Gemini Omni 1.2 Flash 发布说明

概述

Google DeepMind 推出了 Gemini Omni 1.2 Flash，这是其视频生成模型的最新迭代版本，现已在 Gemini API 和 Google Cloud 企业服务中全面可用。此版本引入了更长的视频时长、增强的角色和对象渲染一致性，以及更高效的对话式编辑工作流。

扩展的视频功能

Gemini Omni 1.2 Flash 将原生视频生成的最大时长从 1.1 版本的 10 秒延长至 15 秒。用户可以在 3 到 15 秒之间以一秒为增量指定时长，从而为创作社交媒体广告、产品说明和叙事内容提供了更大的灵活性。

改进的一致性和参考遵循

该模型在保持生成帧之间的视觉保真度方面进行了重大升级。

  • 参考遵循： 当由角色表或产品摄影引导时，模型能更好地保留面部、服装、包装排版和品牌颜色等细节。这使得虚拟试穿和品牌目录轮播等应用成为可能。
  • 视觉稳定性： 在运动或摄像机转换过程中，视觉漂移和变形现象显著减少。模型在从第一帧到最后一帧的过程中，能更好地保持角色、对象和场景的一致性。
  • 电影级控制： 模型支持复杂的连续摄像机运动（如 FPV 穿越和环绕），减少了不必要的跳剪，并实现了更稳定的缩放。

对话式编辑与工作流效率

Gemini Omni 1.2 Flash 支持多轮对话式编辑，允许用户在不重新生成整个序列的情况下优化剪辑的特定元素。用户可以在后续轮次中修改背景、光照、天气或纵横比，这有助于为不同受众创建广告变体。

为了优化成本，该模型支持分层工作流：用户可以以较低分辨率（360p 或 720p）起草内容，进行编辑，然后将最终资产升级到 1080p 或 4K。720p 视频生成的定价较上一版本降低了 30%，现定为每秒 $0.07。

音频与语音集成

该模型提供了对自然语音的改进支持，包括更清晰的唇形同步和独特的多种说话人条件设置。这些功能已集成到 Google Vids 和 Flow 等工具中，允许创建带有同步旁白和角色对话的精美视频。

可用性与企业功能

Gemini Omni 1.2 Flash 现已通过 Gemini API 向开发者全面开放，并通过 Google Cloud 向企业用户提供。

  • 企业级安全性： 该模型由 Google Cloud 的企业级基础设施和安全协议提供支持。
  • 预置吞吐量： 企业用户可以为大规模应用访问预置吞吐量。
  • SynthID： 模型生成的所有输出都带有不可见的 SynthID 水印，以辅助内容识别。

Sources