Google Gemini Omni 1.2 Flash প্রকাশ করেছে। এটি একটি ভিডিও জেনারেশন ও এডিটিং model, যা native clip creation-এর সময়সীমা ১৫ সেকেন্ডে বাড়ায়, multi-turn conversational editing যোগ করে এবং আগের model-এর তুলনায় দাম ৩০% কমায়। কোম্পানি জানিয়েছে, Gemini API, Google Cloud এবং Gemini for business-এর মাধ্যমে model-টি সাধারণভাবে ব্যবহার করা যাচ্ছে।
এই update AI-video tooling-এর প্রথম প্রজন্মকে প্রভাবিত করা একটি বাস্তব সীমাবদ্ধতাকে লক্ষ্য করে: ছোট clips কাজে লাগলেও সম্পূর্ণ গল্প বলা বা ব্যবহারযোগ্য product demonstration তৈরি করার জন্য সেগুলিতে প্রায়ই যথেষ্ট সময় থাকে না। Gemini Omni 1.2 Flash তিন থেকে ১৫ সেকেন্ডের ভিডিও generate ও edit করতে পারে, এবং duration এক সেকেন্ড করে নির্ধারণ করা যায়। Omni 1.1-এর ১০ সেকেন্ডের সর্বোচ্চ সীমার তুলনায় এটি একটি বৃদ্ধি।
দীর্ঘতর clips, iteration-এর ওপর জোর
পনেরো সেকেন্ড এখনও একটি compact format, তবে short social advertisement, product explainer বা self-contained visual sequence-এর জন্য তা যথেষ্ট। অতিরিক্ত পাঁচ সেকেন্ডের চেয়েও গুরুত্বপূর্ণ হতে পারে Google যে workflow-কে কেন্দ্র করে model-টি উপস্থাপন করছে। প্রায় সফল ফলাফল বাদ দিয়ে সম্পূর্ণ নতুন clip তৈরি করার বদলে model conversation-এর মধ্যে follow-up edits সমর্থন করে।
Google বলছে, এই পদ্ধতিতে users original prompt থেকে আবার শুরু না করেই adjustments করতে পারেন। Video production-এ ছোটখাটো inconsistencies ব্যয়বহুল হয়ে উঠতে পারে: product-এর চেহারা বদলে যেতে পারে, character continuity নষ্ট হতে পারে বা অনুরোধ করা motion প্রত্যাশামতো নাও দেখা যেতে পারে। Clip-এর সামগ্রিক দিক বজায় রেখে subsequent turns-এ এসব সমস্যা সমাধানের উপায় হিসেবে কোম্পানি conversational edits-কে তুলে ধরছে।
এই release stronger reference adherence-এর ওপরও জোর দেয়। Google-এর মতে, character, product বা style images-এর সমন্বয়, সর্বোচ্চ তিন সেকেন্ডের short motion clips এবং audio cues ব্যবহার করে users generation পরিচালনা করতে পারেন। শুধু text instructions-এর ওপর নির্ভর না করে specific visual direction-কে result-এ নিয়ে আসা সহজ করাই ঘোষিত লক্ষ্য।
কম দাম production calculation বদলে দেয়
Google 720p video-এর তালিকাভুক্ত দাম প্রতি সেকেন্ডে $0.07 নির্ধারণ করেছে এবং বলেছে, এটি Gemini Omni 1.1-এর তুলনায় ৩০% কম। Generative video-এর ক্ষেত্রে price শুধু কেনাকাটার একটি বিবরণ নয়। Creative ও production teams কতটা স্বাধীনভাবে experiment করতে পারবে, কতগুলি iterations-এর খরচ বহন করতে পারবে এবং কোনো tool কেবল মাঝে মাঝে concepting-এর জন্য ব্যবহৃত হবে নাকি repeatable workflow-এর অংশ হবে—এসবের ওপরও এর প্রভাব পড়ে।
কোম্পানি একটি staged process-এর পরামর্শ দিচ্ছে: 360p বা 720p-তে দ্রুত draft তৈরি করুন, follow-up editing দিয়ে details ঠিক করুন, তারপর নির্বাচিত creations-কে 1080p বা 4K-তে upscale করুন। এই sequence পরিচিত production logic প্রতিফলিত করে। Computationally heavier finishing work প্রয়োগের আগে composition ও motion পরীক্ষা করতে lower-resolution versions ব্যবহার করা যেতে পারে।
Developers ও businesses-এর জন্য lower unit pricing এবং API-এর মাধ্যমে পাওয়া model-এর সমন্বয় headline feature-এর মতোই গুরুত্বপূর্ণ। এতে products, internal content pipelines এবং automated creative workflows-এ system যুক্ত করা সহজ হয়। Google আরও বলেছে, release-টি Google Vids ও Gemini for business-এও পাওয়া যাচ্ছে, ফলে developer platforms-এর পাশাপাশি workplace use-এর জন্য তৈরি tools-এও capabilities পৌঁছে যাচ্ছে।
এই launch কী ইঙ্গিত দেয়
Gemini Omni 1.2 Flash-কে visual realism-এর ক্ষেত্রে একক breakthrough হিসেবে উপস্থাপন করা হয়নি। এর গুরুত্ব বেশি operational: দীর্ঘতর native clips, conversation-এর মাধ্যমে revise করা যায় এমন controls, output নির্দেশ করার জন্য আরও inputs এবং প্রতি সেকেন্ডে কম খরচ। একসঙ্গে এই পরিবর্তনগুলি striking generated sample এবং deadline-এর মধ্যে কাজ করা মানুষের বারবার ব্যবহারযোগ্য tool-এর মধ্যকার ব্যবধানকে লক্ষ্য করে।
AI-video systems demonstrations থেকে production-এর দিকে এগোতে থাকায় এই পার্থক্য আরও গুরুত্বপূর্ণ হয়ে উঠছে। Marketing team, educator বা software developer-এর কাছে একটি বিচ্ছিন্ন cinematic result-এর চেয়ে reliable adjustment এবং recognizable product references বেশি মূল্যবান হতে পারে। Duration নির্ধারণ, model-কে বিভিন্ন ধরনের reference material দেওয়া এবং clip edit চালিয়ে যাওয়ার ক্ষমতা tool-টিকে one-shot prompt interface-এর তুলনায় আরও structured করে।
এই format-এর অন্তর্নিহিত সীমাবদ্ধতা এখনও রয়েছে। 15-second cap একবারের generation-এ বলা সম্ভব এমন গল্পের ধরন সীমিত করে, এবং Google-এর announcement outputs-এর human review-এর প্রয়োজনীয়তা দূর করে না। তবে short-form video-কেন্দ্রিক কাজের ক্ষেত্রে অতিরিক্ত duration একাধিক আলাদা AI-generated fragments একত্র করার প্রয়োজন কমাতে পারে।
Google-এর pricing ও availability choices ইঙ্গিত দেয় যে fast, lower-cost generation-কে তারা adoption-এর কেন্দ্রে দেখছে। Launch-এর সময় model-টিকে API, cloud offering এবং business-facing products-এ যুক্ত করে কোম্পানি video generation embed করতে চাওয়া builders এবং সরাসরি ব্যবহার করতে চাওয়া organizations—উভয়কেই লক্ষ্য করছে। ফলাফল এমন একটি model update, যা novelty-এর চেয়ে short AI-generated video-কে scale-এ আরও editable, directed এবং economical করার ওপর বেশি জোর দেয়।
এই নিবন্ধটি Google AI Blog-এর reporting-এর ভিত্তিতে তৈরি। মূল নিবন্ধটি পড়ুন।
Originally published on blog.google




