گوگل به‌تازگی نسخه به‌روزرسانی‌شده مدل تولید ویدئوی خود با نام Gemini Omni ۱.۱ Flash را معرفی کرده است. این مدل که از طریق Gemini API در Google AI Studio در دسترس قرار گرفته، با افزودن قابلیت‌هایی چون گسترش صحنه، کنترل فریم اول و آخر، تولید سریع با وضوح ۳۶۰p، خروجی با کیفیت ۱۰۸۰p و ۴K و همچنین پشتیبانی از ویدئوی مرجع، گام بلندی در جهت توانمندسازی کاربران در تولید محتوای تصویری برداشته است.
قابلیت‌های کلیدی Gemini Omni ۱.۱ Flash
یکی از برجسته‌ترین ویژگی‌های نسخه جدید، امکان ادامه‌دادن یک ویدئوی موجود از نقطه پایان آن است. مدل جدید می‌تواند تا ۱۰ ثانیه از ویدئوی قبلی را تحلیل کند (در حالی که نسخه‌های پیشین تنها یک ثانیه انتهایی را در نظر می‌گرفتند) و این زمینه بیشتر، به حفظ پیوستگی بصری و روایی در توالی صحنه‌ها کمک می‌کند. کاربران می‌توانند ویدئو را در بازه‌های ۱۰ ثانیه‌ای گسترش دهند تا طول نهایی به ۴۰ ثانیه برسد.
این قابلیت به کاربران اجازه می‌دهد فریم شروع و پایان یک نما را مشخص کنند و مدل، ویدئوی میانی را بین این دو فریم کلیدی تولید کند. این ویژگی برای ایجاد حرکات دوربین نظیر چرخش، زوم، ساخت ویدئوهای حلقه‌ای و سایر انتقال‌های بصری کاربرد گسترده‌ای دارد.
گوگل با افزودن گزینه تولید ویدئو با وضوح ۳۶۰p، سرعت و صرفه‌جویی در هزینه را هدف گرفته است. بر اساس اعلام این شرکت، تولید ویدئو در این وضوح تا ۶۰ درصد سریع‌تر از وضوح ۷۲۰p انجام می‌شود و هزینه آن نیز یک‌سوم برآورد شده است. این حالت برای نمونه‌سازی سریع، اصلاح استوری‌برد و رندر سریع در محیط‌های توسعه بسیار کارآمد است.
مدل جدید امکان ارائه خروجی با وضوح ۱۰۸۰p و ۴K را از طریق فرایند Upscaling (افزایش وضوح) برای ویدئوهای تولیدشده فراهم کرده است که کیفیت بصری بالایی را برای کاربران حرفه‌ای به ارمغان می‌آورد.
کاربران می‌توانند یک ویدئوی مرجع با حداکثر طول ۳ ثانیه در اختیار مدل قرار دهند تا زمینه بصری بیشتری برای تولید صحنه جدید فراهم شود. این قابلیت به حفظ ثبات شخصیت‌ها و پیوستگی بصری در تولیدات کمک شایانی می‌کند.
مدل Gemini Omni ۱.۱ Flash از امروز از طریق Gemini API در Google AI Studio و همچنین پلتفرم Gemini Enterprise Agent Platform در اختیار شرکت‌ها قرار گرفته است. گوگل برای این مدل، مستندات توسعه‌دهندگان، Cookbook و راهنماهای پرامپت‌نویسی برای قابلیت‌هایی نظیر گسترش صحنه، استفاده از ویدئوی مرجع و Upscaling را ارائه داده است.
همچنین این مدل به‌صورت جهانی در سرویس Google Flow برای مشترکان Google AI Plus، Pro و Ultra فعال شده و قابلیت گسترش صحنه نیز برای همین گروه از کاربران در اپلیکیشن Gemini در دسترس است.
نظرات کاربران