Google je krajem kolovoza predstavio model Gemini Omni 1.1 Flash, koji je donio znatan napredak u odnosu na prethodni model Omni. Sada je ovaj alat dobio još jednu opsežnu nadogradnju: stigao je Omni 1.2 Flash, dosad najbolji multimodalni model za izradu videa iz Google DeepMinda.
Važna novost modela Gemini 1.1 Flash bila je mogućnost povezivanja više isječaka od 10 sekundi u niz, čime je omogućeno stvaranje scena u trajanju do 40 sekundi. Omni 1.2 Flash sada u jednom koraku može stvarati videe dulje za 50 %, odnosno u trajanju od 15 sekundi, a zadržana je i mogućnost njihova produljivanja.
Još je jedna važna novost to što korisnici sada mogu stvarati i uređivati videe u trajanju od 3 do 15 sekundi. Dosad nije bilo moguće podešavati trajanje generiranih videa, no Gemini Omni odsad pruža znatno veću fleksibilnost. Trajanje se podešava jednostavnim klizačem, u koracima od jedne sekunde.
Omni 1.2 Flash još dosljednije zadržava izgled likova i predmeta te fizičku postojanost okruženja pri pomicanju kamere i brzim prijelazima. Time svodi na minimum vizualne nedosljednosti i neprirodna izobličenja oblika karakteristična za videe generirane umjetnom inteligencijom. Sustav pouzdano povezuje prvi i posljednji kadar, a jednako uspješno nadovezuje nove scene na postojeću snimku bez promjena crta lica likova ili okruženja.
Nadogradnja posebnu pozornost posvećuje komercijalnoj i oglašivačkoj primjeni, što u slučaju Googlea nimalo ne iznenađuje. Gemini Omni 1.2 Flash može kombinirati postojeće fotografije likova i proizvoda ili fotografije koje služe kao stilski predložak s kratkim videouzorcima u trajanju od svega 3 sekunde te audiosignalima. Sustav i pri promjenama kuta snimanja zadržava detalje odjeće i drugih proizvoda, natpise na ambalaži i točne boje brenda, što ga čini idealnim i za virtualno isprobavanje odjeće ili prikaze proizvoda iz svih kutova, u 360 stupnjeva.
Gemini Omni 1.2 Flash nije iz prvog pokušaja pogodio što je korisnik zamislio? Nema problema: za izmjene snimke nije potrebno ponovno pokretati generiranje od početka. Dodatnim jednostavnim tekstualnim uputama u razgovoru korisnici mogu izravno zamijeniti proizvod u pozadini ili okruženje, promijeniti osvjetljenje i vremenske uvjete ili prilagoditi omjer stranica cijelog videa.
Gemini Omni 1.2 Flash donosi velik napredak i u audiovizualnoj sinkronizaciji, pa će slika i zvuk biti mnogo prirodnije usklađeni. Pritom nije riječ samo o sinkronizaciji: model također bolje prilagođava zvuk stilu scene. Osim toga, jedan video sada može sadržavati više zasebnih zvučnih zapisa i više govornika, pri čemu alat govor svakog lika generira na zasebnoj zvučnoj stazi.
Model Gemini Omni 1.2 Flash oslanja se na infrastrukturu i sigurnosne sustave Google Clouda namijenjene poslovnim korisnicima. Tvrtka je također istaknula da će svi generirani videi dobiti SynthID, njezin vlastiti, ali široko prihvaćen vodeni žig. Zahvaljujući njemu različite će platforme moći automatski označavati sadržaje stvorene umjetnom inteligencijom radi sprječavanja zlouporaba i postupanja u takvim slučajevima.
Zahvaljujući tehnološkim optimizacijama Gemini Omni 1.2 Flash postao je znatno jeftiniji. Trošak generiranja videa smanjen je za 30 posto u odnosu na dosadašnju razinu. Rad s novim alatom pri razlučivosti 720p HD sada stoji samo 0,07 dolara po sekundi. Tvrtka navodi da nudi više alata za povećanje učinkovitosti. Primjerice, moguće je brzo i jeftino izrađivati radne verzije čak i u razlučivosti 360p, a kada se dobije odgovarajući materijal, povećati mu razlučivost na Full HD ili čak 4K.
Gemini Omni 1.2 Flash odmah je postao opće dostupan putem Gemini API-ja, Google Cloud Vertex AI-ja, platforme Gemini za poslovne korisnike te sučelja Google Vids. Međutim, za pristup je potrebna najmanje pretplata Google AI Pro, dok paket AI Ultra pruža veće mogućnosti. Gemini Omni 1.1 Flash bit će potpuno povučen, no Google ostavlja prijelazno razdoblje od nekoliko tjedana kako bi svi mogli nesmetano prijeći na novi model.
