گوگل از مدل هوش مصنوعی جدید خود با نام Gemini Omni 1.2 Flash رونمایی کرد؛ مدلی که امکان تولید و ویرایش ویدئوهای هوش مصنوعی تا ۱۵ ثانیه را فراهم میکند و در مقایسه با نسخه قبلی، هزینه تولید ویدئو با آن ۳۰ درصد کاهش یافته است. این مدل از ۵ نوامبر ۲۰۲۶ بهصورت عمومی در دسترس توسعهدهندگان و کسبوکارها قرار گرفته و قرار است فرایند ساخت ویدئوهای تبلیغاتی، محتوای شبکههای اجتماعی و کلیپهای محصول را سادهتر کند.
یکی از مهمترین تغییرات نسخه جدید، افزایش حداکثر زمان تولید ویدئو از ۱۰ ثانیه در نسخه Omni 1.1 به ۱۵ ثانیه است. کاربران میتوانند مدت ویدئوی موردنظر خود را از ۳ تا ۱۵ ثانیه و با فاصلههای یکثانیهای تعیین کنند. این تغییر به سازندگان محتوا اجازه میدهد صحنههای طولانیتری را در یک مرحله تولید کنند و برای ساخت یک کلیپ کوتاه، کمتر به اتصال چند ویدئوی جداگانه نیاز داشته باشند.
گوگل همچنین قیمت تولید ویدئو با وضوح ۷۲۰p را به ۰.۰۷ دلار برای هر ثانیه کاهش داده است؛ رقمی که طبق اعلام این شرکت، ۳۰ درصد کمتر از هزینه نسخه قبلی است. بر این اساس، تولید یک ویدئوی ۱۵ ثانیهای با وضوح ۷۲۰p حدود ۱.۰۵ دلار هزینه دارد. البته این محاسبه بر مبنای نرخ اعلامشده برای API است و هزینه نهایی استفاده از سرویس ممکن است با توجه به وضوح تصویر، ابزار مورد استفاده و شرایط اشتراک متفاوت باشد.
بهبود مهم دیگر Gemini Omni 1.2 Flash، حفظ انسجام شخصیتها، اشیا و محیط در طول ویدئو است. گوگل میگوید مدل جدید در دنبال کردن تصاویر مرجع عملکرد بهتری دارد و میتواند جزئیاتی مانند چهره افراد، لباس، بستهبندی محصولات، نوشتهها و رنگهای برند را در نماهای مختلف با ثبات بیشتری حفظ کند. این قابلیت بهویژه برای کسبوکارهایی کاربرد دارد که میخواهند از تصاویر ثابت محصولات، ویدئوهای تبلیغاتی و معرفی محصول بسازند.
قابلیت ویرایش مکالمهای نیز در نسخه جدید توسعه پیدا کرده است. کاربر میتواند پس از تولید ویدئو، با نوشتن دستورهای متنی تغییراتی مانند عوض کردن پسزمینه، نورپردازی، شرایط آبوهوا یا ظاهر یک محصول را درخواست کند؛ بدون اینکه لازم باشد کل ویدئو را از ابتدا بسازد. این روش میتواند زمان و هزینه اصلاح خروجی را کاهش دهد و تولید چند نسخه متفاوت از یک تبلیغ را آسانتر کند.
Gemini Omni 1.2 Flash از تولید پیشنویس با وضوح ۳۶۰p و ۷۲۰p و ارتقای خروجیهای منتخب به وضوح ۱۰۸۰p و 4K پشتیبانی میکند. گوگل همچنین از بهبود حرکت دوربین، هماهنگی گفتار با حرکت لبها و طبیعیتر شدن صدای شخصیتها خبر داده است. بااینحال، این شرکت تأکید کرده که عملکرد مدل در موارد پیچیدهای مانند حرکات سریع ورزشی، تغییرات ناگهانی سناریو و شبیهسازی دقیق فیزیک همچنان جای پیشرفت دارد.
کاهش ۳۰ درصدی قیمت در کنار افزایش ۵۰ درصدی حداکثر زمان ویدئو، میتواند هزینه تولید محتوای تبلیغاتی با هوش مصنوعی را به شکل محسوسی کاهش دهد. برای مثال، تولید یک ویدئوی ۱۵ ثانیهای با نرخ اعلامشده گوگل حدود ۱.۰۵ دلار هزینه دارد؛ درحالیکه تولید ویدئوهای مشابه با ابزارهای گرانتر یا ساخت چند قطعه جداگانه ممکن است هزینه بیشتری داشته باشد. البته کیفیت خروجی، محدودیتهای دسترسی و نیاز به ویرایش انسانی همچنان در انتخاب این ابزار اهمیت دارند.
جدول مشخصات Gemini Omni 1.2 Flash
#
ویژگی |
جزئیات |
|---|
نام مدل |
Gemini Omni 1.2 Flash |
شرکت سازنده |
Google DeepMind |
تاریخ عرضه |
۵ نوامبر ۲۰۲۶ |
حداکثر مدت ویدئو |
۱۵ ثانیه |
حداقل مدت ویدئو |
۳ ثانیه |
افزایش زمان نسبت به نسخه قبل |
۵۰ درصد |
قیمت ویدئوی ۷۲۰p |
۰.۰۷ دلار بهازای هر ثانیه |
کاهش هزینه نسبت به نسخه قبل |
۳۰ درصد |
هزینه تولید ویدئوی ۱۵ ثانیهای ۷۲۰p |
حدود ۱.۰۵ دلار |
وضوح پیشنویس |
۳۶۰p و ۷۲۰p |
وضوح قابل ارتقا |
۱۰۸۰p و 4K |
ویرایش مکالمهای |
دارد |
حفظ تصاویر مرجع |
بهبودیافته |
کجا میتوان از Gemini Omni 1.2 Flash استفاده کرد؟ -
#
- Gemini API و Google AI Studio: برای توسعهدهندگان و ساخت ابزارهای مبتنی بر تولید ویدئو.
- Google Cloud: برای استفاده تجاری و پردازش ویدئو در مقیاس گسترده.
- Google Vids و Flow: برای ساخت و ویرایش محتوای ویدئویی.
- ابزارهای تبلیغاتی و تولید محتوا: برای ساخت ویدئوهای معرفی محصول، تبلیغات و محتوای شبکههای اجتماعی.