Gemini Omni 1.2 Flash؛ تولید ویدئوی ۱۵ ثانیه‌ای با قیمت۳۰ درصد کمتر با جمنای امنی ۱.۲ فلش

مدل هوش مصنوعی جمنای امنی ۱.۲ فلش (Gemini Omni 1.2 Flash) در ۵ نوامبر ۲۰۲۶ (۱۴ آبان ۱۴۰۵) معرفی شد. گوگل در همان روز عرضه عمومی این مدل را در رابط برنامه‌نویسی جمنای (Gemini API) و سرویس سازمانی Gemini for business اعلام کرد. مدل جدید در یک نوبت ویدئوی حداکثر ۱۵ ثانیه‌ای می‌سازد و گوگل تعرفه هر ثانیه ویدئوی ۷۲۰p را نسبت به Gemini Omni 1.1 Flash حدود ۳۰ درصد کاهش داده است.

ویژگی‌های مهم مدل جمنای امنی ۱.۲ فلش | Gemini Omni 1.2 Flash

• سقف ساخت و ویرایش ویدئو از ۱۰ به ۱۵ ثانیه رسیده و مدت کلیپ را می‌توان از ۳ تا ۱۵ ثانیه تنظیم کرد.
• گوگل می‌گوید چهره، لباس و جزئیات محصول هنگام تغییر زاویه دوربین بهتر حفظ می‌شوند.
• در ویرایش گفت‌وگویی می‌توان در چند نوبت تغییرات را روی همان کلیپ اعمال کرد.
• تعرفه اعلام‌شده برای خروجی ۷۲۰p در رابط برنامه‌نویسی حدود ۰٫۰۷ دلار آمریکا به‌ازای هر ثانیه ویدئو است.

ساخت ویدئو با Google Omni در هوشا

جمنای امنی ۱.۲ فلش به‌زودی به هوشا اضافه می‌شود. در بخش هوش مصنوعی ساخت ویدیو هوشا، مدل‌هایی مانند Seedance، Veo, Google Omni و Kling برای تولید ویدئو در دسترس‌اند.

هوشا سرویس‌های چت، تصویر، ویدئو و صدا را در یک محیط هوش مصنوعی فارسی ارائه می‌کند و امکان پرداخت ریالی دارد.

برای آماده‌کردن تصویر محصول یا شخصیت، در بخش ساخت عکس با هوش مصنوعی می‌توانید از Nano Banana 2.1 و GPT Image 2.5 استفاده کنید. برای نوشتن متن دیالوگ یا پیش‌نویس دستور ساخت ویدئو هم می‌توانید از چت جی پی تی کمک بگیرید.

قیمت Gemini Omni 1.2 Flash برای ساخت ویدئو

گوگل در اطلاعیه ۵ نوامبر، قیمت حدود ۰٫۰۷ دلار آمریکا را برای هر ثانیه خروجی ۷۲۰p اعلام کرد. مبنای کاهش ۳۰ درصدی، تعرفه نسخه Gemini Omni 1.1 Flash در همین وضوح است. این عدد به هزینه استفاده از رابط برنامه‌نویسی مربوط است و قیمت اشتراک اپ جمنای یا تعرفه هوشا را تعیین نمی‌کند.

گوگل برای تولید چند ویدئو پیشنهاد می‌کند ابتدا نسخه اولیه را با وضوح ۳۶۰p یا ۷۲۰p بسازید، جزئیات را با دستور بعدی اصلاح کنید و در پایان وضوح کلیپ انتخابی را به ۱۰۸۰p یا ۴K برسانید. افزایش وضوح تصویر (Upscaling) همان تبدیل ویدئوی ساخته‌شده به نسخه‌ای با وضوح بالاتر است.

ساخت و ویرایش کلیپ تا ۱۵ ثانیه با جمنای امنی ۱.۲ فلش

طبق اعلام رسمی گوگل، جمنای امنی ۱.۲ فلش طول کلیپ را در گام‌های یک‌ثانیه‌ای از ۳ تا ۱۵ ثانیه تنظیم می‌کند. سقف ساخت و ویرایش در نسخه ۱.۱، ۱۰ ثانیه بود. این زمان اضافه به کاربر فرصت می‌دهد نمایش محصول، توضیح کوتاه یا آگهی شبکه‌های اجتماعی را در یک نوبت با هوش مصنوعی ساخت ویدیو تولید کند.

مدت خروجی به نوع عملیات هم بستگی دارد. در مستندات فنی گوگل کلاد، برای ساخت و ویرایش عادی بازه ۳ تا ۱۵ ثانیه و برای ساخت ویدئو با فریم آغاز و پایان بازه ۳ تا ۱۰ ثانیه ثبت شده است. در حالت ادامه‌دادن ویدئو نیز مدل در هر نوبت ۳ تا ۱۰ ثانیه به کلیپ اضافه می‌کند.

ساخت ویدیو طولانی و بلند با هوش مصنوعی ۰ تا ۱۰۰ + ‌پرامپت آماده

ثبات شخصیت و صحنه از اولین تا آخرین فریم

گوگل می‌گوید در نسخه ۱.۲ تغییر ناخواسته ظاهر اشیا و شخصیت‌ها هنگام حرکت دوربین کمتر شده است. یکی از کاربردهای آن ساخت فریم‌های میانی (Interpolation) است. کاربر فریم آغاز و پایان را مشخص می‌کند و مدل حرکت میان آن دو را می‌سازد.

گوگل در مقایسه‌ای نمایشی، تصویر یک پوستر و دستور یکسانی برای متحرک‌کردن اجزای آن به نسخه‌های ۱.۱ و ۱.۲ داده است. به گفته گوگل، نسخه ۱.۲ در آن نمونه به جزئیات تصویری و نوشته‌های پوستر وفادارتر ماند.

حفظ جزئیات تصویر و ویدئوی مرجع

گوگل می‌گوید نسخه جدید هنگام ساخت ویدئو از روی مرجع، جزئیاتی مثل چهره، فرم لباس، نوشته روی بسته‌بندی و رنگ برند را در زاویه‌های مختلف بهتر حفظ می‌کند. اطلاعیه به عکس شخصیت، محصول یا سبک بصری و کلیپ حرکتی حداکثر ۳ ثانیه‌ای به‌عنوان نمونه ورودی مرجع اشاره می‌کند.

در نمونه پرو مجازی گوگل، مدل از عکس یک نفر و تصاویر جلو و پشت سه لباس استفاده می‌کند. در خروجی ۱۵ ثانیه‌ای، دوربین و مدل حرکت می‌کنند تا لباس از چند زاویه دیده شود. گوگل این نمونه را برای نمایش حفظ هویت فرد و جزئیات پشت لباس منتشر کرده است.

ویرایش مرحله‌به‌مرحله با دستور متنی در جمنای امنی ۱.۲ فلش

ویرایش گفت‌وگویی چندمرحله‌ای (Multi-turn Conversational Editing) یعنی کاربر در همان گفت‌وگو روی کلیپ قبلی دستور اصلاح می‌دهد. برای نمونه، می‌تواند نور، وضعیت آب‌وهوا یا نسبت تصویر را تغییر دهد. گوگل این شیوه را برای کلیپ‌های کامل ۱۵ ثانیه‌ای هم معرفی کرده است.

ادیت ویدیو با هوش مصنوعی؛ آموزش ۶ تغییر کاربردی با پرامپت آماده

در یکی از نمونه‌های گوگل، پس‌زمینه یک صحنه چند بار عوض می‌شود. اجرای دو شخصیت و قاب‌بندی دوربین در نسخه‌های مختلف همان کلیپ حفظ می‌شود. این نمونه نشان می‌دهد گوگل از ویرایش چندمرحله‌ای برای ساخت نسخه‌های مختلف یک آگهی چه استفاده‌ای را مدنظر دارد.

کنترل حرکت دوربین و کاهش برش‌های ناخواسته

گوگل می‌گوید این نسخه مسیر حرکت دوربین را در نماهایی مثل پرواز از زاویه دید اول‌شخص (FPV) یا دورزدن سوژه بهتر دنبال می‌کند. در نمونه پانتئون، مدل با دو عکس معماری، نمای پیوسته‌ای از میدان تا داخل ساختمان و زیر گنبد می‌سازد.

گفت‌وگوی طبیعی‌تر و هماهنگی بهتر لب‌ها با صدا

گوگل از روان‌تر شدن دیالوگ، تمایز بهتر صدای گوینده‌ها و بهبود لیپسینک با هوش مصنوعی خبر داده است. در یکی از نمونه‌های معرفی، چهار شخصیت در یک صحنه متحرک صحبت می‌کنند و مدل صدای هر گوینده را به شخصیت مربوط می‌دهد.

پشتیبانی از صدا به محیط استفاده بستگی دارد. گوگل در دموهای معرفی از مرجع صوتی هم استفاده کرده است، اما مشخصات فنی گوگل کلاد خروجی ویدئو با صدای هماهنگ را پشتیبانی‌شده و ورودی صوتی مستقل را پشتیبانی‌نشده اعلام می‌کند. کارت مدل Google DeepMind نیز می‌گوید گوگل فعلاً امکان تغییر گفتار افراد در ویدئو را محدود کرده است.

نمونه‌های ویدئوی بلندتر و نتایج اولیه Arena

گوگل برای نشان دادن عملکرد مدل در کلیپ‌های طولانی‌تر، نمونه‌ای آموزشی منتشر کرده که یک تصویر مرجع را به ویدئویی چهار‌نما با نوشته‌هایی تبدیل می‌کند که حرکت سوژه را دنبال می‌کنند. در نمونه دیگری، حرکت نرم یک هشت‌پا در مرحله بعدی ویرایش به حرکت لباس یک رقصنده منتقل می‌شود. گوگل در مقایسه اتصال فریم ابتدا و انتها هم نمونه‌ای از حرکت دوربین از بیرون به داخل نشان می‌دهد که با وجود پیوستگی، در بعضی جزئیات صحنه تغییر دارد.

مقایسه با نسخه قبل و مدل‌های رقیب

Arena ویدئوهای مدل‌ها را بر اساس ترجیح رأی‌دهندگان مقایسه می‌کند. در جدول‌های بررسی‌شده در ۶ نوامبر ۲۰۲۶ (۱۵ آبان ۱۴۰۵)، امتیازهای جمنای امنی ۱.۲ فلش در هر سه آزمون با برچسب «اولیه» آمده‌اند.

• در آزمون تبدیل متن به ویدئو، نسخه ۱.۲ امتیاز ۱۵۴۱ با حاشیه ۱۵± و ۱٬۷۴۲ رأی داشت. نسخه ۱.۱ در همین آزمون امتیاز ۱۵۱۴ با حاشیه ۱۵± ثبت کرد.

• در آزمون تبدیل عکس به ویدئو، نسخه ۱.۲ امتیاز ۱۵۰۲ با حاشیه ۱۲± و ۲٬۷۴۵ رأی گرفت. MiniMax H3 امتیاز ۱۴۹۳ و نسخه ۷۲۰p مدل Dreamina Seedance 2.5 امتیاز ۱۴۸۸ داشتند. جمنای امنی ۱.۱ فلش نیز امتیاز ۱۴۸۶ گرفت.

• در آزمون ویرایش ویدئو، نسخه ۱.۲ امتیاز ۱۳۹۵ با حاشیه ۱۶± و ۱٬۱۹۶ رأی ثبت کرد. Wan 3.0 با ۱۴۲۳ و نسخه ۷۲۰p مدل Dreamina Seedance 2.5 با ۱۴۱۶ بالاتر از مدل گوگل قرار گرفتند.

هر امتیاز به همان نوع کار و رأی‌های ثبت‌شده در آن جدول مربوط است. تعداد رأی‌ها و حاشیه امتیاز میان مدل‌ها متفاوت است.

کاربردهای تجاری Gemini Omni 1.2 Flash در تولید ویدئو

در گزارش گوگل کلاد، چند نمونه از استفاده شرکت‌ها آمده است. برای مثال، Photoroom از مدل برای ساخت آگهی و متحرک‌کردن تصاویر محصول استفاده می‌کند. FLORA هم از تغییر پس‌زمینه یا رنگ محصول و تغییر سبک ویدئوی موجود به‌عنوان نمونه کاربرد نام می‌برد. این موارد از گزارش گوگل و گفته مشتریان آن نقل شده‌اند.

گوگل کلاد برای مشتریان سازمانی ظرفیت پردازش رزروشده (Provisioned Throughput) ارائه می‌کند. خروجی‌ها نیز نشان نامرئی SynthID دارند که به تشخیص محتوای تولیدشده با هوش مصنوعی کمک می‌کند.

نحوه دسترسی به مدل جمنای امنی ۱.۲ فلش

عرضه عمومی در Gemini API و Gemini for business در ۵ نوامبر ۲۰۲۶ (۱۴ آبان ۱۴۰۵) اعلام شد. توسعه‌دهندگان می‌توانند در Google AI Studio نمونه اولیه بسازند و کسب‌وکارها می‌توانند از کنسول و رابط برنامه‌نویسی گوگل کلاد استفاده کنند. منطقه‌های پشتیبانی‌شده در گوگل کلاد به محل ارائه مدل بستگی دارند و در مستندات همان سرویس فهرست شده‌اند.

گوگل از عرضه برای مشترکان Google AI Ultra در اپ جمنای خبر داده است. گوگل فلو رایگان برای ساخت و ویرایش صحنه و Google Ads برای تولید محتوای کمپین از دیگر مسیرهایی هستند که گوگل معرفی کرده است.

در اطلاعیه Google Workspace برای گوگل ویدز، شروع عرضه ۵ نوامبر ۲۰۲۶ (۱۴ آبان ۱۴۰۵) اعلام شده و گوگل گفته نمایش قابلیت ممکن است یک تا سه روز طول بکشد. حساب‌های شخصی گوگل و برخی پلن‌های Workspace مشمول عرضه‌اند. گوگل ساخت کلیپ ۱۵ ثانیه‌ای در Vids را برای حساب‌های واجد شرایط بدون هزینه اضافه معرفی کرده است.

گوگل حرکت سریع ورزشی، تغییر سریع متن دیالوگ و فیزیک پیچیده را از مواردی می‌داند که همچنان روی بهبودشان کار می‌کند.

گوگل ویدز Google Vids چیست؟ آموزش ساخت ویدیو در ۸ گام

جمع‌بندی

جمنای امنی ۱.۲ فلش نسبت به نسخه ۱.۱ کلیپ طولانی‌تری می‌سازد و تعرفه خروجی ۷۲۰p آن کمتر است. تغییرات ویرایش هم به کاربران اجازه می‌دهد یک کلیپ را در چند نوبت اصلاح کنند. در نتایج اولیه Arena، مدل در ساخت ویدئو از متن و تصویر در ردیف اول قرار گرفت و در ویرایش ویدئو سوم شد.