Как сообщает The Decoder, Google DeepMind открыла общий доступ к модели генерации видео Gemini Omni 1.2 Flash. Получить её можно через Gemini API, Google AI Studio и Google Cloud Console, сервисы Flow и Google Vids, приложение Gemini для подписчиков Google AI Ultra, а также в Google Ads.
Модель создаёт ролики длиной от трёх до 15 секунд — раньше максимум составлял 10 секунд. Генерация видео в разрешении 720p стоит $0,07 за секунду, что на 30% дешевле предыдущей версии. Каждый ролик получает невидимый водяной знак SynthID — по нему можно определить, что видео создано ИИ.
Ключевая новинка — «разговорное редактирование» (Conversational Editing): фон, освещение и соотношение сторон можно менять по шагам на протяжении всего ролика, не пересоздавая его целиком. Для экономии Google предлагает многоступенчатый процесс: черновики создаются в 360p или 720p, детали исправляются отдельными правками, и только финальный результат увеличивается до 1080p или 4K.
Модель точнее следует референсам: на вход принимаются изображения персонажей, фотографии товаров, видеофрагменты до трёх секунд и аудиоподсказки. По заявлению Google, лица, одежда, надписи на упаковке и фирменные цвета сохраняются при смене ракурсов камеры. В примере компании по одному фото модели и снимкам трёх нарядов модель сгенерировала 15-секундную виртуальную примерку с поворотами на 360 градусов, сохранив черты модели и крой одежды.
Google также сообщила о меньших визуальных искажениях при смене движения и ракурсов камеры, более естественной озвучке с точной синхронизацией губ и умении различать нескольких говорящих. Модель лучше справляется со сложными непрерывными движениями камеры — например, полётом дрона от первого лица — и делает меньше нежелательных склеек.
