گوگل نسخه تازه‌ای از مدل ویدیوساز خود را عرضه کرد. Gemini Omni 1.2 Flash اکنون به‌طور عمومی در Gemini API و Gemini for business در دسترس است و سه تغییر اصلی دارد: ساخت بومی ویدیوی ۱۵ ثانیهای، ویرایش گفتوگویی چندنوبتی و پایبندی بهتر به تصاویر و جزئیات مرجع. گوگل قیمت را نسبت به Omni 1.1 سی درصد کاهش داده و هر ثانیه ویدیوی ۷۲۰p را هفت سنت کرده است.
**سریع و مقرون‌به‌صرفه در مقیاس**
فراتر از قیمت پایین‌تر، جریان کار هم هزینه را پایین نگه می‌دارد: می‌توانید با کیفیت ۳۶۰p یا ۷۲۰p سریع پیش‌نویس بسازید، یک جزئیات را با ویرایش پیگیری اصلاح کنید به‌جای تولید دوباره کل کلیپ، و بعد بهترین ساخته‌ها را به ۱۰۸۰p یا 4K ارتقا بدهید. این منطق «پیش‌نویس ارزان، خروجی گران» در تولید ویدیوی تبلیغاتی اهمیت زیادی دارد، چون بخش عمده هزینه قبلاً صرف تولید نسخه‌هایی می‌شد که در نهایت کنار گذاشته می‌شدند.
**کلیپهای بلندتر تا ۱۵ ثانیه**
اکنون می‌توانید ویدیوهایی تا ۱۵ ثانیه بسازید و ویرایش کنید؛ در حالی که Omni 1.1 حداکثر ۱۰ ثانیه بود. می‌توانید مدت را با گام‌های یک‌ثانیه‌ای از ۳ تا ۱۵ ثانیه مشخص کنید. این بازه برای روایت یک داستان کامل، ساخت توضیح محصول یا تولید یک آگهی کامل شبکه اجتماعی در یک تولید کافی است.
**پایبندی بهتر به تصاویر مرجع**
می‌توانید تولید را با ترکیب تصویر شخصیت، محصول یا سبک، کلیپهای حرکتی کوتاه تا سه ثانیه و نشانه‌های صوتی هدایت کنید و Omni 1.2 Flash این جزئیات را از ابتدا تا انتها حفظ می‌کند. چهره‌ها، لباس‌ها، تایپوگرافی بسته‌بندی و رنگ‌های برند در زوایای مختلف دوربین ثابت می‌مانند. همین ویژگی تبدیل عکس محصول یا برگه شخصیت موجود به کلیپ پرو مجازی، چرخش کاتالوگ و آگهی ویدیویی برند را ساده می‌کند.
گوگل نمونه‌ای می‌آورد: ترکیب یک عکس مدل با تصاویر جلو و پشت محصول برای سه دست لباس، و تولید یک سکانس پرو مجازی ۱۵ ثانیهای با چرخش ۳۶۰ درجه و برش‌های هم‌تراز، در حالی که هویت مدل و برش، افتادگی و جزئیات پشت هر لباس حفظ می‌شود.
**نتایج باثبات‌تر**
می‌توانید ثبات شخصیت، شیء و صحنه را از نخستین تا آخرین فریم بهتر حفظ کنید و در حرکت و گذارهای دوربین، رانش تصویری یا تغییر شکل کمتری ببینید. چه بین دو فریم کلیدی اول و آخر میان‌یابی کنید و چه کلیپ را برای ساختن سکانسی بلندتر ادامه بدهید، محصولات، شخصیت‌ها، اشیا و محیط از نما به نما ثابت می‌مانند.
گوگل برای نشان دادن تفاوت، یک پوستر نمایشگاهی با نور استودیویی ثابت و یک دستور انیمیشن پنج‌لایه را مثال می‌زند: نسخه ۱.۱ به‌اندازه ۱.۲ به تصویر مرجع نزدیک نمی‌شود، در حالی که ۱.۲ پوستر را لایه‌به‌لایه روی پس‌زمینه صورتی‌خاکی و سکوی شش‌ضلعی می‌سازد، شیشه شیاردار، رشته گرم، کریستال تراش‌خورده و حروف کابل‌پیچ HALO، GLOW و LUMEN را کنار هم می‌چیند و هر ماده، سایه و جزئیات تایپوگرافی را تا فریم آخر ثابت نگه می‌دارد.
**ویرایش آسان‌تر در گفت‌وگو**
می‌توانید همان کلیپ را نوبت‌به‌نوبت اصلاح کنید؛ مثلاً محصول یا پس‌زمینه را عوض کنید، نور یا هوا را تغییر بدهید یا نسبت تصویر را بچرخانید، بدون اینکه از صفر شروع کنید. ویرایش گفتوگویی چندنوبتی روی کلیپهای کامل ۱۵ ثانیهای کار می‌کند و ساختن واریانت تبلیغاتی برای مخاطبان و جایگاه‌های مختلف را بدون بازنویسی دستور یا تولید دوباره آسان می‌کند.
گوگل نمونه‌ای می‌آورد که از یک کلیپ تولیدشده شروع می‌شود و پس‌زمینه را نوبت‌به‌نوبت عوض می‌کند: از چادر راه‌راه نمایشگاهی به جنگل بلوط، اصطبل با اسب سفید، بازارگاه و قلعه سنگی؛ در حالی که بازی هر دو شخصیت، بازتاب زره و قاب‌بندی دوربین دست‌نخورده می‌ماند.
**گفتار طبیعی‌تر**
می‌توانید صحنه‌هایی با دیالوگ روان‌تر و طبیعی‌تر، همگام‌سازی لب واضح‌تر و شرطی‌سازی چندگوینده متمایز بسازید. این ویژگی در کارگردانی دیالوگ چندشخصیتی در Flow، ساخت ویدیوی توضیحی در Gemini for business یا تولید ویدیوی حرفه‌ای با آواتار، موسیقی و روایت در Google Vids دیده می‌شود. در نمونه گوگل، مدل با یک تصویر صحنه کنسرواتوار، چهار مرجع شخصیت، دهان و صدای یک‌ثانیه‌ای، هر صدای نمونه‌برداری‌شده را به شخصیت درست می‌رساند و در یک صحنه انیمیشنی ۱۵ ثانیهای همگام‌سازی لب رسا و زمان‌بندی کمدی طبیعی ارائه می‌دهد.
**ظاهر سینمایی و قابل کنترل‌تر**
می‌توانید حرکت‌های پیچیده و پیوسته دوربین، از پرواز FPV تا زوم‌اوت دراماتیک و چرخش مداری را با برش‌های ناخواسته بسیار کمتر، مقیاس پایدارتر و ظاهری سینمایی‌تر کارگردانی کنید. گوگل این را نتیجه آموزش مدل بر نمونه‌های متنوع دوربین و صحنه می‌داند.
در مجموع، تغییر اصلی Omni 1.2 Flash از «تولید یک ویدیوی خوب» به «تولید سریع ده‌ها نسخه و اصلاح هدفمند» است. برای تیم‌های کوچک، همین جابه‌جایی مرکز هزینه از تولید به انتخاب و تأیید، مهم‌ترین بخش این به‌روزرسانی است.