعالیت می‌کند، از نخستین آزمایش‌کنندگان این مدل بوده است. بیانکا رنجکرافت، مدیرعامل و بنیان‌گذار این شرکت، اعلام کرد که Gemini Omni 1.2 Flash در نمایش افتادگی طبیعی پارچه، تطابق رنگ‌ها و حفظ جزئیات لباس‌های پیچیده عملکردی فراتر از انتظار داشته است.

به گفته او، مدل جدید علاوه بر افزایش دقت بصری، تأخیر کمتری دارد و تجربه پرو مجازی لباس را سریع‌تر و واقع‌گرایانه‌تر می‌کند.

گوگل همچنین قابلیت ویرایش مکالمه‌ای چندمرحله‌ای را توسعه داده است. کاربران می‌توانند پس از تولید ویدیو، تغییرات موردنظر خود را با دستورهای متنی جدید اعمال کنند. این تغییرات شامل تعویض محصول، تغییر پس‌زمینه، اصلاح نورپردازی، تغییر وضعیت آب‌وهوا و انتخاب نسبت تصویر متفاوت می‌شود.

این قابلیت روی ویدیوهای کامل ۱۵ ثانیه‌ای نیز کار می‌کند. بنابراین، کاربران می‌توانند بدون شروع دوباره فرایند تولید، نسخه‌های متعددی از یک ویدیو بسازند.

مدل جدید همچنین هنگام گسترش ویدیوها یا تولید فریم‌های میانی میان دو تصویر کلیدی، ثبات بیشتری در نمایش عناصر صحنه دارد. گوگل اعلام کرده است که تغییر شکل ناخواسته شخصیت‌ها و اشیا هنگام حرکت دوربین کاهش یافته است.

بیشتر بخوانید: گوگل قابلیت ساخت و اشتراک‌گذاری آواتار شخصی را به Gemini آورد

بهبود گفتار شخصیت‌ها و کنترل سینمایی حرکات دوربین

گوگل در Gemini Omni 1.2 Flash توجه ویژه‌ای به کیفیت صدا و گفت‌وگوهای شخصیت‌ها داشته است. این مدل می‌تواند گفتار طبیعی‌تری برای شخصیت‌ها تولید کند و هماهنگی حرکت لب‌ها با صدای شخصیت‌ها را بهبود دهد.

امکان کنترل چند گوینده نیز بهتر شده است. این قابلیت برای ساخت صحنه‌هایی کاربرد دارد که چند شخصیت در آن‌ها با یکدیگر گفت‌وگو می‌کنند. مدل می‌تواند گفتار هر شخصیت را با ویژگی‌های متمایز تولید کند و هماهنگی بیشتری میان صدا و تصویر برقرار سازد.

این پیشرفت در سرویس Flow برای ساخت گفت‌وگوهای چندشخصیتی، در Gemini for Business برای تولید ویدیوهای آموزشی و در Google Vids برای ساخت محتوای حرفه‌ای کاربرد دارد.

کاربران Google Vids می‌توانند از این قابلیت‌ها برای تولید ویدیوهای دارای آواتار، موسیقی و روایت صوتی استفاده کنند. چنین امکاناتی به شرکت‌ها اجازه می‌دهد بدون نیاز به اجرای تمام مراحل سنتی تولید ویدیو، محتوای آموزشی و معرفی محصول تهیه کنند.

گوگل همچنین کنترل حرکات دوربین را بهبود داده است. Gemini Omni 1.2 Flash از اجرای حرکات پیچیده و پیوسته، از جمله حرکت سریع دوربین از نمای اول‌شخص، عقب‌کشیدن نمای دوربین و چرخش به دور سوژه پشتیبانی می‌کند.

به گفته گوگل، مدل جدید این حرکات را با برش‌های ناخواسته کمتر و حفظ بهتر مقیاس عناصر اجرا می‌کند. نتیجه، تولید نماهایی پیوسته‌تر با ظاهر سینمایی‌تر است.

ایتای شیف، مدیر خلاق Figma Weave، اعلام کرد که این مدل دستورهای کاربران را با دقت بیشتری دنبال می‌کند و سکانس‌های سینمایی با حرکات واقع‌گرایانه تولید می‌کند.

او همچنین به حفظ ثبات شخصیت‌ها و مکان‌ها در نماهای متعدد اشاره کرد. به گفته شیف، تیم‌های طراحی می‌توانند یک سکانس کامل ویدیویی را در یک مرحله تولید کنند و سپس نسخه‌های مختلف آن را با استفاده از تصاویر مرجع اصلاح کنند.

شرکت Monks نیز از این فناوری در تولید جلوه‌های ویژه ویدیویی استفاده کرده است. کوین لارسن، مدیر خلاق گروه نوآوری این شرکت، اعلام کرد که قابلیت تبدیل ویدیو به ویدیو همراه با کنترل ورودی تصویری، امکان تنظیم دقیق‌تر محتوای تولیدشده را فراهم کرده است.

به گفته او، Gemini Omni به یکی از ابزارهای اصلی این شرکت برای تولید جلوه‌های ویژه و ویدیوهای قابل‌کنترل تبدیل شده است.

با وجود این پیشرفت‌ها، گوگل تأیید کرده است که مدل جدید همچنان در بعضی زمینه‌ها به توسعه بیشتری نیاز دارد. نمایش حرکات سریع ورزشی، تغییرات ناگهانی در سناریو و شبیه‌سازی دقیق پدیده‌های پیچیده فیزیکی از جمله این موارد هستند.

بیشتر بخوانید: گوگل برای Gemini Live حالت آفلاین می‌سازد

عرضه عمومی Gemini Omni 1.2 Flash و کاربرد آن در کسب‌وکارها

گوگل برای نخستین بار مدل Gemini Omni را با دسترسی عمومی و پشتیبانی زیرساخت‌های سازمانی Google Cloud عرضه کرده است. این تغییر به شرکت‌ها و توسعه‌دهندگان امکان می‌دهد از مدل جدید در محصولات و فرایندهای کاری خود استفاده کنند.

قابلیت Provisioned Throughput نیز برای کاربران سازمانی ارائه شده است. این امکان به شرکت‌ها اجازه می‌دهد ظرفیت پردازشی موردنیاز خود را از پیش رزرو کنند و برنامه‌ریزی دقیق‌تری برای استفاده گسترده از مدل داشته باشند.

تمام خروجی‌های تولیدشده با این مدل دارای واترمارک نامحسوس SynthID هستند. این فناوری به شناسایی محتوای تولیدشده با هوش مصنوعی کمک می‌کند و بدون ایجاد نشانه قابل‌مشاهده، اطلاعات مربوط به منشأ محتوا را در خروجی قرار می‌دهد.

شرکت Adobe نیز از اضافه‌شدن مدل جدید به مجموعه ابزارهای خود استقبال کرده است. مت چوتین، مدیر ارشد محصول Adobe، اعلام کرد که تولیدکنندگان محتوا پیش‌تر از Gemini Omni Flash در Adobe Firefly استفاده می‌کردند.

به گفته او، نسخه جدید با افزایش مدت ویدیوها و حفظ بهتر تصاویر مرجع، انعطاف‌پذیری بیشتری در اختیار کاربران قرار می‌دهد.

شرکت Stan نیز از Gemini Omni برای تولید ویدیوهای تبلیغاتی استفاده کرده است. راهول سینگ، مدیر ارشد فناوری و هم‌بنیان‌گذار این شرکت، اعلام کرد که تیم او توانسته تصاویر ثابت مرجع را با یک دستور به ویدیوهای تبلیغاتی عمودی ۱۵ ثانیه‌ای تبدیل کند.

این ویدیوها دارای صدای تولیدشده توسط مدل، ریتم پویا و هویت بصری ثابت برند هستند. Stan از این قابلیت برای تبلیغ رویداد STANFEST و معرفی محصولات StanShop استفاده کرده است.

شرکت Magnific نیز تولید و ویرایش هم‌زمان را از مزیت‌های مهم مدل جدید می‌داند. عمر پرا، مدیر ارشد محصول این شرکت، تأکید کرد که تیم‌های حرفه‌ای برای تبدیل خروجی اولیه به نسخه نهایی، به کنترل دقیق نیاز دارند.

از سوی دیگر، شرکت Resemble AI که در زمینه تشخیص محتوای جعل عمیق فعالیت می‌کند، کیفیت گفتار و ثبات شخصیت‌های Gemini Omni را مثبت ارزیابی کرده است.

زهیب احمد، مدیرعامل این شرکت، اعلام کرد که گفتار شخصیت‌های تولیدشده در تمام زبان‌های آزمایش‌شده طبیعی بوده است. او همچنین از استفاده گوگل از فناوری شناسایی منشأ محتوای تولیدشده استقبال کرد.

توسعه‌دهندگان می‌توانند Gemini Omni 1.2 Flash را از طریق Google AI Studio و Gemini API آزمایش کنند. کسب‌وکارها نیز از طریق کنسول Google Cloud و رابط برنامه‌نویسی سازمانی به مدل دسترسی دارند.

کاربران می‌توانند در سرویس Flow با استفاده از دستورهای متنی، صحنه‌های ویدیویی را کنترل و در چند مرحله ویرایش کنند. همچنین، گوگل امکان تولید رایگان ویدیوهای ۱۵ ثانیه‌ای را در سرویس Google Vids برای کاربران دارای حساب گوگل یا اشتراک Google Workspace فراهم کرده است.

قابلیت تولید ویدیوهای ۱۵ ثانیه‌ای در اپلیکیشن Gemini به‌تدریج برای مشترکان Google AI Ultra عرضه می‌شود. تبلیغ‌دهندگان نیز می‌توانند از طریق Google Ads از امکانات مدل جدید برای تولید و گسترش کمپین‌های ویدیویی استفاده کنند.