رونمایی گوگل از Gemini Omni ۱.۲ Flash؛تولید ویدیوی هوش مصنوعی ارزان‌تر و طولانی‌تر

گوگل با عرضه مدل Gemini Omni 1.2 Flash امکان ساخت بومی ویدیوهای ۱۵ ثانیه‌ای، ویرایش مرحله‌به‌مرحله با چت و کاهش ۳۰ درصدی هزینه‌ها را فراهم کرد.

جهش بزرگ گوگل در ساخت ویدیو با Gemini Omni 1.2 Flash

پروژه‌های چندرسانه‌ای گوگل با سرعت زیادی مسیر پیشرفت را طی می‌کنند و شباهت زیادی به دستاوردهای اخیر این شرکت در حوزهشبیه‌ساز جهان هوش مصنوعیدارند. کاربران اکنون می‌توانند با کمک مدل جدیدGemini Omni 1.2 Flashکلیپ‌های ویدیویی پیوسته را با کنترل بسیار بهتری روی جزئیات فریم‌ها بسازند. این پیشرفت در ادامه رونمایی ازمدل هوش مصنوعی جمینای آرگونرخ می‌دهد که نشان‌دهنده تمرکز غول فناوری بر ابزارهای سبک و سریع برای کارهای پردازشی روزمره است.

تحول اخیر در زمینه پردازش رسانه‌ها درست مثل ارتقای توانایی‌های تحلیلی درمدل هوش مصنوعی جمینای کربننشان‌دهنده یکپارچه‌سازی ابزارهای مختلف در پلتفرم ابری گوگل است. نسخه جدید امنی محدودیت‌های پیشین را کنار گذاشته است و اجازه می‌دهد افراد بدون شروع دوباره کل پروژه، بخش‌های خاصی از ویدیوی ساخته‌شده را تغییر دهند. این دسترسی سریع به تولید محتوا، کار تیم‌های تجاری و تولیدکنندگان مستقل را دگرگون می‌کند.

مدل Gemini Omni 1.2 Flash اکنون به مرحله دسترسی عمومی رسیده است و درون سرویس‌های مختلف این شرکت کار می‌کند. این پلتفرم از زیرساخت ابری ایمن استفاده می‌کند و امکان سفارش توان پردازشی مشخص را برای کسب‌وکارها در نظر گرفته است. تمام خروجی‌های تصویری و ویدیویی این مدل به فناوری واترمارک نامحسوس SynthID مجهز هستند تا تشخیص محتوای ماشینی ساده باشد.

ویژگی‌های فنی و سازوکار ویرایش مکالمه‌ای چندمرحله‌ای

تغییر بنیادین در نسخه 1.2 Flash، انعطاف‌پذیری در مدت زمان ویدیو است. کاربران دیگر به کلیپ‌های کوتاه ۱۰ ثانیه‌ای محدود نیستند و می‌توانند زمان ویدیو را از ۳ تا ۱۵ ثانیه با گام‌های یک‌ثانیه‌ای انتخاب کنند. این قابلیت برای ساخت تبلیغات هدفمند در شبکه‌های اجتماعی و ارائه‌های حرفه‌ای شرکتی بسیار کاربردی است، چون خط داستانی کامل‌تری در یک برداشت واحد شکل می‌گیرد.

نوآوری برجسته دیگر این ابزار، ویرایش مکالمه‌ای چندمرحله‌ای است. در مدل‌های ویدیویی متداول، اگر رنگ یک لباس یا آب‌وهوای صحنه نامناسب باشد، کاربر باید دستور را ویرایش کرده و کل ویدیو را از صفر بسازد. این کار هزینه و زمان را تلف می‌کند. در Gemini Omni 1.2 Flash کاربر در قالب یک چت ساده با سیستم گفتگو می‌کند و فقط تغییر پس‌زمینه، جابه‌جایی زاویه نور یا اصلاح نسبت ابعاد تصویر را می‌خواهد. سیستم بدون دستکاری دیگر عناصر صحنه، این جزئیات را روی همان کلیپ پیاده می‌کند.

پایبندی به تصویر مرجع نیز در این نسخه بهبود محسوسی دارد. کاربر می‌تواند تصاویری از چهره شخصیت، طرح محصول، بسته‌بندی برند یا حتی کلیپ‌های حرکتی کوتاه سه ثانیه‌ای را به سیستم ارائه دهد. هوش مصنوعی این ویژگی‌ها را در فریم‌های مختلف نگه می‌دارد و از محوشدن ناخواسته چهره یا تغییر فونت بسته‌بندی کالا در طول چرخش دوربین جلوگیری می‌کند.

صرفه اقتصادی و بهبود حرکت روان دوربین در صحنه‌ها

کاهش ۳۰ درصدی قیمت، هزینه ساخت ویدیوی 720p را به رقم ۰.۰۷ دلار به ازای هر ثانیه رسانده است. این کاهش هزینه در کنار یک چرخه کاری دومرحله‌ای به صرفه‌جویی شدید بودجه کمک می‌کند. طراحان ابتدا پیش‌نویس‌های اولیه را با کیفیت 360p یا 720p می‌سازند، ایرادها را با ویرایش‌های تکمیلی اصلاح می‌کنند و تنها نسخه نهایی تاییدشده را به رزولوشن‌های 1080p یا 4K ارتقا می‌دهند.

انیش نانگیا، مدیر محصول در بخش دیپ‌مایند گوگل، در بیانیه رسمی معرفی این ابزار اعلام کرد مدل Gemini Omni 1.2 Flash امکان ساخت بومی ویدیوی ۱۵ ثانیه‌ای، پایبندی قوی‌تر به مراجع ورودی و ویرایش مرحله‌به‌مرحله با گفتگو را ارائه می‌دهد که این تغییرات ضمن کاهش ۳۰ درصدی هزینه‌ها، پیوستگی بهتری برای پروژه‌های حرفه‌ای فراهم می‌آورد.

توسعه‌دهندگان در طراحی حرکات دوربین دقت بالایی به خرج داده‌اند. حرکات پیچیده‌ای مثل پرواز پیوسته نماهای دید اول‌شخص، چرخش‌های ۳۶۰ درجه و زوم‌های سریع دیگر با پرش‌های ناگهانی فریم یا به هم ریختگی اشیا همراه نیستند. همچنین ادای کلمات توسط شخصیت‌ها با لب‌خوانی دقیق‌تر و امکان تفکیک صدای چند گوینده روی صحنه ترکیب شده است تا دیالوگ‌ها واقعی‌تر شنیده شوند.

همچنین اندرو تاکو ژانگ، مدیر بازاریابی محصول در شرکت فلورا، درباره عملکرد این سامانه اعلام کرد مدل Gemini Omni 1.2 Flash دقیقا همان چیزی را که بخواهید مانند رنگ‌بندی یا پس‌زمینه تغییر می‌دهد و محصول اصلی را دست‌نخورده رها می‌کند.

دسترسی عمومی به ابزارها در کنسول ابری، استودیو و گوگل ویدز

دسترسی به این سیستم ساخت ویدیو از مسیرهای متعددی در دسترس قرار دارد. برنامه‌نویسان می‌توانند با کلید دسترسی در Google AI Studio نمونه‌های آزمایشی را اجرا کرده و از مستندات فنی و قیمت‌گذاری آن در محیط برنامه‌نویسی استفاده کنند. برای شرکت‌های بزرگ، پنل سازمانی Google Cloud امکان پردازش پایدار با امنیت بالا را مهیا ساخته است.

کاربران ابزارهای اداری گوگل نیز به این فناوری متصل شده‌اند. برای نمونه، کاربران سرویس Google Vids از طریق حساب کاربری شخصی یا اشتراک ورک‌اسپیس می‌توانند کلیپ‌های ۱۵ ثانیه‌ای را مستقیما در اسلایدهای ویدیویی خود جای دهند. به موازات این قابلیت، امکان تغییر زاویه دید و ویرایش صحنه در بستر Flow و تولید کلیپ برای تبلیغات هدفمند در پلتفرم تبلیغاتی گوگل فعال است تا چرخه ساخت تا انتشار محتوا سریع‌تر از گذشته باشد.

سوالات متداول

برای ارزیابی پایداری، امنیت و نگهداری این زیرساخت، راهنمای پشتیبانی شبکه را نیز مطالعه کنید.