خانواده مدل‌های تولید ویدیوی شرکت گوگل شاهد اضافه شدن عضو جدیدی است که بهبودهای قابل توجهی را با قیمتی مقرون‌به‌صرفه ارائه می‌دهد. مدل هوش مصنوعی جدید Gemini Omni 1.2 Flash قابلیت ساخت بومی ویدیوهای ۱۵ ثانیه‌ای، ویرایش گفتگومحور چندمرحله‌ای، پیروی دقیق‌تر از تصاویر مرجع نسبت به مدل‌های قدیمی‌تر و در مجموع نتایج یکدست‌تری را به ارمغان می‌آورد. اگرچه دسترسی کامل به این مدل در اپلیکیشن جمینای در ابتدا نیازمند اشتراک Google AI Ultra خواهد بود، اما امکانات ویژه‌ای نیز برای کاربران رایگان در نظر گرفته شده است.
یکی از بزرگ‌ترین پیشرفت‌های این نسخه، توانایی تولید ویدیوهای طولانی‌تر است. برای مقایسه، مدل قبلی یعنی Gemini Omni 1.1 Flash به ساخت کلیپ‌های ۱۰ ثانیه‌ای محدود بود، اما نسخه جدید Omni 1.2 Flash این محدودیت را به ۱۵ ثانیه افزایش داده است که ۵۰ درصد زمان بیشتری را در اختیار کاربران قرار می‌دهد. علاوه بر این، امکان کنترل دقیق طول ویدیو نیز فراهم شده است و کاربران مجبور به ساخت ویدیوهای ۱۵ ثانیه‌ای نیستند؛ بلکه می‌توانند مدت‌زمان کلیپ را بین ۳ تا ۱۵ ثانیه با گام‌های یک ثانیه‌ای مشخص کنند.
به گفته گوگل، مدل جدید از نظر وفاداری به رفرنس و منابع مرجع نیز عملکرد بهتری دارد. بنابراین اگر قصد دارید چندین کلیپ را برای روایت یک داستان تولید کنید، این مدل در ثابت و یکدست نگه داشتن شخصیت‌ها و سایر عناصر در صحنه‌های مختلف بسیار بهتر از نسل‌های قبلی عمل می‌کند.
غول فناوری آمریکایی در توضیح این قابلیت اعلام کرده است که کاربران می‌توانند ثبات قوی‌تری را در زمینه کاراکتر، اشیاء و صحنه‌ها از فریم اول تا فریم آخر حفظ کنند و هنگام حرکت یا تغییر زاویه دوربین، شاهد تغییرات ناخواسته یا دفرمه شدن بسیار کمتری باشند. چه در حال میانیابی (Interpolation) بین فریم کلیدی اول و آخر باشید و چه بخواهید یک کلیپ را برای ساخت سکانسی طولانی‌تر ادامه دهید، محصولات، کاراکترها، لوازم صحنه و محیط‌ها از پلانی به پلان دیگر ثابت می‌مانند.
یکی دیگر از ارتقاهای مهمی که گوگل بر آن تاکید کرده، ساده‌تر شدن فرآیند ویرایش خروجی‌ها است. در حالی که نسخه قبلی از ویرایش ویدیو از طریق گفتگو پشتیبانی می‌کرد، مدل Omni 1.2 Flash این قابلیت را یک گام فراتر برده و امکان اعمال تغییرات نوبتی و مرحله‌به‌مرحله بدون نیاز به شروع مجدد از صفر را فراهم می‌کند.
گوگل می‌گوید این ویژگی باعث می‌شود تولید نسخه‌های مختلف از یک ویدیو برای مخاطبان گوناگون بسیار آسان‌تر شود و دیگر نیازی به توضیح مجدد به ابزار یا تولید دوباره کل ویدیو از ابتدا نباشد. نکته مهم این است که در طول تمام این تغییرات، مدل Omni 1.2 Flash عناصر و بخش‌هایی را که نمی‌خواهید تغییر کنند، دست‌نخورده حفظ می‌کند.
در کنار این موارد، کاربران می‌توانند انتظار تولید گفتار بهتر با دیالوگ‌های روان‌تر و طبیعی‌تر همراه با هماهنگی دقیق حرکت لب‌ها را داشته باشند. همچنین کنترل‌های بیشتری برای پروژه‌های سینمایی از جمله حرکت‌های پروازی و پیوسته دوربین به سبک پهپادهای FPV و زوم‌بک‌های (Zoom-out) دراماتیک به این مدل اضافه شده است.
مدل هوش مصنوعی Gemini Omni 1.2 Flash
مدل هوش مصنوعی Gemini Omni 1.2 Flash در حال ورود به چندین برنامه و سرویس گوگل است، اما سطح دسترسی به آن در تمام بخش‌ها یکسان نیست:
همچنین احتمال می‌رود که این مدل جدید در نهایت در اختیار کاربران اشتراک‌های Google AI Plus و Pro نیز قرار بگیرد، هرچند زمان دقیق آن هنوز مشخص نیست.
معرفی مدل Gemini Omni 1.2 Flash نشان‌دهنده تمرکز گوگل بر حل دو چالش اصلی ابزارهای ویدیوساز هوش مصنوعی یعنی کوتاهی بیش از حد کلیپ‌ها و به‌هم‌ریختگی ظاهر کاراکترها در طول ویدیو است. افزایش زمان ویدیوها به ۱۵ ثانیه در کنار قابلیت ویرایش مرحله‌به‌مرحله از طریق چت و ارائه سهمیه رایگان ماهانه در سرویس Google Vids، این مدل را به ابزاری کاربردی‌تر برای تولیدکنندگان محتوا و کسب‌وکارها تبدیل می‌کند.
به نظر شما افزایش زمان ویدیوهای هوش مصنوعی به ۱۵ ثانیه و امکان ویرایش مرحله‌به‌مرحله آن‌ها تا چه اندازه می‌تواند فرآیند تولید محتوا برای شبکه‌های اجتماعی را متحول کند؟
