Gemini Omni 1.2 Flash: klipy do 15 sekund i cena niższa o 30 proc.
Google DeepMind ogłosiło Gemini Omni 1.2 Flash. Firma podaje, że Gemini Omni 1.2 Flash jest ogólnie dostępny (GA), czyli gotowy do zastosowań produkcyjnych, w Gemini API i Google Cloud. Główne zmiany to dłuższe klipy, edycja w kolejnych turach rozmowy i niższa cena.
Maksymalna długość wideo rośnie z 10 do 15 sekund. Czas można ustawiać co sekundę, od 3 do 15. Google przekonuje, że za jednym razem można wygenerować cały spot reklamowy do social mediów albo wideo produktowe. Cena spadła o 30 proc. względem Omni 1.1 i wynosi 0,07 dolara za sekundę wideo 720p.
Poprawki zamiast renderowania od nowa
Najważniejszą nowością jest edycja konwersacyjna. Wygenerowany klip można zmieniać krok po kroku: podmienić produkt lub tło, zmienić oświetlenie albo pogodę, przestawić proporcje obrazu. Według Google działa to na pełnych 15-sekundowych materiałach. W przykładzie z blogu jedna scena zmienia kolejno tło, od namiotu przez las i stajnię po zamek, a gra postaci, odbicia na zbrojach i kadrowanie zostają bez zmian.
Takie podejście wiąże się z kosztami. Google proponuje najpierw szkicować w 360p lub 720p, poprawiać detale kolejnymi poleceniami, a dopiero najlepszą wersję skalować do 1080p lub 4K. Szkice w niskiej rozdzielczości jako sposób na oszczędność pojawiły się już w Omni 1.1 Flash, o którym pisaliśmy w sierpniu.
Referencje i spójność
Model przyjmuje obrazy postaci, produktów lub stylu, krótkie klipy ruchu (do trzech sekund) oraz wskazówki dźwiękowe. Twarze, ubrania, typografia na opakowaniach i kolory marki mają pozostawać stałe przy zmianie kąta kamery. Google pokazuje m.in. wirtualną przymiarkę: ze zdjęcia modelki i ujęć trzech strojów powstaje 15-sekundowa sekwencja z obrotami o 360 stopni, w której zachowane są tożsamość modelki oraz krój i układ materiału każdej części garderoby.
Firma deklaruje też mniejszy dryf wizualny i mniej „morfingu” przy ruchu i przejściach kamery oraz lepszą spójność między pierwszą a ostatnią klatką, także przy interpolacji i wydłużaniu klipów. Do tego dochodzą:
- bardziej naturalne dialogi, wyraźniejszy lip-sync i lepsze rozróżnianie wielu mówców,
- złożone, ciągłe ruchy kamery, np. przeloty FPV czy gwałtowne oddalenia, z wyraźnie mniejszą liczbą niechcianych cięć.
Google ilustruje część tych deklaracji wybranymi przykładami, nie podając wyników niezależnych testów.
Gdzie to działa
Model jest dostępny w Gemini API i Google AI Studio, w konsoli Google Cloud (z opcją Provisioned Throughput), we Flow, Google Vids i Google Ads. W aplikacji Gemini 15-sekundowe wideo wdrażane jest dla subskrybentów Google AI Ultra. W Google Vids klipy 15-sekundowe są dostępne bez dodatkowych opłat dla posiadaczy konta Google lub subskrypcji Workspace. Każde wideo ma niewidoczny znak wodny SynthID.
Według changelogu Gemini API GA obejmuje też podwojone limity dla płatnych kont. Google opisało wdrożenie również na blogu Google Cloud.
Sam Google przyznaje, że prace trwają jeszcze nad szybką akcją sportową, gwałtownymi zmianami scenariusza i złożoną fizyką. Omni jako rodzina modeli ruszył w maju 2026 roku, kiedy Google zaprezentowało Gemini Omni. Wersja 1.2 Flash jest pierwszą ze statusem GA.
