Gemini Omni 1.2 Flash؛ ویدئوهای طولانی‌تر و قیمت ارزان‌تر در دنیای هوش مصنوعی

گوگل دیپ‌مایند (Google DeepMind) از عرضه عمومی مدل هوش مصنوعی جدید خود با نام Gemini Omni 1.2 Flash خبر داد. این مدل با هدف بهبود تولید ویدئو، اکنون می‌تواند کلیپ‌هایی تا سقف ۱۵ ثانیه تولید کند که نسبت به محدودیت ۱۰ ثانیه‌ای نسخه پیشین، ارتقای چشمگیری محسوب می‌شود. هزینه استفاده از این سرویس نیز ۳۰ درصد کاهش یافته و به ۰.۰۷ دلار به ازای هر ثانیه ویدئوی 720p رسیده است.

یکی از ویژگی‌های کلیدی این به‌روزرسانی، «ویرایش گفتگو‌محور» (Conversational Editing) است. کاربران می‌توانند بدون نیاز به تولید مجدد کل ویدئو، جزئیاتی نظیر پس‌زمینه، نورپردازی یا نسبت ابعاد را تنها با ارسال دستورات متنی تغییر دهند. این فرآیند به گونه‌ای طراحی شده که با استفاده از پیش‌نویس‌های کم‌حجم و سپس ارتقای نهایی (Upscaling)، هزینه‌های پردازش را برای کاربران بهینه کند.

علاوه بر این، گوگل وعده داده که مدل جدید در حفظ ثبات چهره، لباس و رنگ‌بندی محصولات در زوایای مختلف دوربین عملکرد بسیار بهتری داشته باشد. این مدل همچنین در زمینه هماهنگی لب‌خوانی با صدا و بازسازی حرکات پیچیده دوربین، مانند پهپادهای FPV، پیشرفت کرده است. تمام ویدئوهای تولید شده توسط این مدل، با یک واترمارک غیرقابل مشاهده به نام «SynthID» نشانه‌گذاری می‌شوند تا اصالت آن‌ها مشخص باشد.