Google bringt Gemini Omni 1.2 Flash für KI-Videogenerierung
Google DeepMind hat Gemini Omni 1.2 Flash veröffentlicht – mit nativer 15-Sekunden-Videogenerierung, dialogbasierter Bearbeitung über mehrere Turns und 30 % Preissenkung.
TL;DR
- Google hat Gemini Omni 1.2 Flash mit nativer 15-Sekunden-Videogenerierung, dialogbasierter Bearbeitung und 30 % niedrigeren Preisen veröffentlicht [^1].
- Das aktualisierte Modell verbessert die Referenztreue sowie die visuelle Konsistenz und versieht generierte Ausgaben mit einem unsichtbaren SynthID-Wasserzeichen [^1].
Hintergrund
Generative Videomodelle ermöglichen es Entwicklern und Creators, synthetische Videoclips aus Text-, Bild- oder Audio-Prompts zu erstellen. In der Vergangenheit standen Videogenerierungsmodelle vor erheblichen Hürden, darunter kurze Cliplängen, visuelle Verzerrungen zwischen Frames, inkonsistente Details von Charakteren und hohe Rechenkosten. Um KI-Video für kommerzielle Workflows praktikabel zu machen, zielen Anbieter darauf ab, Cliplängen zu verlängern, Motive bei Kameraschwenks konsistent zu halten und schrittweise Bearbeitungen ohne vollständige Neugenerierung zu ermöglichen.
Was passiert ist
Google DeepMind hat die allgemeine Verfügbarkeit von Gemini Omni 1.2 Flash in der Gemini API, Google Cloud und den Google-Verbraucheranwendungen bekannt gegeben [^1]. Die von Produktmanager Anish Nangia angekündigte Aktualisierung führt die native Erstellung und Bearbeitung von Videoclips mit einer Länge von bis zu 15 Sekunden ein und erweitert damit das 10-Sekunden-Limit der Version 1.1 [^1]. Benutzer können die Videodauer in Ein-Sekunden-Schritten von 3 bis 15 Sekunden festlegen [^1].
Das neue Release reduziert die Preise für die Generierung im Vergleich zu Gemini Omni 1.1 um 30 % und kostet 0,07 $ pro Sekunde für 720p-Video [^1]. Um Rechenkosten zu steuern, unterstützt der Workflow den Entwurf erster Clips in 360p oder 720p, die Anwendung gezielter Nachbearbeitungen und das Hochskalieren finaler Auswahlen auf 1080p oder 4K [^1]. Dialogbasierte Bearbeitung über mehrere Turns ermöglicht es Benutzern, Hintergründe, Beleuchtung, Wetter oder Seitenverhältnisse in vollständigen 15-Sekunden-Clips anzupassen, ohne von vorne beginnen zu müssen [^1].
Gemini Omni 1.2 Flash verbessert die Referenztreue durch die Kombination von Fotoaufnahmen von Charakteren oder Produkten, Audio-Cues und kurzen Bewegungsclips von bis zu drei Sekunden Länge [^1]. Google berichtete über eine präzisere Motivkonsistenz bei Kameraübergängen, flüssigere kontinuierliche Kamerabewegungen wie FPV-Flüge und natürliche Sprache mehrerer Sprecher mit Lip-Syncing [^1]. Die vom Modell generierten Ausgaben enthalten ein nicht wahrnehmbares SynthID-Wasserzeichen [^1].
Warum es wichtig ist
Die Erweiterung der Videogenerierung auf 15 Sekunden bei gleichzeitiger Anbietung dialogbasierter Bearbeitung über mehrere Turns behebt wesentliche Schwachstellen in generativen Medien-Workflows [^1]. Bisher erforderte das Ändern kleinerer Szenenelemente ein erneutes Rendering gesamter Videodateien, was die Rechenkosten vervielfachte und unerwartete visuelle Abweichungen verursachte. Die Ermöglichung von Anpassungen Schritt für Schritt unter Beibehaltung von Charakter- und Produktdetails gibt Creators eine präzisere Kontrolle über die finalen Inhalte [^1].
Darüber hinaus senken die Reduzierung der Generierungspreise um 30 % und die Einführung von Entwurfsoptionen mit niedriger Auflösung die finanziellen Hürden für die skalierbare Videoproduktion in Unternehmen [^1]. Da KI-Videowerkzeuge über Entwickler-APIs und kommerzielle Plattformen hinweg zunehmen, wird das Einbetten von Herkunftssignalen wie SynthID-Wasserzeichen entscheidend für die Nachverfolgung synthetischer Medien [^1].
Ein Beispiel aus der Praxis
Nimm an, Elena leitet digitale Kampagnen für eine Bekleidungsmarke. Ihr Team muss eine Reihe von 15-sekündigen Werbevideos erstellen, die eine neue Jacke in verschiedenen Umgebungen präsentieren [^1].
Über die Gemini API nutzt Elena Gemini Omni 1.2 Flash und gibt das Foto eines Models zusammen mit Vorder- und Rückansichten des Outfits ein [^1]. Sie generiert einen 15-sekündigen virtuellen Anprobeclip, entworfen in 720p für 0,07 $ pro Sekunde [^1]. Das Modell behält die Identität der Person und den Faltenwurf der Kleidung während einer 360-Grad-Drehung bei [^1].
Anstatt eine neue Szene von Grund auf neu zu generieren, um alternative Umgebungen zu testen, nutzt Elena dialogbasierte Prompts über mehrere Turns, um den Hintergrund von einem Pavillonzelt in einen Eichenwald, einen Jahrmarkt und eine Steinburg zu ändern, während das Verhalten des Charakters und der Kameraausschnitt erhalten bleiben [^1]. Zufrieden mit den Varianten skaliert sie die finalen Renders auf 1080p mit eingebetteten SynthID-Wasserzeichen hoch [^1].