Gemini Omni 1.2 Flash مدل جدید گوگل برای تولید و ویرایش ویدیو با هوش مصنوعی است که در ۵ نوامبر ۲۰۲۶ معرفی شد. این مدل می تواند با دریافت متن، تصویر، ویدیو و راهنمای صوتی، کلیپ هایی تا ۱۵ ثانیه همراه با صدا بسازد. مهم ترین تغییر آن نسبت به نسل قبلی، امکان اصلاح ویدیو با دستورهای متوالی است؛ یعنی برای عوض کردن پس زمینه، نور یا محصول داخل صحنه لازم نیست همیشه تولید را از ابتدا شروع کنی. گوگل همچنین از هماهنگی بهتر چهره ها، اشیا و حرکت دوربین و کاهش قیمت خبر داده است. این قابلیت ها برای تولیدکنندگان محتوا، تبلیغات و توسعه ابزارهای ویدیویی کاربرد دارند.

ساخت ویدیوهای ۱۵ ثانیه ای چگونه انجام می‌شود؟

در نسخه ۱.۱ حداکثر مدت کلیپ ۱۰ ثانیه بود. نسخه جدید این محدوده را به ۱۵ ثانیه رسانده است و اجازه می دهد مدت خروجی از ۳ تا ۱۵ ثانیه، با گام های یک ثانیه ای، انتخاب شود. این افزایش برای معرفی محصول یا روایت یک اتفاق کوتاه فضای بیشتری ایجاد می کند. مدل تولید ویدیو با هوش مصنوعی گوگل برای ساخت محتوای کوتاه تبلیغاتی نیز کاربرد دارد.
برای مثال، می توان نمای اول را به معرفی محصول اختصاص داد، در بخش بعد ویژگی آن را نمایش داد و پایان را با نمایی از بسته بندی تمام کرد. ساخت ویدیوی طولانی تر همچنان نیازمند ترکیب چند کلیپ یا فرآیند تدوین جداگانه است؛ نباید محدودیت ۱۵ ثانیه را با تولید یک فیلم چند دقیقه ای در یک درخواست اشتباه گرفت.

ویرایش ویدیو با گفتگو چه مزیتی دارد؟

قابلیت Multi-turn Conversational Editing اجازه می دهد روی همان کلیپ چند مرحله اصلاح انجام شود. کاربر می تواند ابتدا صحنه ای بسازد و بعد بخواهد محیط تغییر کند، نور گرم تر شود یا نسبت تصویر برای انتشار در شبکه اجتماعی عوض شود.
برای مثال، یک تبلیغ کفش می تواند در استودیو تولید شود و در مرحله بعد پس زمینه آن به خیابان تغییر کند. در این حالت هدف حفظ محصول و حرکت اصلی است، نه ساخت یک تبلیغ کاملا متفاوت. گوگل می گوید ویرایش مرحله ای برای تمام کلیپ های ۱۵ ثانیه ای پشتیبانی می شود. با این حال، نتیجه هر مرحله باید بررسی شود؛ ممکن است تغییر بزرگ روی جزئیات دیگر صحنه اثر بگذارد.

استفاده از تصویر مرجع برای حفظ چهره و محصول

یکی از مشکلات رایج ویدیوهای مولد، تغییر ناخواسته ظاهر سوژه میان نماهاست. ممکن است رنگ لباس، نوشته بسته بندی یا شکل صورت در طول حرکت تغییر کند. گوگل در این نسخه روی پیروی دقیق تر از تصاویر مرجع تمرکز کرده است.
می توان تصویر شخصیت، محصول یا سبک بصری را همراه درخواست ارائه کرد. نمونه رسمی گوگل نشان می دهد مدل با عکس یک فرد و تصاویر جلو و پشت چند لباس، ویدیوی پرو مجازی لباس تولید می کند. هدف این است که برش، رنگ و فرم پارچه در چرخش بدن ثابت تر بماند. برای محتوای تجاری، چنین ثباتی اهمیت زیادی دارد؛ البته دقت محصول نهایی باید دستی تایید شود.

پایداری صحنه و حرکت دوربین چه تغییری کرده است؟

مدل های ویدیویی گاهی هنگام چرخش دوربین یا تغییر زاویه با مشکل تغییر شکل اشیا روبرو می شوند. گوگل اعلام کرده نسخه تازه در حفظ شخصیت ها، اشیا و محیط در طول نما عملکرد بهتری دارد و تغییرات ناخواسته تصویر کمتر شده است.
این بهبود برای حرکت مداوم دوربین، اتصال نمای اول و آخر و ادامه دادن کلیپ مفید است. در نمونه های معرفی شده، دوربین بدون برش ناخواسته از نمای نزدیک به نمای باز حرکت می کند. با این حال، عبارت «پیوستگی بهتر» به معنی حذف همه خطاهای بصری در صحنه های پیچیده نیست.

تولید صدا و هماهنگی لب‌ها چگونه است؟

این مدل تنها تصویر متحرک تولید نمی کند و امکان ساخت ویدیوی همراه با صدا را دارد. طبق معرفی گوگل، گفتگوی شخصیت ها طبیعی تر شده، هماهنگی حرکت لب با صدا بهبود یافته و تفکیک گویندگان در صحنه های چند نفره بهتر انجام می شود.
در یکی از نمایش های رسمی، چند شخصیت با نمونه های مرجع چهره و صدا در یک صحنه گفتگو می کنند. این ویژگی برای ویدیوی آموزشی، روایت کوتاه و تبلیغات دارای دیالوگ جذاب است. البته استفاده از صدای افراد واقعی باید با اجازه آنها انجام شود و پشتیبانی عملی از انواع مرجع صوتی ممکن است در هر محیط دسترسی یکسان نباشد.

روش درست نوشتن پرامپت برای ویدیوی بهتر

برای شروع، موضوع صحنه، شخصیت یا محصول و محیط را مشخص کن. بعد حرکت دوربین، مدت کلیپ، نور و نوع صدا را توضیح بده. اگر حفظ چهره یا طرح محصول ضروری است، تصویر مرجع مناسب ارائه کن و در متن تاکید کن کدام ویژگی ها نباید تغییر کنند.
در مرحله بعد خروجی را ببین و فقط مشکل مشخصی را اصلاح کن؛ مثلا «پس زمینه را عوض کن، اما زاویه دوربین و ظاهر محصول ثابت بماند». این روش معمولا از بازنویسی همزمان همه جزئیات قابل کنترل تر است. برای ویدیوهای دارای نوشته فارسی، خوانایی حروف را نیز جداگانه بررسی کن.

کیفیت 360p تا 4K چه تفاوتی دارد؟

گوگل پیشنهاد می کند پیش نویس های اولیه در کیفیت 360p یا 720p ساخته شوند تا آزمایش ایده ها سریع تر و کم هزینه تر باشد. سپس خروجی های منتخب را می توان به 1080p یا 4K ارتقا داد.
نکته مهم تفاوت تولید و ارتقای کیفیت است. اعلام امکان Upscale تا 4K به این معنی نیست که تمام کلیپ ها از ابتدا به صورت بومی در وضوح 4K تولید می شوند. برای تبلیغات و نمایش روی صفحه بزرگ، بررسی جزئیات خروجی پس از ارتقای کیفیت ضروری است.

قیمت ساخت ویدیو با API چقدر است؟

گوگل قیمت جدید تولید ویدیوی 720p را ۰.۰۷ دلار برای هر ثانیه اعلام کرده است؛ رقمی که نسبت به Omni 1.1 حدود ۳۰ درصد کاهش یافته است. بنابراین هزینه تولید به مدت ویدیو، وضوح انتخاب شده و تعداد دفعات ساخت یا اصلاح وابسته خواهد بود.
مزیت اقتصادی فقط قیمت هر ثانیه نیست. Gemini Omni 1.2 Flash امکان اصلاح بخشی از ایده با دستور بعدی را فراهم می کند و شاید نیاز به تولید مجدد کامل را کاهش دهد. با این حال، هزینه واقعی پروژه باید با تعرفه همان محیط، وضوح خروجی و تعداد درخواست ها محاسبه شود.

از چه سرویس‌هایی می توان به مدل دسترسی داشت؟

گوگل دسترسی عمومی توسعه دهندگان را از طریق Gemini API و Google Cloud اعلام کرده است. برنامه نویسان می توانند مدل را در Google AI Studio آزمایش کنند و سپس قابلیت ساخت یا ویرایش ویدیو را در محصول خود قرار دهند. کاربران سازمانی نیز از سرویس های تجاری گوگل بهره می برند.
برای تولیدکنندگان محتوا، Flow امکان هدایت صحنه و ویرایش گفتگویی را دارد. Google Vids طبق اطلاعیه عرضه، ساخت کلیپ های ۱۵ ثانیه ای را بدون هزینه اضافه برای حساب های واجد شرایط ارائه می کند. دسترسی در اپ Gemini نیز به صورت مرحله ای برای مشترکان Google AI Ultra در حال عرضه است. امکانات هر سرویس و منطقه ممکن است تفاوت داشته باشند.

محدودیت‌ها و نکات امنیتی مدل

گوگل در زمان عرضه اعلام کرده بهبود صحنه های ورزشی سریع، تغییرات ناگهانی حرکت و شبیه سازی فیزیک پیچیده همچنان ادامه دارد. بنابراین صحنه هایی با برخوردهای سریع یا تعامل فیزیکی دشوار ممکن است به اصلاح بیشتر نیاز داشته باشند.
خروجی ها دارای نشان نامرئی SynthID هستند که برای شناسایی محتوای تولید شده با هوش مصنوعی به کار می رود. برای استفاده از عکس یا صدای اشخاص، رعایت رضایت و حقوق آنها ضروری است. همچنین نباید ویدیوی ساخته شده را بدون بررسی به عنوان ثبت واقعی یک اتفاق معرفی کرد.

جمع بندی

نسخه ۱.۲ خانواده Omni ساخت و ویرایش ویدیو را به یک فرآیند گفتگویی نزدیک تر کرده است. کلیپ های ۱۵ ثانیه ای، حفظ بهتر تصاویر مرجع، کنترل حرکت دوربین، صدای هماهنگ تر و هزینه پایین تر از تغییرات اصلی هستند. مزیت مهم برای تولیدکننده محتوا این است که می تواند به جای شروع دوباره، روی نتیجه موجود اصلاحات مرحله ای انجام دهد.
با این حال، کیفیت نهایی به پرامپت، تصاویر مرجع و پیچیدگی صحنه بستگی دارد. برای استفاده حرفه ای، آزمون کوتاه، بررسی دقیق خروجی و سپس ارتقای کیفیت رویکرد مناسب تری است.