گوگل با معرفی مدل جدید خود به نام جمینای امنی ۱.۲ فلش (Gemini Omni 1.2 Flash)، امکان تولید ویدیوهای ۱۵ ثانیه‌ای با کیفیت یکپارچه را فراهم کرده است. این مدل که هم در API جمینای و هم در سرویس‌های تجاری گوگل در دسترس قرار گرفته، قیمت را ۳۰٪ کاهش داده و قابلیت‌های ویرایش مکالمهای و پیروی بهتر از مراجع را ارائه میدهد.
سرعت و مقرون‌به‌صرفه بودن در مقیاس
جمینای امنی ۱.۲ فلش نه تنها با قیمت ۰.۰۷ دلار برای هر ثانیه ویدیوی ۷۲۰p عرضه شده، بلکه گردش کار آن نیز به صرفه‌جویی کمک می‌کند. کاربران می‌توانند ابتدا پیش‌نویس سریعی در کیفیت ۳۶۰p یا ۷۲۰p تهیه کنند، سپس جزئیات را با یک ویرایش تکمیلی اصلاح کنند و در نهایت بهترین نتایج را به کیفیت ۱۰۸۰p یا ۴K ارتقا دهند.
کلیپ‌های طولانی‌تر تا ۱۵ ثانیه
این مدل امکان تولید و ویرایش بومی ویدیوها تا ۱۵ ثانیه را فراهم می‌آورد که نسبت به نسخه ۱.۱ که حداکثر ۱۰ ثانیه بود، ۵۰٪ افزایش دارد. همچنین می‌توان طول ویدیو را از ۳ تا ۱۵ ثانیه و با گام‌های یک ثانیه‌ای مشخص کرد. این امر فضای کافی برای روایت داستان‌های کامل، ساخت توضیح‌دهنده‌های محصول یا تولید آگهی‌های شبکه‌های اجتماعی در یک نسل‌گیری واحد را ایجاد می‌کند.
پیروی بهتر از مراجع
کاربران می‌توانند تولید ویدیو را با ترکیب تصاویر شخصیت، محصول یا سبک، کلیپ‌های حرکتی کوتاه (تا سه ثانیه) و نشانه‌های صوتی هدایت کنند. جمینای امنی ۱.۲ فلش این جزئیات را از ابتدا تا انتها حفظ می‌کند. ثبات چهره‌ها، لباس‌ها، تایپوگرافی بسته‌بندی و رنگ‌های برند در زوایای مختلف دوربین حفظ می‌شود. این ویژگی تبدیل عکس‌های محصول موجود یا برگه‌های شخصیت به کلیپ‌های «پوشیدن مجازی»، چرخش کاتالوگ و آگهی‌های ویدیویی برندشده را آسان می‌کند.
به عنوان مثال، با ترکیب یک عکس مدل و تصاویر جلو و پشت سه دسته لباس، این مدل میتواند یک توالی ۱۵ ثانیه‌ای پوشیدن مجازی را در چرخش‌های ۳۶۰ درجه و برش‌های هماهنگ تولید کند، در حالی که هویت مدل و جزئیات برش، افتادگی و پشت هر لباس ثابت می‌ماند.
نتایج یکپارچه‌تر
ثبات قوی‌تر شخصیت‌ها، اشیاء و صحنه‌ها از اولین تا آخرین فریم حفظ می‌شود و «رانش» یا تغییر شکل بصری کمتری در طول حرکت و انتقال‌های دوربین رخ میدهد. چه در حال درون‌یابی بین یک کلیدفریم اول و آخر باشید و چه در حال گسترش یک کلیپ برای ساخت توالی طولانی‌تر، محصولات، شخصیت‌ها، لوازم صحنه و محیط‌ها از نما به نما ثابت می‌مانند.
به عنوان نمونه، با دریافت یک پوستر نمایشگاه ثابت با نورپردازی استودیویی و یک دستور پنج‌لایه انیمیشن، جمینای امنی ۱.۱ فلش تصویر مرجع را به اندازه نسخه ۱.۲ دقیق مطابقت نمی‌دهد. نسخه جدید پوستر را لایه به لایه و به صورت متوالی روی سایکلوراما صورتی خاک‌ستری می‌سازد و شش‌ضلعی، شیشه‌های شیاردار، رشته گرم، کریستال چندوجهی و حروف مارپیچ HALO، GLOW و LUMEN را مونتاژ می‌کند و هر ماده، سایه و جزئیات تایپوگرافی را تا فریم نهایی به طور ثابت قفل می‌کند.
ویرایش آسان‌تر در مکالمه
امکان پالایش یک کلیپ واحد در چندین مرحله وجود دارد؛ مثلاً تعویض یک محصول یا پسزمینه، تغییر نورپردازی یا آب‌وهوا یا تغییر نسبت تصویر، بدون نیاز به شروع مجدد از صفر. ویرایش مکالمهای چندمرحله‌ای در کلیپ‌های کامل ۱۵ ثانیه‌ای کار می‌کند و تولید انواع آگهی برای مخاطبان و مکان‌های مختلف را بدون نیاز به توضیح مجدد یا تولید دوباره آسان می‌سازد.
برای مثال، با شروع از یک کلیپ تولیدشده، دستورات مکالمهای چندمرحله‌ای می‌توانند پسزمینه را مرحله به مرحله عوض کنند: از یک چادر راه‌راه به یک جنگل بلوط، یک اصطبل با اسب سفید، یک بازار و یک قلعه سنگی، در حالی که عملکرد هر دو شخصیت، بازتاب‌های زره و قاب‌بندی دوربین دست‌نخورده باقی می‌ماند.
گفتار طبیعی‌تر
این مدل صحنه‌هایی با دیالوگ سیال‌تر و طبیعی‌تر، همگامی لب واضح‌تر و شرطی‌سازی متمایز چندگوینده ایجاد می‌کند. این بهبودها در سناریوهای مختلفی مانند کارگردانی دیالوگ چندشخصیتی در فلو (Flow)، ساخت توضیح‌دهنده‌های ویدیویی در جمینای برای کسب‌وکار یا تولید ویدیوهای حرفه‌ای با آواتار، موسیقی و روایت در گوگل ویدز (Google Vids) قابل مشاهده است.
به عنوان نمونه، با شرطی‌سازی روی یک تصویر صحنه گلخانه به همراه چهار مرجع شخصیت، دهان و صدا (هر کدام یک ثانیه)، جمینای امنی ۱.۲ فلش هر صدای نمونه‌گیری‌شده را به شخصیت صحیح هدایت می‌کند و همگامی لب بیانگر و زمان‌بندی کمدی طبیعی را در یک صحنه انیمیشن ۱۵ ثانیه‌ای ارائه میدهد.
ظاهر سینمایی و کنترل‌پذیرتر
کاربران می‌توانند حرکات پیچیده و پیوسته دوربین مانند پروازهای FPV (دید اول شخص) گسترده تا زوم‌اوت‌های دراماتیک و مدارگردی‌ها را با برش‌های ناخواسته کمتر، مقیاس پایدارتر و ظاهر پخته‌تر و سینمایی‌تر کارگردانی کنند.
برای مثال، با هدایت دو عکس مرجع معماری، جمینای امنی ۱.۲ فلش یک پرواز پیوسته FPV پهپاد را در سراسر میدان، از میان درهای برنزی و به سمت گنبد مقرنس پانتئون تا چشمه نور (اکولوس) با صفر برش ناخواسته کارگردانی می‌کند.
دسترسی و شروع به کار
اگرچه توسعه برای بهبود مواردی مانند حرکات سریع ورزشی، تغییرات سریع اسکریپت و فیزیک پیچیده ادامه دارد، جمینای امنی ۱.۲ فلش برای کسب‌وکارها، توسعه‌دهندگان و سازندگانی ایده‌آل است که ویدیو در مقیاس تولید می‌کنند. این مدل از امروز در حال rollout در محصولات و پلتفرم‌های توسعه‌دهنده گوگل است:
- برای توسعه‌دهندگان: نمونه‌سازی در گوگل ای‌آی استودیو (Google AI Studio)، کاوش در اپ‌های تعاملی شروع‌کننده و مراجعه به مستندات و تعرفه توسعه‌دهنده.
- برای کسب‌وکارها: امتحان در کنسول گوگل کلود و ساخت راه‌حل‌های سازمانی با API.
- برای کاربران عمومی: کارگردانی صحنه‌ها و ویرایش‌های چندمرحله‌ای در فلو، تولید کلیپ‌های ۱۵ ثانیه‌ای بدون هزینه اضافی در گوگل ویدز با حساب گوگل یا اشتراک گوگل ورک‌اسپیس، ایجاد ویدیوهای ۱۵ ثانیه‌ای در اپ جمینای (برای مشترکین گوگل ای‌آی اولترا) و مقیاس‌دهی کمپین‌های ویدیویی در گوگل ادز.
این مدل برای اولین بار به صورت عمومی در دسترس قرار گرفته و توسط زیرساخت سازمانی و امنیت گوگل کلود پشتیبانی می‌شود. همچنین خروجی‌های آن دارای واترمارک SynthID غیرقابل تشخیص هستند.
پرسش‌های متداول
قیمت استفاده از جمینای امنی ۱.۲ فلش چقدر است؟
قیمت این مدل برای تولید ویدیوی ۷۲۰p، ۰.۰۷ دلار به ازای هر ثانیه است که نسبت به نسخه قبلی ۳۰٪ کاهش دارد.
حداکثر طول ویدیوی قابل تولید با این مدل چقدر است؟
جمینای امنی ۱.۲ فلش میتواند ویدیوهایی به طول ۳ تا ۱۵ ثانیه تولید کند که نسبت به نسخه قبلی ۵۰٪ افزایش دارد.
ویژگی اصلی ویرایش مکالمهای چیست؟
این قابلیت به کاربران اجازه میدهد یک کلیپ تولیدشده را در چند مرحله ویرایش کنند (مثلاً پسزمینه یا محصول را عوض کنند) بدون اینکه نیاز باشد از ابتدا کلیپ جدیدی بسازند.
منبع: Google
