IT之家 11月6日の報道によると、グーグルは正式にGemini Omni 1.2 Flashビデオ生成モデルを公開し、Gemini APIおよびGemini for businessプラットフォームで利用が全面的に開始された。
新バージョンのモデルでは、生の15秒ビデオ生成、複数回の対話型編集、より強力な参照遵守能力が実現されています。また、1.1バージョンに比べて30%の価格ダウンとなり、720pビデオ生成の価格は1秒あたり0.07ドルです（IT之家注：現在の為替レートで約0.47元に相当）。
規模化のコスト削減に関しては、新しいワークフローではまず360pまたは720pで迅速に作成し、後続の編集を通じて詳細を修正することで、全体のセグメントを再生成する必要はありません。最後に完成品を1080pまたは4Kにアップグレードすることで、使用コストをさらに削減できます。
フレームレートにおいて、Gemini Omni 1.2 Flashは、1.1版の10秒から、最大15秒までのビデオ長を本格的にサポートし、1秒単位で3秒から15秒の範囲内でカスタム長を設定できる。これにより、完全なストーリー、製品説明、またはソーシャル広告のフレームを一度に生成することが可能になる。
参考遵守の面では、ユーザーは役割、製品、またはスタイルの画像、最長3秒の動画フレーム、音声の手がかりを組み合わせて生成することができ、モデルは全過程において、異なるカメラ角度における顔、服装、パッケージのフォント、ブランドの色の一貫性を保つことができる。これにより、既存の製品画像やキャラクター設定画像を仮想試着、製品回転展示、ブランドのビデオ広告に変換することが容易になる。
結果一貫性において、新バージョンの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、シーンを強力に一貫させることができ、動きやカットスルーの過程で視覚的なずれや変形を減少させます。最初と最後の重要フレーム間でのインターリーブを行う場合でも、セグメントを延長して長いシーケンスを構築する場合でも、製品、キャラクター、小道具、環境は異なるカット間で統一された状態を保ちます。
対話型編集において、ユーザーは同じフレームを繰り返し調整することができます。例えば、製品や背景を変更したり、光や天気を修正したり、画面比率を変更したりします。最初から再生成する必要はなく、この複数回の対話編集機能により、全15秒のフレームをカバーでき、異なるターゲットや掲載位置に合わせた広告バージョンを簡単に作成できます。プロンプトを再作成したり、再生成する必要はありません。
音声効果において、新バージョンのモデルはより滑らかで自然な会話を生成し、より明確な口形同期を実現します。複数の話者条件の制御もサポートしており、Flowでの監督による複数キャラクターの対話、Gemini for businessでの解説型動画制作、そしてGoogle Vidsでのデジタル人間や音楽、ナレーションを含む専門的な動画制作に適しています。
映画級の画質制御において、ユーザーは複雑な連続するカメラアングルの動きを操作できます。例えば、パノラマFPVの横切り、ドラマチックな遠近変化、サークルカメラなどです。これにより、不要なカット割り当てが大幅に減少し、より安定したズーム比率と精緻な映画のような質感が保たれます。
現在、Gemini Omniは初めて完全に正式に利用可能になりました。Google Cloudのエンタープライズレベルのインフラとセキュリティ機能に依存して、プロビジョンされたスループット（Provisioned Throughput）をサポートし、生成されるコンテンツには肉眼では見えないSynthIDのウォッチマークが付加されています。
開発者はGoogle AI Studioを利用してプロトタイプの調整、ドキュメントの閲覧、価格設定を行うことができる。企業ユーザーはGoogle Cloudコンソールで体験することができ、一般ユーザーはFlowでシーンを演出し複数回の編集を行い、Google Vidsで無料で15秒間の動画を生成し、Gemini AppはGoogle AI Ultraのサブスクリーバー向けに段階的に配信され、Google Adsでは大規模なビデオ広告の掲載が可能である。