Google открыл доступ к Gemini Omni 1.2 Flash: клипы до 15 секунд и диалоговый монтаж

Команда Google DeepMind выпустила обновленную генеративную видеомодель Gemini Omni 1.2 Flash. Основные изменения касаются увеличения длительности роликов, внедрения диалогового редактирования без полной перегенерации и улучшения синхронизации речи для нескольких персонажей. Модель доступна в Gemini API, сервисе Google Vids и корпоративной платформе Google Cloud. Стоимость генерации снижена на 30% по сравнению с предыдущей версией и составляет 0,07 доллара за секунду видео в разрешении 720p.

Ключевые нововведения Gemini Omni 1.2 Flash

Обновление ориентировано на масштабируемое производство видеоконтента. Разработчики расширили контроль над сценами и снизили себестоимость генерации. Ключевые функции включают генерацию клипов от 3 до 15 секунд с шагом в одну секунду, пошаговые правки через текстовый чат, встроенную синхронизацию губ и мимики для нескольких говорящих героев, а также поддержку сложных кинематографичных траекторий камеры. Все выходные материалы автоматически помечаются невидимым водяным знаком SynthID.

Увеличение длительности клипов и покадровый контроль

Предыдущая версия модели ограничивала длину видеоряда 10 секундами. В Gemini Omni 1.2 Flash верхний порог поднят до 15 секунд с возможностью задавать хронометраж дискретно — от 3 до 15 секунд с шагом в 1 секунду. Этого объема достаточно для самодостаточных рекламных роликов, продуктовых демо и обучающих фрагментов без необходимости склеивать короткие сегменты в сторонних редакторах.

Система удерживает визуальные атрибуты объектов на протяжении всей сцены. Одновременно можно загружать референсные изображения персонажей, фото товаров, короткие трехсекундные ролики движения и аудиоподсказки. Черты лиц, текстуры тканей, надписи на упаковке и корпоративные цвета сохраняют стабильность при смене ракурсов камеры.

Диалоговое редактирование сцен через чат

Функция Multi-Turn Conversational Editing позволяет дорабатывать готовый ролик пошагово текстовыми уточнениями. Пользователю не требуется перезапускать полный цикл рендеринга для изменения детали: модель корректирует фон, заменяет объекты, настраивает освещение или погодные условия прямо в диалоге. Правки применяются ко всему 15-секундному отрезку.

Это ускоряет подготовку вариаций рекламных кампаний под разные аудитории: базовая актерская игра, движения и геометрия сцены остаются неизменными, пока алгоритм точечно обновляет окружение и визуальные акценты. Примером служит пошаговая смена фоновых локаций с сохранением актерской игры и бликов на доспехах персонажа.

Синхронизация речи и многоголосая озвучка

Модель генерирует видеоряд с синхронизированной речью, точным движением губ и поддержкой нескольких говорящих персонажей в одном кадре. Для привязки голоса к конкретному герою достаточно предоставить аудиосэмпл длительностью от одной секунды. Алгоритм распределяет реплики между действующими лицами, согласуя мимику с интонациями и паузами в диалоге.

Функция интегрирована в инструменты Flow, сервис Google Vids и бизнес-пакеты Gemini, что упрощает выпуск корпоративных обучающих материалов и анимационных роликов с виртуальными аватарами. Демонстрировалась работа с четырьмя персонажами в кадре на основе секундных голосовых референсов.

Кинематографичные пролеты камеры и непрерывное масштабирование

Инженеры существенно улучшили контроль виртуальной съемочной камеры. Модель поддерживает сложные непрерывные траектории движения: пролеты от первого лица (FPV), орбитальные вращения вокруг объектов и резкие откаты из макросъемки в общий план без монтажных разрывов. При быстром перемещении камеры сохраняются пропорции архитектурных сооружений и ландшафта.

При генерации переходов между начальным и конечным ключевыми кадрами физика движения остается естественной, исключая визуальные артефакты деформации геометрии. Примеры включают непрерывный FPV-пролет дрона через римский Пантеон и экстремальный откат камеры от макросъемки берега до панорамы целого острова за 10 секунд.

Сравнение параметров и цен видеомоделей

Снижение цены до 0,07 $ за секунду делает Gemini Omni 1.2 Flash одним из самых экономичных промышленных решений для массового производства контента. Ниже приведена сравнительная таблица ключевых параметров по данным анонса.

Доступность в сервисах Google и тарификация

Модель стала общедоступной в облачной платформе Google Cloud console и среде разработки Google AI Studio. Пользователи могут прототипировать черновые варианты на разрешениях 360p или 720p, вносить правки через диалог и масштабировать удачные генерации до 1080p и 4K. В приложении Google Vids создание 15-секундных роликов включено в стандартную подписку Google Workspace без дополнительной платы. Все выходные материалы по умолчанию снабжаются невидимым цифровым водяным знаком SynthID для подтверждения происхождения ИИ-контента.