گوگل Gemini Omni 1.2 Flash را معرفی کرد؛ تولید ویدیو ارزان‌تر با امکان ویرایش مرحله‌ای
گوگل Gemini Omni 1.2 Flash را معرفی کرد؛ تولید ویدیو ارزان‌تر با امکان ویرایش مرحله‌ای
گوگل از مدل هوش مصنوعی جدید Gemini Omni 1.2 Flash رونمایی کرده است؛ مدلی که با افزایش مدت‌زمان ویدیوهای تولیدی، بهبود ثبات سوژه‌ها و اضافه شدن قابلیت ویرایش گفت‌وگومحور، امکانات تازه‌ای در اختیار تولیدکنندگان محتوا قرار می‌دهد. این نسخه می‌تواند کلیپ‌هایی با طول حداکثر ۱۵ ثانیه بسازد و در مقایسه با نسل قبلی نیز هزینه کمتری برای کاربران و توسعه‌دهندگان دارد.
توسعه ابزارهای هوش مصنوعی مولد ویدیو در ماه‌های اخیر سرعت زیادی گرفته است و شرکت‌های فناوری تلاش می‌کنند علاوه‌بر افزایش کیفیت خروجی، کنترل بیشتری بر فرایند تولید محتوا فراهم کنند. در همین راستا، گوگل مدل Gemini Omni 1.2 Flash را با تمرکز بر سرعت، کاهش هزینه و ساده‌تر کردن اصلاح ویدیو معرفی کرده است. این مدل به کاربران تجاری و توسعه‌دهندگان اجازه می‌دهد ویدیوهایی با کیفیت مناسب تولید کنند و در صورت نیاز، تغییرات موردنظر را بدون ساخت دوباره تمام صحنه اعمال کنند.
یکی از مهم‌ترین قابلیت‌های نسخه جدید، امکان تولید ویدیوهایی با حداکثر زمان ۱۵ ثانیه است. در نسل قبلی، طول کلیپ‌ها به ۱۰ ثانیه محدود می‌شد؛ اما اکنون کاربران می‌توانند مدت‌زمان خروجی را با فاصله‌های یک‌ثانیه‌ای از ۳ تا ۱۵ ثانیه انتخاب کنند. این انعطاف‌پذیری به‌ویژه برای ساخت محتوای تبلیغاتی، معرفی محصولات، ویدیوهای کوتاه شبکه‌های اجتماعی و نمایش ویژگی‌های کالا کاربرد دارد.
گوگل همچنین اعلام کرده است که Gemini Omni 1.2 Flash در حفظ ظاهر شخصیت‌ها، سوژه‌ها و سبک بصری در طول ویدیو عملکرد بهتری دارد. این موضوع یکی از چالش‌های مهم مدل‌های تولیدکننده ویدیو محسوب می‌شود؛ زیرا در برخی ابزارها، ظاهر یک شخصیت یا جزئیات محیط ممکن است هنگام تغییر زاویه دوربین یا حرکت صحنه دچار ناهماهنگی شود.
کاهش ۳۰ درصدی هزینه تولید ویدیو
یکی از تغییرات مهم Gemini Omni 1.2 Flash به هزینه استفاده از آن مربوط می‌شود. براساس اعلام گوگل، قیمت تولید محتوا با مدل جدید در مقایسه با Gemini Omni 1.1 حدود ۳۰ درصد کاهش یافته است. این کاهش قیمت می‌تواند استفاده از ابزارهای تولید ویدیوی هوش مصنوعی را برای کسب‌وکارها، تیم‌های بازاریابی و توسعه‌دهندگانی که به تولید مداوم محتوا نیاز دارند، مقرون‌به‌صرفه‌تر کند.
هزینه تولید ویدیوی 720p با این مدل، ۰٫۰۷ دلار به ازای هر ثانیه اعلام شده است. بنابراین، کاربران می‌توانند پیش از شروع فرایند تولید، براساس مدت‌زمان موردنیاز و کیفیت خروجی، هزینه تقریبی پروژه خود را محاسبه کنند. کاهش قیمت به‌خصوص برای افرادی اهمیت دارد که در جریان تولید محتوای تبلیغاتی یا معرفی محصولات، به چندین نسخه از یک ویدیو نیاز دارند.
برای مثال، یک فروشگاه اینترنتی ممکن است بخواهد برای محصولات مختلف خود کلیپ‌های کوتاه بسازد یا یک شرکت تبلیغاتی چند نسخه متفاوت از یک سناریو را آزمایش کند. در چنین شرایطی، پایین آمدن هزینه تولید هر ثانیه ویدیو می‌تواند هزینه کلی پروژه را کاهش دهد. البته قیمت نهایی به مدت‌زمان، کیفیت انتخاب‌شده و میزان استفاده از سرویس بستگی خواهد داشت.
افزایش حداکثر طول ویدیو نیز در کنار کاهش هزینه اهمیت پیدا می‌کند. محدودیت قبلی ۱۰ ثانیه‌ای ممکن بود برای نمایش کامل یک محصول یا انتقال پیام تبلیغاتی کافی نباشد. اکنون امکان تولید کلیپ‌های ۱۵ ثانیه‌ای، فضای بیشتری برای روایت کوتاه، نمایش جزئیات و ارائه پیام‌های بازاریابی فراهم می‌کند.
ویرایش گفت‌وگومحور؛ تغییر ویدیو بدون شروع دوباره
یکی از ویژگی‌های برجسته Gemini Omni 1.2 Flash، قابلیت ویرایش چندمرحله‌ای از طریق گفت‌وگو است. این امکان به کاربران اجازه می‌دهد پس از تولید ویدیو، تغییرات موردنظر خود را با دستورهای متنی بیان کنند. در نتیجه، برای اصلاح یک جزئیات کوچک دیگر نیازی نیست کل ویدیو از ابتدا ساخته شود.
در بسیاری از ابزارهای تولید ویدیو، تغییر یک بخش از صحنه ممکن است به تولید مجدد خروجی منجر شود. این فرایند علاوه‌بر مصرف منابع بیشتر، احتمال تغییر ناخواسته سایر عناصر تصویر را نیز افزایش می‌دهد. برای نمونه، اگر کاربر بخواهد نورپردازی یک صحنه را تغییر دهد، ممکن است در خروجی جدید ظاهر شخصیت‌ها، ترکیب‌بندی تصویر یا جزئیات پس‌زمینه نیز متفاوت شود.
گوگل با اضافه کردن قابلیت ویرایش گفت‌وگومحور تلاش کرده است این مشکل را کاهش دهد. کاربران می‌توانند اصلاحات را به‌صورت مرحله‌به‌مرحله درخواست کنند و به‌جای بازسازی کامل ویدیو، بخش‌های مشخصی از آن را تغییر دهند. از جمله موارد قابل‌اصلاح می‌توان به زاویه دوربین، شرایط آب‌وهوا، نور محیط و پس‌زمینه اشاره کرد.
برای درک بهتر این قابلیت، می‌توان صحنه‌ای را تصور کرد که در آن دو شخصیت درون یک چادر حضور دارند. کاربر می‌تواند از مدل بخواهد بدون تغییر ظاهر شخصیت‌ها، لباس‌ها، جزئیات زره یا کادربندی دوربین، محیط اطراف را به جنگل تبدیل کند. سپس ممکن است در مرحله بعد بخواهد همان صحنه در یک اصطبل یا قلعه سنگی نمایش داده شود.
در این روش، کاربر به‌جای ارائه دوباره تمام توضیحات اولیه، تغییرات موردنظر را در قالب چند دستور جداگانه بیان می‌کند. حفظ عناصر اصلی تصویر در کنار اعمال اصلاحات جدید، می‌تواند کنترل تولیدکنندگان محتوا بر نتیجه نهایی را افزایش دهد و زمان موردنیاز برای رسیدن به خروجی مطلوب را کاهش دهد.
هماهنگی بهتر صدا و تصویر در ویدیوهای چندشخصیتی
Gemini Omni 1.2 Flash علاوه‌بر بهبود فرایند تولید تصویر، در بخش صوتی نیز قابلیت‌هایی ارائه می‌دهد. این مدل از تصویر چهره و نمونه‌های صوتی کوتاه یک‌ثانیه‌ای پشتیبانی می‌کند تا هماهنگی میان حرکت لب‌ها و گفتار طبیعی‌تر باشد. چنین امکانی برای ساخت ویدیوهایی که شخصیت‌ها در آن صحبت می‌کنند اهمیت زیادی دارد.
هماهنگ نبودن حرکت لب با صدای گوینده یکی از مشکلات رایج در محتوای ویدیویی تولیدشده با هوش مصنوعی است. اگر حرکات دهان با کلمات بیان‌شده مطابقت نداشته باشد، نتیجه نهایی غیرطبیعی به نظر می‌رسد. بهبود این بخش می‌تواند کیفیت ویدیوهای داستانی، تبلیغاتی و آموزشی را افزایش دهد.
پشتیبانی از صداگذاری چند شخصیت مجزا نیز از دیگر امکانات مدل جدید است. در ویدیوهایی که بیش از یک شخصیت حضور دارند، اختصاص دادن صدای مناسب به هر فرد اهمیت دارد. Gemini Omni 1.2 Flash می‌تواند با استفاده از نمونه‌های صوتی کوتاه، به تولید صدای هماهنگ برای شخصیت‌های مختلف کمک کند. این ویژگی به‌خصوص برای ساخت صحنه‌های گفت‌وگومحور و محتوایی که به چند گوینده نیاز دارد، کاربردی خواهد بود.
البته کیفیت نهایی چنین خروجی‌هایی به جزئیات ورودی و نحوه تنظیم درخواست‌ها نیز وابسته است. کاربران برای رسیدن به نتیجه مناسب باید تصویر چهره، نمونه صوتی و توضیحات موردنیاز را به‌درستی در اختیار مدل قرار دهند.
دسترسی توسعه‌دهندگان از طریق Google AI Studio
گوگل اعلام کرده است خروجی‌های تولیدشده با این مدل در سرویس‌های ابری شرکت، همراه با نشان نامرئی SynthID ارائه می‌شوند. این فناوری برای مشخص کردن محتوای تولیدشده با هوش مصنوعی طراحی شده است و می‌تواند به شناسایی منشأ مصنوعی ویدیوها کمک کند. وجود چنین نشانه‌ای در شرایطی اهمیت دارد که تشخیص محتوای واقعی از ویدیوهای تولیدشده با هوش مصنوعی روزبه‌روز دشوارتر می‌شود.
توسعه‌دهندگان نیز می‌توانند از طریق Google AI Studio به رابط برنامه‌نویسی کاربردی مدل دسترسی پیدا کنند. این دسترسی امکان استفاده از قابلیت‌های Gemini Omni 1.2 Flash را در برنامه‌ها و سرویس‌های مختلف فراهم می‌کند. به این ترتیب، شرکت‌ها می‌توانند ابزار تولید ویدیو را در محصولات خود ادغام کنند یا فرایندهای تولید محتوای تصویری را به شکل خودکار توسعه دهند.
دسترسی از طریق API برای کسب‌وکارهایی اهمیت دارد که قصد دارند تولید ویدیو را به بخشی از فرایندهای کاری خود تبدیل کنند. برای مثال، یک پلتفرم فروش آنلاین می‌تواند از این قابلیت برای ساخت کلیپ‌های معرفی کالا استفاده کند یا یک سرویس بازاریابی، تولید نسخه‌های متنوع تبلیغاتی را در مقیاس گسترده‌تری انجام دهد.
رقابت گوگل در بازار تولید ویدیوی هوش مصنوعی
معرفی Gemini Omni 1.2 Flash نشان می‌دهد گوگل علاوه‌بر تمرکز بر کیفیت خروجی مدل‌های مولد، به کاهش هزینه و افزایش کنترل کاربران نیز توجه دارد. امکان ساخت کلیپ‌های ۱۵ ثانیه‌ای، حفظ ثبات شخصیت‌ها، اصلاح مرحله‌ای صحنه‌ها و هماهنگی بهتر صدا با تصویر، مجموعه‌ای از قابلیت‌هایی هستند که می‌توانند تجربه تولید ویدیو را کاربردی‌تر کنند.
کاهش حدود ۳۰ درصدی قیمت نیز ممکن است استفاده از این فناوری را برای طیف گسترده‌تری از کسب‌وکارها امکان‌پذیر سازد. بااین‌حال، میزان موفقیت مدل جدید در عمل به کیفیت خروجی‌ها، دقت ویرایش‌ها و عملکرد آن در پروژه‌های واقعی بستگی دارد.
در مجموع، Gemini Omni 1.2 Flash تلاش گوگل برای تبدیل تولید ویدیوی هوش مصنوعی به فرایندی سریع‌تر، ارزان‌تر و قابل‌کنترل‌تر است. این مدل با افزایش مدت‌زمان کلیپ‌ها و فراهم کردن امکان اصلاح گفت‌وگومحور، می‌تواند بخشی از نیازهای تولیدکنندگان محتوا و شرکت‌های تجاری را پوشش دهد. پشتیبانی از صداگذاری چندشخصیتی و دسترسی برنامه‌نویسان از طریق Google AI Studio نیز مسیر استفاده از آن در محصولات و سرویس‌های مختلف را هموارتر می‌کند.
https://farcoland.com/o1XYl7
کپی آدرس
