Gemini Omni 1.2 Flash ویدیو را به ۱۵ ثانیه رساند

گوگل در ۱۴ آبان ۱۴۰۵ مدل Gemini Omni 1.2 Flash را با ویدیوی ۱۵ ثانیه‌ای، ویرایش گفتگویی و کاهش قیمت به عرضه عمومی رساند و مرزهای فنی باقی‌مانده را نام برد.

شرکت گوگل در تاریخ ۱۴ آبان ۱۴۰۵ (برابر با ۵ نوامبر ۲۰۲۶) با انتشار یادداشتی از سوی انیش نانگیا، مدیر محصول در گوگل دیپ‌مایند، در وبلاگ رسمی گوگل اعلام کرد که مدل Gemini Omni 1.2 Flash به مرحله عرضه عمومی رسیده است. بر پایه اطلاعات این بیانیه، این مدل جدید هوش مصنوعی در رابط برنامه‌نویسی جمینای (Gemini API)، محیط جمینای برای کسب‌وکارها (Gemini for business) و بستر ابری گوگل کلود در دسترس توسعه‌دهندگان و شرکت‌ها قرار گرفته است. محوری‌ترین دگرگونی فنی در این رونمایی، افزایش سقف زمانی تولید بومی ویدیو از ۱۰ ثانیه در نسخه قبلی به ۱۵ ثانیه پیوسته و گنجاندن سازوکار ویرایش گفتگویی چندمرحله‌ای روی همان کلیپ اعلام شده است.

در کنار گسترش محدوده زمانی، گوگل به کاهش ۳۰ درصدی قیمت پردازش نسبت به نسل پیشین یعنی Omni 1.1 و تعیین نرخ ۰٫۰۷ دلار به ازای هر ثانیه ویدیوی ۷۲۰p اشاره کرده است. شرکت گوگل با معرفی این مدل، زنجیره‌ای از قابلیت‌های ارتقایافته مانند ثبات بهتر چهره‌ها و نشانه‌های تجاری، حرکات روان‌تر دوربین، همگام‌سازی دقیق‌تر حرکات لب با گفتار، و درج نشانه دیجیتال نامرئی بر خروجی‌ها را بر شمرده است. در عین حال، گوگل خود تصریح کرده است که این ابزار هنوز در مواردی همچون صحنه‌های پرشتاب ورزشی، جابه‌جایی سریع خطوط سناریو و شبیه‌سازی فیزیک‌های پیچیده با محدودیت مواجه است و به تکامل فنی بیشتری نیاز دارد.

هدف از انتشار این گزارش، بررسی ابعاد تجاری و فنی این خبر برای طراحان گرافیک، تدوینگران و مدیران هنری است که در جریان فرآیندهای تولید ویدیو در رسانه‌های دیجیتال فعالیت می‌کنند. این نوشته صرفاً رویداد خبری عرضه و تحلیل کاربردی آن در خطوط تولید رسانه‌ای را بازتاب می‌دهد و درصدد بازگویی شالوده‌های ریاضی و الگوریتم‌های دیفیوژن تصویری نیست؛ علاقه‌مندانی که مایل به درک ساختار الگوریتمی شبکه‌های زایا هستند می‌توانند به مقاله هوش مصنوعی تولید ویدیو چگونه کار می‌کند؟ مراجعه کنند.

افزایش سقف زمانی ویدیو به ۱۵ ثانیه و تغییر ریتم تولید پلان

تا پیش از این رونمایی، سقف تولید بومی در نسل قبلی این مدل یعنی Gemini Omni 1.1 برابر با ۱۰ ثانیه بود. گوگل در معرفی مدل جدید اعلام کرده است که کاربران می‌توانند طول مدت هر پلان ویدیویی را در بازه میان ۳ تا ۱۵ ثانیه و با گام‌های یک‌ثانیه‌ای تعیین کنند. انتخاب مدت با گام یک ثانیه، زمان‌بندی تیزر را به ریتم همان آگهی نزدیک می‌کند. درباره اینکه نسل قبل چه گام‌هایی برای مدت داشته، همین اعلامیه چیزی نگفته است.

از منظر حرفه‌ای در حوزه تدوین و گرافیک متحرک، تفاوت ۵ ثانیه‌ای میان ۱۰ ثانیه و ۱۵ ثانیه تنها یک افزایش آماری نیست. در بستر استانداردهای تبلیغات رسانه‌های اجتماعی، بازه زمانی ۱۵ ثانیه مرز طلایی قالب‌های روایی کوتاه نظیر ویدیوهای عمودی، استوری‌ها و آگهی‌های آغازین به شمار می‌رود. یک پلان ده‌ثانیه‌ای اغلب برای بیان یک وضعیت بصری یا ایجاد فضاسازی مناسب است، اما برای انتقال یک پیام کامل تبلیغاتی که نیازمند مقدمه، معرفی محصول و دعوت به اقدام مشخص باشد با تنگنای زمانی روبه‌رو می‌شود. تدوینگران در مدل‌های کوتاه‌تر ناگزیر بودند چند خروجی متوالی را تولید و آن‌ها را با تمهیدات بصری به یکدیگر متصل کنند؛ امری که همواره ریسک پرش چهره و افت تداوم نور را به همراه داشت.

امکان دریافت یک پلان یکپارچه تا سقف ۱۵ ثانیه به کارگردانان اجازه می‌دهد یک حرکت پیوسته را بدون اتکا به برش‌های تحمیلی ثبت کنند. برای نمونه، ثبت یک چرخش کامل دوربین به دور یک بسته محصول یا همراهی با حرکت یک شخصیت در یک مسیر پیوسته با ۱۵ ثانیه امکان‌پذیر می‌گردد. همچنین گنجاندن گام‌های انتخابی میان ۳ تا ۱۵ ثانیه موجب می‌شود تدوینگر دقیقاً بر اساس ریتم و ضرب‌آهنگ از پیش طراحی‌شده سناریو تصمیم بگیرد و برای یک ضرب کوتاه، مدتی نزدیک به همان ضرب را از ابتدا درخواست کند، نه اینکه فقط سقف پانزده ثانیه در اختیار باشد.

افزایش سقف زمانی ویدیو به ۱۵ ثانیه و تغییر ریتم تولید پلان

ویرایش گفتگویی چندمرحله‌ای بر روی همان کلیپ تولیدشده

یکی از شاخص‌ترین نوآوری‌هایی که گوگل به مدل Gemini Omni 1.2 Flash نسبت داده است، قابلیت ویرایش گفتگویی چندمرحله‌ای بر روی همان کلیپ تولیدشده بدون نیاز به بازتولید فرایند از نقطه آغاز است. طبق توضیحات شرکت گوگل، این سازوکار ویرایشی به کاربر امکان می‌دهد روی کلیپ‌های کامل تا سقف ۱۵ ثانیه، درخواست‌هایی نظیر تعویض محصول، دگرگونی پس‌زمینه، تنظیم مجدد نورپردازی، تغییر شرایط جوی یا جابه‌جایی نسبت ابعاد تصویر را در قالب یک گفتگوی ادامه‌دار ارسال کند.

گوگل در وبلاگ رسمی خود تأکید کرده است که هدف اصلی از این قابلیت، تولید آسان‌تر نسخه‌های متنوع تبلیغاتی متناسب با مخاطبان گوناگون و فضاهای انتشار متفاوت است. یکی از نمونه‌های رسمی که گوگل منتشر کرده است، تغییر متوالی پس‌زمینه یک صحنه از یک سایبان راه‌راه به یک جنگل انبوه، سپس یک اصطبل، پس از آن یک بازارچه سنتی و در نهایت یک قلعه تاریخی بوده است؛ در حالی که ساختار شخصیت‌های حاضر در صحنه و فرم کلی حرکت آن‌ها در تمام این مراحل حفظ شده است.

تحلیل این فرایند نشان می‌دهد که چرا ویرایش گفتگویی تحولی چشمگیرتر از بازتولید کلیپ است. در گردش‌کارهای سنتی مبتنی بر هوش مصنوعی، اگر یک تدوینگر پس از تولید یک برداشت متوجه می‌شد که تنها نور صحنه یا رنگ یک پس‌زمینه نیاز به تغییر دارد، ناچار بود دستور متنی را با واژگانی جدید بازنویسی و دکمه تولید مجدد را بفشارد. این کارکرد که در میان تدوینگران به چرخش تاس شبیه بود، معمولاً به دگرگونی کامل ترکیب‌بندی، تغییر فیگور بازیگر و از دست رفتن همه دستاوردهای پیشین منجر می‌شد. ویرایش گفتگویی با تبدیل ویدیو به یک سند تصویری قابل ویرایش، امکان اعمال اصلاحات جزئی را فراهم می‌سازد و زمینه اجرای دقیق بازخوردهای اصلاحی کارفرما را مهیا می‌کند.

الگوی کاری پیشنهادی گوگل و مدیریت هزینه با پیش‌نویس سریع

کاهش هزینه محاسباتی از جمله محورهای مورد تأکید گوگل در این معرفی بوده است. گوگل اعلام کرده است که قیمت پردازش Gemini Omni 1.2 Flash نسبت به Omni 1.1 به میزان ۳۰ درصد کاهش یافته و به ازای هر ثانیه ویدیوی ۷۲۰p به ۰٫۰۷ دلار رسیده است. در متن اعلامیه گوگل هیچ اشاره‌ای به رقم دقیق قیمت پایه نسل قبل نشده و تنها درصد کاهش هزینه گزارش گردیده است.

گوگل برای بهره‌برداری بهینه از این بستر، یک الگوی کاری مرحله‌بندی‌شده را به طراحان و توسعه‌دهندگان توصیه کرده است: در گام اول، کلیپ‌های اولیه با وضوح پایین‌تر مانند ۳۶۰p یا ۷۲۰p برای بررسی حرکت و ترکیب‌بندی تولید می‌شوند. در گام دوم، چنانچه جزئیاتی نیاز به بازنگری داشته باشد، به جای تولید مجدد کل صحنه از مکانیزم ویرایش گفتگویی برای رفع نقص استفاده می‌گردد. در گام نهایی، پس از آنکه برداشت مطلوب به تأیید رسید، خروجی نهایی به وضوح‌های بالاتر از جمله ۱۰۸۰p یا 4K ارتقا می‌یابد.

این تفکیک میان پیش‌نویس و نسخه نهایی از دیدگاه مدیریت هزینه‌های استودیویی اهمیتی بنیادین دارد. تولید ویدیوهای آزمایشی با وضوح‌های فوق‌العاده بالا به سرعت بخش عمده‌ای از بودجه پروژه‌ها را می‌بلعد. مفهوم ارتقای وضوح و نسبت پیکسل‌ها در فرآیندهای بازسازی ویدیویی نیازمند شناخت استانداردها است که جزئیات آن در مقاله رزولوشن تصویر چیست و 4K چند پیکسل است بررسی شده است. با اتکا به مدل پیش‌نویس سریع، استودیوها می‌توانند ده‌ها سناریوی مختلف حرکتی را با وضوح پایه بسنجند و تنها برداشتی را که در جلسه بررسی با تأیید نهایی همراه شده است به مرحله ارتقای تفکیک‌پذیری بفرستند؛ رویکردی که پیش‌بینی‌پذیری مالی دفاتر تبلیغاتی را ارتقا می‌دهد.

هدایت خروجی با تصویر و حرکت ارجاعی در تبلیغات و کاتالوگ

کنترل‌پذیری نتایج یکی دیگر از ادعاهای مطرح‌شده در وبلاگ گوگل است. گوگل اعلام کرده است که مدل Gemini Omni 1.2 Flash از انواع ورودی‌های ارجاعی شامل تصاویر شخصیت، عکس محصول یا تصاویر معرف سبک بصری، قطعات کوتاه حرکتی تا سقف ۳ ثانیه، و همچنین سرنخ‌ها و نشانه‌های صوتی پشتیبانی می‌کند. بر اساس ادعای گوگل، این ورودی‌ها باعث می‌شوند چهره افراد، جزئیات پوشاک، تایپوگرافی بسته‌بندی محصولات و رنگ‌های سازمانی برند در زوایای حرکتی گوناگون دوربین پایدار بمانند.

گوگل کاربردهای این قابلیت را در حوزه‌هایی مانند پرو مجازی لباس، چرخش‌های کاتالوگی ۳۶۰ درجه از محصولات و آگهی‌های تجاری دارای هویت سازمانی متمرکز دانسته است. در یکی از مثال‌های ارائه‌شده در بیانیه رسمی، گوگل با ترکیب عکس یک مدل و عکس‌های نماهای پشت و روی سه دست لباس مختلف، یک ویدیوی ۱۵ ثانیه‌ای پرو مجازی را تولید کرده است. در نمونه دیگری، یک پرواز پیوسته پهپادی با زاویه دید اول‌شخص تنها بر اساس هدایت دو عکس معماری شکل گرفته است.

با وجود پیشرفت‌های اعلام‌شده در زمینه هدایت تصویری، تحلیلگران و مدیران هنری معتقدند نظارت طراحان گرافیک بر خروجی‌ها همچنان عنصری حذف‌ناپذیر است. هنگامی که یک بسته محصول دارای هویت تجاری حساس در زوایای گوناگون نور می‌چرخد، سیستم‌های مبتنی بر احتمال ریاضی ممکن است در انحناهای بطری یا شکستگی‌های پاکت دچار اعوجاج در حروف لوگوتایپ یا تغییر نامحسوس در کد رنگ شوند. برای یک برند تجاری، حتی یک جابه‌جایی کوچک در نسبت فواصل حروف یا دگرگونی کنتراست فونت می‌تواند به اصالت هویت بصری صدمه بزند. بنابراین، بهره‌گیری از ارجاعات تصویری اگرچه کار را به شکل چشمگیری سریع می‌کند، اما جایگزین کنترل کیفی طراح در تطبیق نهایی رنگ و نوشتار نخواهد بود.

کنترل حرکات دوربین و ارتقای همگام‌سازی صدا و لب

در زمینه سینماتوگرافی و جهت‌دهی به لنز، شرکت گوگل در یادداشت خود اعلام کرده است که مدل جدید امکان اجرای حرکات دوربین به شیوه‌ای مهارشده‌تر را در اختیار می‌گذارد. از جمله حرکات نام‌برده در وبلاگ رسمی می‌توان به نماهای متحرک و گسترده اول‌شخص پهپادی، زوم‌بک‌های نمایشی و چرخش‌های مداری به دور سوژه اشاره کرد که به گفته گوگل با کاهش خطاهای پرش ناخواسته کادر همراه هستند. همچنین گوگل به پایداری بهتر سوژه‌ها در زمان درون‌یابی بین فریم کلیدی آغازین و پایانی یا در هنگام امتداد دادن زمان کلیپ اشاره دارد.

علاوه بر تصویر، بخش شنیداری نیز در این اعلامیه مورد توجه قرار گرفته است. گوگل از دیالوگ‌های طبیعی‌تر، همگام‌سازی دقیق‌تر و تمیزتر حرکات لب و دهان با واژگان و امکان تفکیک چند گوینده هم‌زمان سخن گفته است. شرکت گوگل سه محیط کاری مشخص را به عنوان جایگاه پیاده‌سازی این خروجی‌های صوتی و ویدیویی نام برده است: محیط خلاقانه Flow، ویدیوهای توضیحی کسب‌وکارها در جمینای تجاری، و ابزار Google Vids که گوگل آن را جای ساخت ویدیو با آواتار، موسیقی و روایت نامیده است.

برای تدوینگرانی که چند برداشت را در یک ساختار چندلایه کنار هم می‌گذارند، کاهش پرش ناخواسته کادر فقط در حد ادعای گوگل است و باید روی خروجی واقعی سنجیده شود. اگر سوژه در میانه حرکت کش بیاید یا زمینه دچار اعوجاج شود، اتصال آن پلان به پلان بعدی در نرم‌افزار تدوین نامتعارف می‌شود. حرکت مداری پیوسته در طول ۱۵ ثانیه، اگر در فایل نهایی پایدار بماند، این کلیپ‌ها را به پلان پوششی تیزر نزدیک‌تر می‌کند.

جایگاه پلان‌های تولیدی در خط تدوین و مقایسه با تصویربرداری مستند

پرسش بنیادینی که برای دست‌اندرکاران صنعت ویدیو پیش می‌آید این است که این خروجی‌های ۱۵ ثانیه‌ای چه موقعیتی در زنجیره تولید فیلم و ویدیو خواهند داشت. برخی تبلیغات تجاری ممکن است این تصور را ایجاد کنند که یک مدل هوش مصنوعی با دریافت یک دستور متنی می‌تواند یک فیلم نهایی کامل را تحویل دهد. با این حال، تحلیل گردش‌کار تدوینگران حرفه‌ای واقعیت متفاوتی را به تصویر می‌کشد: خروجی‌های Gemini Omni 1.2 Flash در اصل مواد خام بصری یا راش‌های کمکی هستند که باید در خط زمانی یک نرم‌افزار تدوین کنار یکدیگر چیده شوند.

در پروژه‌های واقعی، کارگردان هنری باید تصمیم بگیرد که چه بخشی از پروژه نیازمند فیلم‌برداری مستند واقعی یا تصویربرداری در صحنه است، چه بخشی باید از آرشیوهای غنی ویدیو استوک تهیه شود، و کدام پلان‌های واسط یا پس‌زمینه‌های دوردست را می‌توان به سیستم‌های تولید ویدیو سپرد. ویدیوهای استوک فیلم‌برداری‌شده همچنان از منظر عمق نور طبیعی لنز، رفتار آب، پارچه و موی افراد برتری غیرقابل انکاری دارند که برآمده از ثبت دنیای واقعی است.

علاوه بر این، ساختار روایی اثر، حس دراماتیک صحنه‌ها، انتخاب لحظه پیوند دو پلان، تنظیم منحنی‌های رنگی، و تعادل باندهای صوتی همچنان در اختیار تدوینگر انسانی باقی می‌ماند. حتی اگر تمام پلان‌های یک آگهی تجاری با ابزارهای تولید تصویر خلق شوند، ادغام این نماها در یک محور زمانی منسجم نیازمند هوشمندی کارگردانی است. مدل‌های هوش مصنوعی زاویه دید و حس حرکت را تولید می‌کنند، اما ضرب‌آهنگ نهایی فیلم محصول اتصال اندیشیده نماها در خط تدوین است.

مقایسه فنی مشخصات دو نسل Gemini Omni

برای بررسی دقیق‌تر ابعاد دگرگونی‌های رخ‌داده در مدل جدید و ارزیابی تفاوت‌های آن با نسل پیشین، مقایسه ویژگی‌های اصلی بر پایه اطلاعات رسمی مندرج در وبلاگ گوگل در جدول زیر مدون شده است. مواردی که گوگل در بیانیه خود درباره نسخه Omni 1.1 به آن‌ها اشاره نکرده است به طور صریح مشخص شده‌اند تا از تعمیم‌های غیرمستند پرهیز شود.

نقاط دسترسی، نشانه SynthID و محدودیت‌های اعلام‌شده توسط گوگل

گوگل در بخش پایانی گزارش خود نحوه دسترسی کاربران و نهادهای تجاری به این فناوری جدید را تشریح کرده است. بر اساس مستندات گوگل، توسعه‌دهندگان می‌توانند از طریق Google AI Studio و رابط برنامه‌نویسی جمینای (Gemini API) به مدل متصل شوند. کسب‌وکارها و شرکت‌های بزرگ در بستر کنسول Google Cloud به آن دسترسی خواهند داشت و امکان بهره‌گیری از توان پردازشی اختصاصی (Provisioned Throughput) را در زیرساخت‌های سازمان‌محور ابری دارا هستند. همچنین قابلیت هدایت و ویرایش گفتگویی ویدیوها در محیط Flow ادغام گردیده است.

در سمت کاربران عمومی و سازمانی نرم‌افزارهای دفتری، کلیپ‌های ۱۵ ثانیه‌ای در محیط Google Vids بدون تحمیل هزینه مازاد برای دارندگان حساب کاربری گوگل یا مشترکان Google Workspace فعال شده است. برای کاربران اشتراکی تلفن‌های هوشمند و نرم‌افزار جمینای نیز ویدیوهای ۱۵ ثانیه‌ای به صورت مرحله‌ای برای دارندگان اشتراک Google AI Ultra در دسترس قرار خواهد گرفت. افزون بر این، در بستر تبلیغات اینترنتی Google Ads، امکان استفاده از این ویدیوها برای تقویت کارزارهای دیجیتال فراهم شده است.

گوگل اعلام کرده است که خروجی‌های این مدل نشانه دیجیتال و نامرئی SynthID دارند. این نشانه در تماشای عادی دیده نمی‌شود و گوگل آن را برای شناسایی ساخته‌شدن فایل گذاشته است. شیوه جاسازی نشانه در همین اعلامیه شرح داده نشده است. برای پلتفرم‌هایی که باید آگهی ساخته‌شده را از تصویر فیلم‌برداری‌شده جدا کنند، وجود چنین نشانه‌ای اهمیت دارد.

نکته درخور تأمل در رونمایی گوگل، اشاره شفاف به نقاط ضعف جاری مدل است. گوگل اعلام کرده است که روند تکامل این سامانه همچنان در جریان است و برخی زمینه‌های دیداری هنوز به بهبود نیاز دارند. حرکات ورزشی بسیار سریع که نیازمند محاسبه آنی شتاب بدن ورزشکار و تعادل اندام‌ها در فضا است، تغییرات پرشتاب در خط سیر سناریو، و بازتولید برهم‌کنش‌های پیچیده فیزیکی میان اجسام از جمله مرزهایی معرفی شده‌اند که نیازمند ارتقای الگوریتمی هستند. این واقع‌گرایی به تدوینگران و طراحان یادآوری می‌کند که برای صحنه‌های پیچیده دینامیکی و برخوردهای فیزیکی شدید، شبیه‌سازی‌های تخصصی سه‌بعدی و ثبت واقعی تصاویر همچنان اولویت بی‌رقیب پروژه‌های حرفه‌ای خواهند بود.