رونمایی گوگل از مدل Gemini Omni 1.2 Flash با سرعت بالاتر و هزینه کمتر
گوگل مدل هوش مصنوعی تولید و ویرایش ویدیوی Gemini Omni 1.2 Flash را با قابلیت تولید ویدیوهای ۱۵ ثانیهای و کاهش ۳۰ درصدی هزینهها معرفی کرد. این مدل از ویرایش مکالمهای چندمرحلهای پشتیبانی میکند و کیفیت خروجی را بهطور چشمگیری ارتقا داده است.
به قلم کوروش پاکزاد
این خبر را به اشتراک بگذارید
در تاریخ ۵ نوامبر ۲۰۲۶، شرکت گوگل از جدیدترین نسخه مدل هوش مصنوعی چندوجهی خود با نام Gemini Omni 1.2 Flash رونمایی کرد. این مدل که بهطور ویژه برای تولید و ویرایش ویدیو طراحی شده است، اکنون از طریق رابط برنامهنویسی جمنای (Gemini API) و پلتفرمهای تجاری گوگل در دسترس توسعهدهندگان قرار دارد.[1][2]
مهمترین ارتقای صورتگرفته در این نسخه، افزایش طول ویدیوهای تولیدی است. در حالی که نسخه قبلی تنها قادر به تولید ویدیوهای ۱۰ ثانیهای بود، مدل جدید میتواند کلیپهای بومی را تا سقف ۱۵ ثانیه تولید کند. کاربران میتوانند زمان ویدیو را با فواصل یک ثانیهای، بین ۳ تا ۱۵ ثانیه تنظیم کنند.[2][3][4]
علاوه بر افزایش زمان، گوگل هزینه استفاده از این مدل را بهطور قابلتوجهی کاهش داده است. قیمت تولید هر ثانیه ویدیوی با کیفیت 720p اکنون به ۰.۰۷ دلار رسیده است که نشاندهنده کاهش ۳۰ درصدی نسبت به نسل قبلی است. این کاهش قیمت میتواند استفاده تجاری از هوش مصنوعی ویدیویی را برای استارتاپها بسیار مقرونبهصرفهتر کند.[3][5]
اندرو تاکو ژانگ، مدیر بازاریابی محصول در فلورا، درباره این مدل میگوید: «مدل Gemini Omni 1.2 Flash دقیقاً همان چیزی را که میخواهید، مانند رنگ یا پسزمینه، ویرایش میکند و محصول اصلی را دستنخورده باقی میگذارد. این قابلیت حتی در تصاویر پرجزئیات و ویدیوهای نهایی نیز بهخوبی عمل میکند.»[1]
این مدل همچنین از قابلیت تبدیل ویدیو به ویدیو پشتیبانی میکند که به تولیدکنندگان محتوا اجازه میدهد تا ویدیوهای خام را به سبکهای کاملاً جدیدی تبدیل کنند. این ویژگی بهویژه برای آژانسهای تبلیغاتی که نیاز به تغییر سریع فضای بصری کمپینهای خود دارند، یک ابزار تحولآفرین محسوب میشود.[1]
ویرایش مکالمهای و حفظ پیوستگی
یکی از نوآورانهترین ویژگیهای معرفیشده در Gemini Omni 1.2 Flash، قابلیت «ویرایش مکالمهای چندمرحلهای» است. این سیستم به کاربران اجازه میدهد تا کلیپهای ویدیویی را از طریق دستورات متنی پیدرپی اصلاح کنند، بدون اینکه نیاز باشد کل فرآیند تولید ویدیو از ابتدا تکرار شود.[4][6]
بهعنوان مثال، یک تدوینگر میتواند محصول، پسزمینه، نورپردازی یا حتی شرایط آبوهوایی داخل ویدیو را تغییر دهد، در حالی که سایر عناصر صحنه کاملاً ثابت و دستنخورده باقی میمانند. این مدل از یک شناسه تعامل قبلی استفاده میکند تا زمینه را بین درخواستهای API حفظ کند، بنابراین نیازی به آپلود مجدد ویدیوی قبلی نیست.[3]
این رویکرد، مشکل ساختاری و پرهزینه رندر مجدد در مدلهای قبلی را حل میکند. در گذشته، حتی یک اصلاح جزئی در پرامپت باعث میشد تا کل ویدیو از صفر بازتولید شود که این امر هزینه و زمان زیادی را به استودیوهای تولید محتوا تحمیل میکرد. اکنون، فرآیند ویرایش ویدیو به چیزی شبیه به ثبت تغییرات در توسعه نرمافزار تبدیل شده است.[7]
گوگل اعلام کرده است که این مدل در حفظ ثبات شخصیتها، اشیاء و صحنهها در طول فریمهای مختلف عملکرد بسیار بهتری دارد. حرکات دوربین از جمله زوم به عقب، چرخشها و حرکت در عمق صحنه اکنون با پرشهای تصویری کمتری همراه هستند و مقیاس اشیاء در نماهای مختلف ثابتتر باقی میماند.[2]
همچنین، در بخش صوتی نیز پیشرفتهای چشمگیری حاصل شده است. ویدیوهای تولیدشده توسط این مدل اکنون بهجای تصاویر صامت که نیاز به صداگذاری جداگانه دارند، با صدای هماهنگ و بومی همراه هستند. این مدل دیالوگهای طبیعیتری تولید میکند و هماهنگی لبها در آن بهبود یافته است.[2][4]
دقت در ارجاعات و کیفیت خروجی
در زمینه پیروی از منابع ارجاعی، مدل Gemini Omni 1.2 Flash توانایی پردازش همزمان ۷ تا ۱۰ تصویر مرجع را در یک فرآیند تولید واحد دارد. این قابلیت به کارگردانان هنری اجازه میدهد تا کنترل بسیار دقیقی روی ظاهر نهایی کاراکترها و محیط داشته باشند.[4]
مستندات توسعهدهندگان نشان میدهد که هر درخواست میتواند تا شش تصویر مرجع، شامل حداکثر سه تصویر برای هر کاراکتر (تا سقف دو کاراکتر) را پردازش کند. این سطح از جزئیات، ساخت ویدیوهای تبلیغاتی و معرفی محصولات را که نیازمند وفاداری دقیق به هویت بصری برند هستند، بسیار آسانتر میکند.[3]
خروجی پیشفرض این مدل با کیفیت 720p و نسبت تصویر ۱۶:۹ تنظیم شده است، اما از نسبت ۹:۱۶ نیز برای شبکههای اجتماعی پشتیبانی میکند. تیمهای تولید میتوانند نسخههای اولیه را با کیفیت 360p یا 720p بسازند و سپس نتایج منتخب خود را به کیفیتهای بالاتر مانند 1080p یا 4K ارتقا دهند.[2][3]
برای تضمین شفافیت و جلوگیری از سوءاستفادههای احتمالی، تمامی ویدیوهای تولیدشده توسط این مدل دارای واترمارک داخلی و غیرقابلمشاهده SynthID گوگل هستند. این فناوری به پلتفرمها کمک میکند تا محتوای تولیدشده توسط هوش مصنوعی را بهطور قطعی از ویدیوهای واقعی تشخیص دهند.[2][4]
علاوه بر تولید بومی ۱۵ ثانیهای، قابلیت تمدید ویدیو نیز بهصورت مجزا در دسترس است. این ویژگی میتواند در هر مرحله بین ۳ تا ۱۰ ثانیه به ویدیو اضافه کند و از ۱۰ ثانیه پایانی بهعنوان زمینه استفاده کند. با تکرار این فرآیند، طول نهایی ویدیو میتواند تا سقف ۳۰ ثانیه افزایش یابد.[3][7]
ساختار قیمتگذاری و دسترسی توسعهدهندگان
در بخش رابط برنامهنویسی پولی جمنای، ساختار قیمتگذاری بر اساس توکنهای خروجی ویدیو محاسبه میشود. هزینه تعیینشده معادل ۱۲ دلار به ازای هر یک میلیون توکن خروجی ویدیو است. بر اساس این معیار، هر ثانیه ویدیوی 720p حدود ۵,۷۹۲ توکن مصرف میکند.[3]
با یک محاسبه ساده، هزینه تولید یک کلیپ ۱۰ ثانیهای حدود ۰.۷۰ دلار و یک کلیپ کامل ۱۵ ثانیهای تقریباً ۱.۰۴ دلار خواهد بود. در مقابل، هزینه ورودیهای متنی، تصویری و ویدیویی بسیار کمتر و معادل ۱.۵۰ دلار به ازای هر یک میلیون توکن تعیین شده است.[3]
دسترسی به این مدل از طریق درگاههای متعددی امکانپذیر است. توسعهدهندگان میتوانند از طریق Google AI Studio و کنسول Google Cloud به آن متصل شوند. همچنین، پلتفرمهای شخص ثالث مانند Runware و Segmind نیز این مدل را به کاربران خود ارائه میدهند.[2][4]
برای کاربران تجاری، این مدل در سرویسهای Gemini for business و Google Vids ادغام شده است. کاربران عادی نیز میتوانند در محیطهایی مانند YouTube Shorts بهصورت محدود و رایگان از آن استفاده کنند، در حالی که دسترسی کامل از طریق اشتراکهای Google AI Plus، Pro و Ultra فراهم میشود.[1][4]
نکته مهم برای تیمهای توسعه این است که از تاریخ ۳ دسامبر ۲۰۲۶، تمامی درخواستهای API که به مدل قدیمیتر ارسال میشوند، بهطور خودکار به Omni 1.2 Flash هدایت خواهند شد. این انتقال خودکار نشاندهنده اعتماد گوگل به پایداری و برتری نسخه جدید است و توسعهدهندگان باید سیستمهای خود را برای این تغییر آماده کنند.[7]
تاثیر بر صنعت تولید محتوا
کاهش ۳۰ درصدی هزینهها و امکان ویرایش نقطهای، گلوگاههای اصلی تجاریسازی هوش مصنوعی ویدیویی را هدف قرار داده است. تا پیش از این، هزینه بالای API و نیاز به رندر مجدد برای هر اصلاح کوچک، باعث میشد تا در برخی موارد، استفاده از هوش مصنوعی پرهزینهتر از روشهای سنتی استودیویی تمام شود.[7]
پلتفرمهای خلاقانه مانند پیکسآرت در حال حاضر از Gemini 1.2 Flash برای بررسی و اجرای سریع مفاهیم بصری در عرض چند دقیقه استفاده میکنند. همچنین، شرکت رانوِی نیز از این ابزارهای پیشرفته برای تولید محتوای باکیفیت و ارائه راهحلهای سازمانی مقیاسپذیر بهره میبرد.[1]
این مدل با توانایی گنجاندن داستانهای کامل، ویدیوهای آموزشی محصولات و تبلیغات کامل شبکههای اجتماعی در یک فرآیند تولید واحد، نیاز به نرمافزارهای تدوین جانبی را کاهش میدهد. امکان تغییر نورپردازی یا نسبت تصویر با یک دستور متنی ساده، سرعت عمل تیمهای بازاریابی را بهشدت افزایش خواهد داد.[3]
با وجود این پیشرفتها، هنوز محدودیتهایی وجود دارد. بهعنوان مثال، قابلیت تمدید ویدیو نمیتواند تصاویری را به ابتدای کلیپ اضافه کند یا محتوایی را در میانه ویدیو درج نماید. همچنین، درونیابی از فریم اول تا آخر همچنان به خروجیهای ۳ تا ۱۰ ثانیهای محدود است.[3]
نکات کلیدی
- گوگل مدل Gemini Omni 1.2 Flash را با قابلیت تولید ویدیوهای بومی تا سقف ۱۵ ثانیه و صدای هماهنگ عرضه کرد.
- هزینه استفاده از رابط برنامهنویسی (API) برای ویدیوهای 720p با ۳۰ درصد کاهش به ۰.۰۷ دلار در هر ثانیه رسیده است.
- قابلیت جدید «ویرایش مکالمهای» امکان تغییر عناصر خاصی مانند پسزمینه یا نورپردازی را بدون نیاز به رندر مجدد کل ویدیو فراهم میکند.
- تمامی ویدیوهای تولیدشده توسط این مدل دارای واترمارک داخلی SynthID هستند تا شفافیت محتوای هوش مصنوعی تضمین شود.
آنچه نمیدانیم
- هنوز مشخص نیست که این مدل در پردازش فیزیک پیچیده مایعات یا تعاملات ظریف انسانی در ویدیوهای طولانیتر ۱۵ ثانیهای تا چه حد بدون خطا عمل میکند.
- زمان دقیق عرضه عمومی این قابلیتها برای کاربران نسخه رایگان در تمامی مناطق جغرافیایی هنوز توسط گوگل اعلام نشده است.
روند رویداد
نوامبر ۲۰۲۶
رونمایی رسمی از Gemini Omni 1.2 Flash با قابلیت تولید ویدیوی ۱۵ ثانیهای و کاهش ۳۰ درصدی هزینهها.
دسامبر ۲۰۲۶
انتقال خودکار تمامی درخواستهای API مدلهای قدیمیتر به نسخه جدید Omni 1.2 Flash.
- توسعهدهندگان زیرساخت
- بر کاهش هزینههای پردازشی و مقیاسپذیری API تاکید دارند.
- صنعت تولید محتوا
- سرعت جریان کاری و قابلیتهای ویرایش نقطهای را تحسین میکنند.
- تحلیلگران بازار فناوری
- این مدل را گامی برای رقابت با سایر غولهای هوش مصنوعی ویدیویی میدانند.
دیدگاههایی که این گزارش پوشش نداده
- نگرانیهای بازیگران و مدلهای انسانی درباره جایگزینی با کاراکترهای تولیدشده توسط هوش مصنوعی
- دیدگاه نهادهای تنظیمگر درباره حجم انبوه ویدیوهای مصنوعی در شبکههای اجتماعی
منابع
[1]Google Cloud Blogتوسعهدهندگان زیرساختGemini Omni 1.2 Flash is now generally available on Google Cloud
مطالعه در Google Cloud Blog →
[2]Investing.comتوسعهدهندگان زیرساختGoogle announces general availability of Gemini Omni 1.2 Flash
مطالعه در Investing.com →
[3]Unite.aiصنعت تولید محتواGoogle announced Gemini Omni 1.2 Flash
مطالعه در Unite.ai →
[4]Crypto Briefingتحلیلگران بازار فناوریGoogle has pushed out Gemini Omni 1.2 Flash
مطالعه در Crypto Briefing →
[5]Seeking Alphaتحلیلگران بازار فناوریGoogle unveils its latest artificial intelligence model aimed at video generation, Gemini Omni 1.2 Flash
مطالعه در Seeking Alpha →
[6]Hermes AIتحلیلگران بازار فناوریGoogle released Gemini Omni 1.2 Flash
مطالعه در Hermes AI →
[7]Crystal Methodصنعت تولید محتواGemini Omni 1.2 Flash Formal Announcement
مطالعه در Crystal Method →
بیشتر در هوش مصنوعی
مشاهده همه →سختافزار هوش مصنوعی
رونمایی گوگل از تراشههای تخصصی TPU 8tx و 8i Max؛ چالش جدی برای تسلط انویدیا در بازار هوش مصنوعی
7 منبع
اپلیکیشن جمینای برای گوشیهای اندرویدی با حافظه رم پایین در دسترس قرار گرفت
5 منبع
اهدای پروژه اوپنشل به بنیاد لینوکس؛ گام بزرگ انویدیا برای ایمنسازی کارخانههای هوش مصنوعی
8 منبع
توافق نیمبند سازمان ملل برای تدوین مقررات تسلیحات خودکار تا سال ۲۰۲۸
4 منبع
نظرات
هر زاویه. هر روز.
اخبار هوش مصنوعی با پوشش کامل منابع و تحلیل دیدگاهها، هر روز و رایگان.





