همه چیز درباره Gemini Omni flash 1.2 آخرین مدل تولید ویدئو با AI گوگل

🕓 آخرین بروزرسانی: 27 آبان, 1405

ساخت ویدئو با هوش مصنوعی، شاید در نگاه اول ساده به نظر برسد؛ کافی است ایده خود را توضیح دهید تا مدل هوش مصنوعی آن را به یک ویدئو تبدیل کند. اما کسانی که تجربه بیشتری در این مسیر دارند، می‌دانند فرایند تولید به همین سادگی نیست. تغییر چهره کاراکتر در میانه ویدئو، حرکت غیرمنتظره دوربین، ناهماهنگی میان دو نما یا ناتوانی در اصلاح بخشی از یک صحنه، از جمله مشکلاتی هستند که می‌توانند فرایند تولید را به آزمون‌وخطایی زمان‌بر و پرهزینه تبدیل کنند.

به همین دلیل، پیشرفت مدل‌های ویدیوساز را نباید فقط با کیفیت تصاویر یا طبیعی‌تر شدن حرکت‌ها سنجید. برای کسی که با این ابزارها کار می‌کند، امکاناتی مانند استفاده از تصاویر و ویدئوهای مرجع، تعیین فریم شروع و پایان، اصلاح صحنه پس از تولید، ادامه دادن یک نما، هماهنگ‌سازی صدا و تصویر و ارتقای کیفیت خروجی نیز اهمیت زیادی دارند. مدل‌های جدیدتر تلاش می‌کنند با ترکیب این قابلیت‌ها، بخش‌های بیشتری از فرایند تولید و ویرایش ویدئو را در اختیار کاربر قرار دهند.

شروع ارائه مدل Omni Flash بعد از مدل معروف Veoی گوگل و سپس ارتقاء آن به مدل Gemini Omni 1.1 Flash  یکی از تلاش‌های مهم در همین مسیر بود. این مدل با اضافه کردن قابلیت‌هایی مانند استفاده از فریم شروع و پایان، ورودی‌های تصویری و ویدئویی مرجع و ویرایش مکالمه‌ای، امکان کنترل بیشتری بر فرایند ساخت ویدئو فراهم کرد. اما حالا با معرفی نسخه جدیدتر، یعنی Gemini Omni 1.2 Flash، این مسیر یک گام دیگر پیش رفته است.

مدل Omni 1.2 گوگل و نسل تازه ویدیوسازی با هوش مصنوعی

گوگل با معرفی Gemini Omni 1.2 Flash، نسخه جدید مدل ویدیوساز خود را در Google Flow عرضه کرد که نسبت به نسخه قبلی یعنی  1.1 Omni چند پیشرفت مهم دارد:

  • کیفیت و کنترل بهتر: حفظ دقیق‌تر چهره و هویت کاراکترها، پایبندی بیشتر به تصاویر مرجع و کنترل بهتر صحنه و حرکت دوربین.
  • ویدیوهای طولانی‌تر: امکان تولید و ویرایش ویدیو تا ۱۵ ثانیه (در حالی که قبلاً این زمان در مدل قبلی ۱۰ ثانیه بود).
  •  Extension: حالا می‌توانید ویدیوی خود را تا ۱۰ ثانیه دیگه ادامه بدید، بدون اینکه از اول تولیدش کنید.
  • Ingredients:  پشتیبانی از رفرنس تصویری، کاراکتر و صدا برای کنترل بهتر ظاهر و هویت شخصیت‌ها.
  • امکان ارتقای رزولوشن خروجی (Upscale) تا 1080p و در طرح Ultra تا 4K.
  • تولید ویدئو با کیفیت بهتر و ثبات بصری بیشتر
  • کاهش ۳۰ درصدی هزینه استفاده از مدل
  • امکان انتخاب طول ویدئو از ۳ تا ۱۵ ثانیه: کاربر می‌تواند هر طولی داخل این بازه (از حداقل ۳ ثانیه تا حداکثر ۱۵ ثانیه) را خودش انتخاب کند.
  • تغییر پس‌زمینه، نورپردازی و نسبت تصویر بدون نیاز به تولید مجدد
  • کاهش پدیده‌های Drift و Hallucination
  • امکان ایجاد مکالمات روان با رعایت نوبت صحبت کردن افراد
  • هماهنگی بهتر حرکات لب با دیالوگ‌ها
  • تولید دیالوگ و آواز به زبان‌های مختلف
  • انتقال روان‌تر بین شات‌ها و کاهش‌های ناگهانی (Jump Cuts)
  • پشتیبانی از حرکت‌های سینمایی  مانند FPV Flythrough، زوم‌اوت دراماتیک
  • امکان استفاده هم‌زمان از تصاویر، ویدئوهای کوتاه و ورودی‌های صوتی برای حفظ یکپارچگی کاراکترها، محصولات و هویت بصری برند

تغییر روش محاسبه هزینه برای تولید ویدئو با AI

گوگل در مدل Gemini Omni 1.2 Flash روش قیمت گذاری را هم تغییر داده است. سیستم جدید پرداخت بر اساس ثانیه (Per-Second) محاسبه می‌شود؛ یعنی هزینه تولید و ویرایش به‌جای پرداخت یک هزینه ثابت برای هر خروجی، متناسب با میزان استفاده است. بدین ترتیب هزینه کردیت در این مدل برای ویدئوی 10 ثانیه‌ای: 30 کردیت و برای ویدئوی 15 ثانیه‌ای 60 کردیت محاسبه می‌شود. 

محدود شدن مدل‌ها در Google Flow

همانطور که در تصویر دیده می‌شود تنوع مدل‌ها فقط تا 5 دسامبر (14 آذر1405) باقی خواهد بود و بعد از آن مدل‌هایی که در گوگل فلو وجود خواهد داشت به این دو مدل محدود می‌شود:

Omni 1.2: برای تولید حرفه‌ای و کنترل پیشرفته‌تر

Veo 3.1 Lite: برای تولیدات روزمره و اقتصادی‌تر

به این ترتیب، کاربر می‌تواند متناسب با نیاز پروژه، میان امکانات پیشرفته‌تر Omni و هزینه کمتر Veo Lite انتخاب کند. گوگل با این اقدام Flow را بیشتر به سمت یک ابزار حرفه‌ای برای تولید و تدوین ویدیو با هوش مصنوعی می‌برد. 

آیا استفاده از مدل‌های قبلی موقع معرفی مدل جدید فایده دارد؟

بستگی دارد. اگر پروژه‌ای را از قبل با یکی از مدل‌هایی که قرار است از دسترس خارج شوند ساخته‌اید، بهتر است مدل ساخت را تغییر ندهید و زودتر آن را تمام کنید.

اما برای پروژه‌های جدید، اگر پروژه کوتاه‌مدت دارید که تا ۱۴ آذرماه تمام می‌شود و مدل‌های فعلی پاسخگوی نیازتان هستند، از آنها استفاده کنید؛ چون کردیت کمتری مصرف می‌کنند. ولی اگر پروژه‌تان بلندمدت است، بهتر است از همین حالا سراغ این مدل‌ها نروید؛ چون نتایج متفاوت می‌‌شوند و گاهی مچ‌کردن صحنه‌ها یا تکرار آن‌ها امکان‌پذیر نیست!

آیا ارتقاء مدل‌ها تاثیر جدی در رشد تولید محتوا دارند یا بیشتر جنبه تبلیغاتی دارد؟

ارتقاء مدلهای هوش مصنوعی به 3 روش انجام می‌شود:

  • تغییر اسم: تغییر اسم یعنی یک ارتقاء خیلی جدی
  • تغییر شماره: تغییر شماره یعنی زیرساخت تغییری نکرده است اما یک رشد نسبتا جدی با فیچرهای قابل توجه رخ داده است.
  • تغییر شماره در حد اعشار: این تغییر مثل همین تغییر 1.1 به 1.2 در مدل Omni Flash تغییر جزئی به حساب میاد. در چنین شرایطی بهترین راه برای پی بردن به میزان ارتقاء، تست مجدد پرامپت‌هایی است که با مدل قبلی ساخته نشده یا به سختی و مصرف کردیت فراوان ساخته شده است.

بنابراین پیشنهاد من برای پی بردن دقیق به توانمندی یک مدل جدید این است که اگر پرامپتی داشتید که با 1.1 جواب نگرفتید یا به سختی جواب گرفتید، حالا با 1.2 تستش کنید. اینطوری متوجه می‌شوید که آن ارتقاء و رشدی که مدل جدید ازش حرف می‌زند در چه حد و حدودی است. این مقایسه به شما کمک می‌کند تفاوت‌های واقعی دو مدل را به‌خصوص در حفظ هویت کاراکتر، پیوستگی صحنه، حرکت دوربین و میزان پایبندی به تصاویر مرجع در عمل ببینید. در نهایت، مهم این است که خودتان بسنجید آیا این پیشرفت‌ها در پروژه شما به‌اندازه‌ای محسوس هستند که هزینه مصرف کردیت بیشتر یا تغییر روند تولید را توجیه کنند یا نه؟!

برای مثال من خودم این کار را حدود 2 ماه قبل در ارتقاء مدل Omni Flash به 1.1  انجام دادم و نتیجه آن را در لینکدین توسط یک ویدئوی آواتار با هوش مصنوعی منتشر کردم.

این ویدئوی آواتار با استفاده از هوش مصنوعی Kling Avatar در ابزار Higgsfield ساخته شده است اما در آن از تاثیری که ارتقاء مدل‌ها در نتیجه گرفتن از پرامپت‌ها و پروژه های شکست خورده قبلی دارند صحبت کردم و مثال زدم.

آیا ادیت ویدئو با مدل‌های ویدئوساز Omni Flash امکانپذیر است؟

همانطور که می‌دانید وقتی از ادیت صحبت می‌کنیم داریم از یک مجموعه گسترده و متنوع از کارهایی حرف می‌زنیم که بعد از تولید برای روی یک محتوا قابل انجام است. قبلا این کارها فقط با نرم افزارهایی مانند پرمیر، کپ کات، کمتازیا و …قابل انجام بود اما اخیراً ابزارهای هوش مصنوعی هم به این موضوع ورود کردند. مدلهای Omni Flash در همان محدوده زمانی هر سکانس یعنی 10 ثانیه در مدل 1.1 و 15 ثانیه در مدل 1.2 قابلیت ادیت را دارند اما این کار مانند ساخت ویدئو باید تکه به تکه با با دادن پرامپت به یک ویدئوی آپلود شده در ابزارهای پشتیبانی کننده از مدل Omni Flash مانند Google Flow انجام ‌شود. برای مثال چند ثانیه ادیت شده از ویدئوی آواتاری که بالاتر دیدید اینگونه است:

این روزها در موضوع ادیت ویدئو، هوش مصنوعی Claude.ai حرف‌های بیشتری برای گفتن دارد. ما در اینجا روش ساخت و ادیت ویدئو با هوش مصنوعی Claude را گفته‌ایم. بنابراین از شما دعوت می‌کنم آموزش استفاده از Claude برای ساخت و ادیت ویدئو با اکانت رایگان را تماشا کنید.

تاریخچه مدل Gemini Omni 1.2 Flash چیست؟

تا همین چند روز قبل (17 آبان 1405) بالاترین مدل ساخت ویدئو در استودیوی تولید محتوای عکس و ویدئوی گوگل یعنی گوگل فلو، مدل Gemini Omni Flash 1.1 بود که توانسته بود نسبت به مدل قبلی خودش پیشرفت‌های خوبی رقم بزند.

گوگل از شروع تا پایان عرضه مدل ساخت ویدئوی اولیه خود یعنی Veo چندین ورژن منتشر کرد که آخرین آنها Veo 3.1 بود و در سال 2026 مدل پیشرفته تر خود به نام Google Omni flash را عرضه کرد. این مدل رشد خوبی را نسبت به سری Veo نشان داد اما بعد از 8 ماه ورژن بعدی یعنی مدلGemini Omni 1.1 Flash معرفی شد. 

مدل Omni Flash و بعد از آن Omni 1.1 Flash مدل‌های چندوجهی بودند که می‌توانستند علاوه بر خلق ویدئو، از دل متن، تصویر و کلیپ‌های ویدئویی مرجع، ویدیوی تازه خلق کرده و به‌جای اینکه کاربر، هر بار از صفر شروع کند، همان صحنه را با چند جمله‌ ساده ویرایش می‌کند.به همین دلیل موضوع ادیت از زمان ارائه مدل Gemini Omni flash 1.1 مطرح شد.

Gemini Omni 1.1 Flash چه توانمندی‌های جدیدی ارائه کرد؟

در این مدل، کاربر می‌تواند از ابزارهای بیشتری برای دستیابی به نتیجه مطلوب استفاده کند؛ از جمله:

  • افزودن امکان آپلود فریم پایان ویدئو علاوه بر فریم شروع
  • ساخت حرکتهای دوربین پیچیده‌تر
  • استفاده از ویدئوی مرجع برای حفظ زمینه و پیوستگی بصری
  • کمک به ادامه‌دادن یک صحنه و ساخت ویدئوهای طولانی‌تر (4 قطعه 10 ثانیه‌ای)
  • تولید با کیفیت پایین‌تر (رزلوشن360p) برای ساخت و آزمایش سریع با مصرف کردیت (اعتبار) نصف
  • تولید خروجی با کیفیت بالاتر پس از تأیید ساختار و حرکت (یا همان Upscale کردن ویدئو از 360p به 720p و بالاتر تا 4k)
  • استفاده از ورودی‌های تصویری و ویدئویی برای کنترل بیشتر نتیجه
  • استفاده از صداهای آماده موجود در آن برای لیپ سینک با کاراکتر و ساخت آواتار حتی به فارسی

تفاوت‌های اصلی  Gemini Omni 1.1 Flash با Gemini Omni 1.2 Flash

برای اینکه تفاوت دو نسخه را بهتر متوجه شوید، در این اینفوگرافیک مهم‌ترین تغییرات Omni 1.2 را با نسخه قبلی مقایسه کرده‌ام. همان‌طور که مشخص است، پیشرفت نسخه جدید فقط به افزایش مدت ویدئو محدود نمی‌شود؛ بلکه در حفظ هویت کاراکترها، استفاده از ورودی‌های مرجع، گسترش ویدئو، ارتقای کیفیت و شیوه محاسبه هزینه نیز تغییراتی ایجاد شده است.

آیا مدل فلش 1.2 و قبل از آن مدل فلش 1.1 توانسته‌اند توانایی کنترل کاربر روی ساخت ویدئو را افزایش دهند؟

اگر بخواهم بطور خلاصه به این سوال پاسخ دهم باید بگویم بله توانسته توانایی کنترل را افزایش دهد. به نظرم اصلا به همین دلیل مدل قبلی دیگر در دسترس نیست اما خود اضافه شدن رقمهای اعشار و نه یک عدد کامل نشان دهنده این است که یک تکامل تدریجی در حال وقوع است. یعنی تا مدتی شاهد افزایش بخش اعشاری در مدلهای Omni Flash خواهیم بود تا زمانی که گوگل به احتمال زیاد مدل متحول کننده بعدی خودش که ممکن است Omni Flash 3 باشد را رونمایی کند.

چطور می‌توان به Gemini Omni 1.2 Flash دسترسی پیدا کرد؟

گوگل Gemini Omni 1.2 Flash را از طریق چند محصول و پلتفرم عرضه کرده است:

  • کاربران عمومی: دسترسی از طریق Google Flow (برای تولید و ویرایش ویدئو)، Google Vids (تولید رایگان ویدئوهای ۱۵ثانیه‌ای با حساب Google یا اشتراک Workspace)، برنامه Gemini (برای مشترکان Ultra) و Google Ads (توسعه کمپین‌های ویدئویی).

  • توسعه‌دهندگان: استفاده از Gemini API، آزمایش در Google AI Studio و دسترسی به مستندات و قیمت‌گذاری.

  • کسب‌وکارها: آزمایش در کنسول Google Cloud و توسعه راهکارهای سازمانی از طریق API.

گوگل اعلام کرده است که بهبود این مدل در زمینه‌هایی مانند حرکات سریع ورزشی، تغییرات سریع اسکریپت و شبیه‌سازی فیزیک پیچیده همچنان ادامه دارد.

مدل Gemini Omni 1.2 Flash برای تمام مشترکان Google AI Plus ،Pro و Ultra در سراسر جهان در Google Flow در دسترس است.

توسعه‌دهندگان هم می‌توانند مستقیماً در Google AI Studio با Omni 1.1 کار کنند. شرکت‌ها هم می‌توانند از طریق Agent Platform API با Omni 1.1 برنامه‌ها و ابزارهای خود را توسعه دهند.

بهبود فرایند تولید ویدئو فقط به مهارت کاربر یا ابزارهای کمکی وابسته نیست. یکی از جنبه‌های مهم دیگر رشد ساخت ویدئو با هوش مصنوعی، توانمندی مدل در درک بیشتر تصورات نوشته شده با پرامپت است. یعنی آن مدل چقدر توانمند است که پیچیدگی‌های حسی و رفتاری کاراکتر و دوربین در صحنه را به تصویر بکشد.

اشتراک گذاری:

3 دیدگاه

به گفتگوی ما بپیوندید و دیدگاه خود را با ما در میان بگذارید.

دیدگاهتان را بنویسید

Bale