Ένα βίντεο 15 δευτερολέπτων σε ανάλυση 720p κοστίζει πλέον περίπου 1,05 δολάρια. Η Google κυκλοφόρησε το Gemini Omni 1.2 Flash, τη νεότερη έκδοση του μοντέλου της για δημιουργία και επεξεργασία βίντεο. Η τιμή πέφτει κατά 30% σε σχέση με το Omni 1.1 Flash: 0,07 δολάρια το δευτερόλεπτο, από περίπου 0,10.
Το μοντέλο, που προέρχεται από τη Google DeepMind, δέχεται κείμενο, εικόνες, σύντομα βίντεο και ήχο και βγάζει βίντεο με ήχο. Τα κλιπ φτάνουν πλέον τα 15 δευτερόλεπτα, από 10 στην προηγούμενη έκδοση. Η διάρκεια ρυθμίζεται ανά ένα δευτερόλεπτο, από 3 έως 15. Είναι διαθέσιμο γενικά στο Google Cloud και στο Gemini API. Τρέχει μόνο στους servers της Google, χωρίς ανοιχτά βάρη ή τοπική εγκατάσταση.
Διόρθωση αντί για νέο ξεκίνημα
Η Google παρουσιάζει το κόστος ως μέρος μιας διαδικασίας εργασίας. Ο χρήστης φτιάχνει πρώτα ένα προσχέδιο σε 360p ή 720p. Αν χρειάζεται αλλαγή σε μια λεπτομέρεια, τη ζητά με νέα εντολή, χωρίς να δημιουργήσει ξανά ολόκληρο το κλιπ. Το καλύτερο αποτέλεσμα ανεβαίνει στο τέλος σε 1080p ή 4K.
Η επεξεργασία με διαδοχικές εντολές δουλεύει πλέον σε ολόκληρα κλιπ των 15 δευτερολέπτων. Μπορείτε να αλλάξετε προϊόν, φόντο, φωτισμό ή αναλογία εικόνας βήμα βήμα. Στα τεχνικά κείμενα της Google, το προηγούμενο βίντεο αναφέρεται με ένα αναγνωριστικό και δεν χρειάζεται να ανεβεί ξανά.
Τι βελτιώθηκε, κατά την εταιρεία
- Μπορούν να συνδυαστούν εικόνες χαρακτήρα, προϊόντος ή στυλ με κινήσεις έως 3 δευτερολέπτων.
- Πρόσωπα, ρούχα, κείμενο σε συσκευασίες και χρώματα μάρκας μένουν σταθερά από διαφορετικές γωνίες κάμερας, με λιγότερη παραμόρφωση.
- Ο διάλογος ακούγεται πιο φυσικός, με καλύτερο συγχρονισμό χειλιών και πιο ξεχωριστές φωνές όταν μιλούν πολλά πρόσωπα.
- Στις κινήσεις κάμερας, όπως οι πτήσεις FPV, οι αποστάσεις και οι περιστροφές, εμφανίζονται λιγότερες ανεπιθύμητες αλλαγές πλάνου.
Όλα αυτά είναι δηλώσεις της Google. Για την έκδοση 1.2 δεν έχουν δημοσιευτεί βαθμολογίες σε benchmark. Τα επιχειρήματα στηρίζονται σε παραδείγματα δίπλα-δίπλα με το Omni 1.1. Μια προηγούμενη έκδοση της σειράς είχε πάρει την πρώτη θέση στον πίνακα Arena για βίντεο από κείμενο τον Ιούνιο, αλλά η κατάταξη προηγείται του 1.2.
Οι πρώτες κριτικές προέρχονται από συνεργάτες που επέλεξε η Google. Ο αντιπρόεδρος μηχανικής της invideo λέει ότι το μοντέλο ακολουθεί την εντολή και ότι η φυσική και ο ήχος μοιάζουν αληθινά. Η QuickFrame AI σημειώνει ότι 15 δευτερόλεπτα σε 1080p αρκούν για μια ολόκληρη διαφήμιση για τηλεόραση συνδεδεμένη στο διαδίκτυο, με μία δημιουργία.
Τα όρια που παραδέχεται η Google
Η ίδια η εταιρεία αναφέρει ότι η γρήγορη αθλητική δράση, οι απότομες αλλαγές σεναρίου και η σύνθετη φυσική χρειάζονται ακόμα δουλειά. Οι αναφορές με ήχο παραμένουν, στο Google Cloud, σε λίστα εγκεκριμένων χρηστών.
Στους χρήστες του Google Vids τα κλιπ των 15 δευτερολέπτων δεν χρεώνονται επιπλέον. Η υπηρεσία Provisioned Throughput είναι διαθέσιμη και τα βίντεο φέρουν υδατογράφημα SynthID. Το μοντέλο εμφανίζεται και στις εφαρμογές Flow, Google Ads και Gemini, όπου η διάθεση γίνεται σταδιακά στους συνδρομητές AI Ultra, σύμφωνα με το MarkTechPost.
Πηγή: MarkTechPost
