Gemini Omni 1.2 Flash リリースノート

概要

Google DeepMindは、動画生成モデルの新しいイテレーションであるGemini Omni 1.2 Flashをリリースしました。現在、Gemini APIおよびGoogle Cloudのエンタープライズサービス全体で一般提供されています。今回のリリースでは、動画の生成時間が延長されたほか、キャラクターやオブジェクトのレンダリングにおける一貫性が向上し、より効率的な会話型編集ワークフローが導入されました。

動画生成機能の拡張

Gemini Omni 1.2 Flashでは、ネイティブの動画生成時間が最大15秒に延長されました（バージョン1.1の10秒から増加）。ユーザーは3秒から15秒の間で1秒単位で長さを指定できるため、ソーシャルメディア広告、製品説明動画、物語コンテンツの作成において柔軟性が向上しています。

一貫性と参照忠実度の向上

このモデルでは、生成されたフレーム全体で視覚的な忠実度を維持する機能が大幅にアップグレードされました。

• 参照追従: キャラクターシートや製品写真に基づいたガイドがある場合、顔、衣服、パッケージのタイポグラフィ、ブランドカラーなどの詳細をより適切に保持できるようになりました。これにより、バーチャル試着やブランドカタログの回転表示などのアプリケーションが可能になります。
• 視覚的安定性: モーションやカメラの切り替え時の視覚的なドリフトやモーフィングが大幅に削減されました。モデルは、最初のフレームから最後のフレームまで、キャラクター、オブジェクト、シーンの一貫性を維持する能力が向上しています。
• シネマティックコントロール: FPVフライスルーやオービットなど、複雑で連続的なカメラワークをサポートしており、不要なジャンプカットが減り、スケーリングがより安定しています。

会話型編集とワークフローの効率化

Gemini Omni 1.2 Flashはマルチターンの会話型編集をサポートしており、シーケンス全体を再生成することなく、クリップの特定の要素を調整できます。ユーザーは後続のターンで背景、照明、天候、アスペクト比を変更できるため、異なるターゲット層に向けた広告バリエーションの作成が容易になります。

コストを最適化するために、モデルは段階的なワークフローをサポートしています。ユーザーは低解像度（360pまたは720p）でコンテンツをドラフトして編集を行い、最終的なアセットを1080pまたは4Kにアップスケールできます。720p動画生成の価格は前バージョンと比較して30%値下げされ、現在は1秒あたり$0.07に設定されています。

音声とスピーチの統合

このモデルは、より自然な響きの対話へのサポートを強化しており、リップシンクの明瞭化や、複数の話者に対する個別の条件付けが可能になりました。これらの機能はGoogle VidsやFlowなどのツールに統合されており、ナレーションやキャラクターのセリフが同期された洗練された動画の作成を可能にします。

提供状況とエンタープライズ機能

Gemini Omni 1.2 Flashは、Gemini APIを通じて開発者に、またGoogle Cloudを通じてエンタープライズユーザーに一般提供されています。

• エンタープライズセキュリティ: このモデルは、Google Cloudのエンタープライズグレードのインフラストラクチャとセキュリティプロトコルによって保護されています。
• プロビジョニングされたスループット: エンタープライズユーザーは、大規模なアプリケーション向けにプロビジョニングされたスループットにアクセスできます。
• SynthID: モデルによって生成されたすべての出力には、コンテンツの識別を支援するために、目に見えないSynthID透かしが含まれています。