Google julkaisi Gemini Omni 1.2 Flash -videomallin ja teki siitä yleisesti saatavilla olevan Gemini API:ssa sekä yrityksille suunnatussa Gemini for business -palvelussa. Uusi versio tuottaa natiivisti jopa 15 sekunnin videoita. Edellinen Omni 1.1 yltää kymmeneen sekuntiin.
Samalla hinta laski 30 prosenttia. 720p-video maksaa nyt 0,07 dollaria sekunnilta, joten täysimittainen 15 sekunnin klippi irtoaa hieman yli dollarilla. Google DeepMindin tuotepäällikkö Anish Nangia kertoi uudistuksista Googlen virallisessa blogissa.
Omni-mallisarjan esittely nähtiin ensimmäisen kerran Google I/O:ssa toukokuussa. Nyt malli on ensimmäistä kertaa kaupallisesti yleisesti saatavilla, ja Google tarjoaa sille Google Cloudin yritystason tuen.
Pidemmät klipit ja halvempi tuotanto
Suurin näkyvä muutos on pituus. Videon kesto valitaan sekunnin tarkkuudella kolmen ja viidentoista sekunnin väliltä. Se riittää kokonaiseen tuote-esittelyyn tai sosiaalisen median mainokseen yhdellä generoinnilla.
Kustannuksia laskee myös työnkulku. Luonnokset voi tehdä nopeasti 360p- tai 720p-tarkkuudella. Yksittäisen virheen voi korjata jatkomuokkauksella ilman, että koko klippi generoidaan uudelleen.
Onnistunut versio skaalataan lopuksi 1080p- tai 4K-tarkkuuteen. Mainostoimistolle ja verkkokaupalle tämä tarkoittaa, että kokeiluja voi tehdä halvalla ja kalliimpaan laatuun panostetaan vasta valmiiseen materiaaliin.
Omni 1.1:n hinta oli noin kymmenen senttiä sekunnilta. Pudotus kolmanneksella tekee videogeneroinnista realistisen vaihtoehdon myös suurille tuotemäärille, joissa jokainen tuote tarvitsee oman lyhyen esittelyvideonsa.
Referenssikuvat pitävät tuotteet ja kasvot samoina
Omni 1.2 Flashin ohjaukseen voi yhdistää hahmo-, tuote- ja tyylikuvia, enintään kolmen sekunnin liikeklippejä sekä äänivihjeitä. Googlen mukaan malli säilyttää nämä yksityiskohdat videon alusta loppuun.
Kasvot, vaatteet, pakkausten typografia ja brändivärit pysyvät samoina myös kamerakulman vaihtuessa. Videogeneroinnin tyypillinen ongelma on ollut juuri se, että tuote tai hahmo muuttaa muotoaan kesken liikkeen.
Google esittelee esimerkkinä virtuaalisen sovituksen. Yhdestä mallikuvasta ja kolmen asun etu- ja takakuvista syntyy 15 sekunnin video, jossa malli kääntyy 360 astetta. Henkilön identiteetti sekä asujen leikkaus, laskeutuminen ja selkäpuolen yksityiskohdat säilyvät.
Brändeille tämä tarkoittaa, että valmiista tuotekuvista ja hahmoarkeista voi tehdä suoraan tuotepyörityksiä, virtuaalisovituksia ja mainosvideoita. Erillistä kuvausta ei tarvita jokaista varianttia varten.
Sama koskee avainkuvien välistä interpolointia ja klippien jatkamista. Tuotteet, rekvisiitta ja ympäristöt pysyvät johdonmukaisina otoksesta toiseen.
Muokkaus keskustelemalla ja luontevampi puhe
Valmista klippiä voi nyt muokata keskustelemalla kierros kerrallaan. Tuotteen tai taustan voi vaihtaa, valaistusta ja säätä muuttaa tai kuvasuhteen kääntää ilman uutta generointia alusta. Monikierroksinen muokkaus toimii koko 15 sekunnin pituudella.
Käytännössä sama mainos voidaan versioida eri kohderyhmille ja julkaisupaikoille ilman uutta briiffiä. Googlen esimerkissä kahden hahmon kohtauksen tausta vaihtuu viisi kertaa, mutta hahmojen esitys ja kuvarajaus pysyvät ennallaan.
Myös puhe paranee. Dialogi kuulostaa luontevammalta, huulisynkronointi on tarkempaa ja malli erottaa useamman puhujan toisistaan. Ääninäytteiden avulla kukin ääni ohjautuu oikealle hahmolle.
Kameran liikkeitä voi ohjata aiempaa tarkemmin. Pitkät FPV-lennot, zoomaukset ja kiertoliikkeet onnistuvat Googlen mukaan selvästi harvemmilla ei-toivotuilla leikkauksilla ja vakaammalla mittakaavalla.
Saatavuus kehittäjille ja yrityksille
Kehittäjät pääsevät kokeilemaan mallia Google AI Studiossa ja Gemini API:n kautta. Yritykset käyttävät sitä Google Cloud -konsolissa, ja suurille volyymeille on tarjolla varattua kapasiteettia (Provisioned Throughput).
Sekuntiperusteinen hinnoittelu helpottaa budjetointia. Kymmenen tuotteen 15 sekunnin esittelyvideot maksavat 720p-luonnoksina yhteensä noin kymmenen dollaria ennen lopullista skaalausta.
Kuluttajapuolella Omni 1.2 Flash tulee Flow-työkaluun ja Google Vidsiin, jossa 15 sekunnin klipit eivät maksa lisää Google-tilin tai Workspace-tilauksen haltijoille. Gemini-sovellukseen malli tulee ensin Google AI Ultra -tilaajille, ja Google Adsissa sillä voi skaalata videokampanjoita.
Jokainen tuotettu video saa näkymättömän SynthID-vesileiman. Google myöntää, että nopea urheilutoiminta, äkilliset käsikirjoitusmuutokset ja monimutkainen fysiikka vaativat yhä kehitystyötä.
Yhteenveto
Gemini Omni 1.2 Flash pidentää videot 15 sekuntiin, laskee hintaa 30 prosenttia ja tuo keskustelevan muokkauksen koko klipin mittaan. Malli on nyt yleisesti saatavilla Gemini API:ssa ja Google Cloudissa.
Suurin hyöty osuu mainontaan ja verkkokauppaan, joissa samaa tuotetta pitää esittää kymmenissä versioissa. Johdonmukaiset referenssit ja halpa luonnosvaihe tekevät tällaisesta tuotannosta aiempaa ennustettavampaa.
Kehittäjille kiinnostavin osa on API-saatavuus. Videogenerointi voidaan liittää automaattisiin sisältöputkiin, joissa tuotetiedoista ja tuotekuvista syntyy valmis video ilman käsityötä.
Rajoituksiakin on. Nopea liike ja monimutkainen fysiikka ovat edelleen heikkoja kohtia, joten tarkkuutta vaativa materiaali vaatii yhä ihmisen tarkastuksen.