Google ने Gemini Omni 1.2 Flash रिलीज केले आहे. हे व्हिडिओ निर्मिती आणि संपादनाचे model असून native clip creation ची मर्यादा 15 सेकंदांपर्यंत वाढवते, multi-turn conversational editing जोडते आणि मागील modelच्या तुलनेत किंमत 30% कमी करते. Gemini API, Google Cloud आणि Gemini for business द्वारे हे model सर्वसाधारण वापरासाठी उपलब्ध असल्याचे कंपनीने सांगितले.

AI-video toolingच्या पहिल्या पिढीला आकार देणाऱ्या एका व्यावहारिक मर्यादेला हे update लक्ष्य करते: छोटे clips उपयुक्त असले तरी पूर्ण कथा सांगण्यासाठी किंवा वापरण्यायोग्य product demonstration देण्यासाठी त्यांच्याकडे अनेकदा पुरेसा वेळ नसतो. Gemini Omni 1.2 Flash तीन ते 15 सेकंदांचे व्हिडिओ generate आणि edit करू शकते; duration एक-एक सेकंदाच्या अंतराने निश्चित करता येते. Omni 1.1 ने दिलेल्या 10 सेकंदांच्या कमाल मर्यादेपेक्षा ही वाढ आहे.

लांब clips, iterationवर भर

पंधरा सेकंद अजूनही compact format आहे, पण short social advertisement, product explainer किंवा self-contained visual sequenceसाठी ते पुरेसे आहे. वाढलेल्या पाच सेकंदांपेक्षा महत्त्वाचे कदाचित Google ज्या workflowभोवती हे model मांडत आहे ते असू शकते. जवळपास यशस्वी झालेला result टाकून देऊन पूर्णपणे नवीन clip तयार करण्याऐवजी model conversationमध्ये follow-up editsला समर्थन देते.

Original promptपासून पुन्हा सुरुवात न करता usersना adjustments करता येतात, असे Googleचे म्हणणे आहे. Video productionमध्ये छोट्या inconsistencies महाग ठरू शकतात: productचा appearance बदलू शकतो, characterची continuity तुटू शकते किंवा मागितलेली motion अपेक्षेप्रमाणे दिसणार नाही. Clipची व्यापक दिशा कायम ठेवून subsequent turnsमध्ये या समस्या सोडवण्याचा मार्ग म्हणून कंपनी conversational edits मांडत आहे.

या releaseमध्ये stronger reference adherenceवरही भर देण्यात आला आहे. Googleच्या मते, character, product किंवा style imagesचे संयोजन, तीन सेकंदांपर्यंतचे short motion clips आणि audio cues वापरून users generationला दिशा देऊ शकतात. केवळ text instructionsवर अवलंबून न राहता specific visual direction resultमध्ये आणणे सोपे करणे हा जाहीर उद्देश आहे.

कमी किमतींमुळे production calculation बदलते

Googleने 720p videoसाठी सूचीबद्ध किंमत प्रति सेकंद $0.07 ठेवली आहे आणि ती Gemini Omni 1.1पेक्षा 30% कमी असल्याचे सांगितले आहे. Generative videoसाठी price हा फक्त खरेदीशी संबंधित तपशील नाही. Creative आणि production teams किती मोकळेपणाने प्रयोग करू शकतात, किती iterations परवडू शकतात आणि एखादे tool अधूनमधून conceptingसाठी वापरले जाईल की repeatable workflowचा भाग बनेल, यावरही त्याचा परिणाम होतो.

कंपनी staged process सुचवते: 360p किंवा 720pवर पटकन draft तयार करा, follow-up editingने details दुरुस्त करा आणि नंतर निवडक creationsना 1080p किंवा 4Kमध्ये upscale करा. हा sequence परिचित production logic दाखवतो. Computationally heavier finishing work लागू करण्यापूर्वी composition आणि motion तपासण्यासाठी lower-resolution versions वापरता येतात.

Developers आणि businessesसाठी lower unit pricing आणि APIद्वारे उपलब्ध असलेले model यांचे संयोजन headline featureइतकेच महत्त्वाचे आहे. यामुळे products, internal content pipelines आणि automated creative workflowsमध्ये system समाविष्ट करणे सोपे होते. Googleने असेही सांगितले आहे की release Google Vids आणि Gemini for businessमध्ये उपलब्ध आहे. त्यामुळे developer platformsसोबत workplace useसाठी तयार केलेल्या toolsमध्येही या capabilities पोहोचतात.

या launchमधून काय संकेत मिळतात

Gemini Omni 1.2 Flashला visual realismमधील एकमेव breakthrough म्हणून मांडलेले नाही. त्याचे महत्त्व अधिक operational आहे: लांब native clips, conversationद्वारे revise करता येणारे controls, outputला दिशा देण्यासाठी अधिक inputs आणि प्रति सेकंद कमी खर्च. एकत्रितपणे हे बदल striking generated sample आणि deadlineमध्ये काम करणाऱ्या लोकांना वारंवार वापरता येणारे tool यांच्यातील अंतरावर लक्ष केंद्रित करतात.

AI-video systems demonstrationsमधून productionकडे सरकत असताना हा फरक अधिक महत्त्वाचा ठरत आहे. Marketing team, educator किंवा software developerसाठी एखाद्या isolated cinematic resultपेक्षा reliable adjustment आणि recognizable product references अधिक मौल्यवान असू शकतात. Duration निश्चित करणे, modelला विविध प्रकारची reference material देणे आणि clipचे editing पुढे सुरू ठेवणे यामुळे हे tool one-shot prompt interfaceपेक्षा अधिक structured बनते.

या formatमध्ये अंतर्भूत मर्यादा अजूनही आहेत. 15-second capमुळे एका generationमध्ये सांगता येणाऱ्या कथांचे प्रकार मर्यादित होतात आणि Googleची announcement outputsच्या human reviewची गरज दूर करत नाही. मात्र short-form videoभोवती आधीच आखलेल्या कामासाठी अतिरिक्त durationमुळे अनेक स्वतंत्र AI-generated fragments जोडण्याची गरज कमी होऊ शकते.

Googleच्या pricing आणि availability choicesवरून fast, lower-cost generationला adoptionच्या केंद्रस्थानी पाहिले जात असल्याचे दिसते. Launchवेळी modelला API, cloud offering आणि business-facing productsमध्ये उपलब्ध करून कंपनी video generation embed करू इच्छिणाऱ्या builders तसेच ते थेट वापरू इच्छिणाऱ्या organizations—दोघांनाही लक्ष्य करत आहे. परिणामी, noveltyपेक्षा short AI-generated video अधिक editable, directed आणि scaleवर economical बनवण्यावर लक्ष केंद्रित करणारे model update समोर आले आहे.

हा लेख Google AI Blogच्या reportingवर आधारित आहे. मूळ लेख वाचा.

Originally published on blog.google