Google Deepmind 正在将其 Gemini Omni 1.2 Flash 视频生成模型全面开放。更新后的模型可生成最长 15 秒的片段，支持对话式编辑，且成本比前代低 30%。
Google 表示 Gemini Omni 1.2 Flash 正通过以下渠道推出：Gemini API、Google AI Studio、Google Cloud Console、Flow、Google Vids、面向 Google AI Ultra 订阅者的 Gemini 应用，以及 Google Ads。每个生成的视频都带有不可感知的SynthID水印，以标明其来源。
片段时长现可在 3 至 15 秒之间，此前最长为 10 秒；720p 视频的价格下降 30%，至每秒 0.07 美元。生成的片段还可以通过持续对话进行编辑。
一个突出的功能是 Google 所称的“对话式编辑”。用户可以逐步调整生成的片段，更改背景、光照或宽高比，而无需重新生成整个片段。Google 表示该功能可在完整的 15 秒长度内生效。配合分层工作流，该功能旨在降低成本。草稿首先以 360p 或 720p 创建，个别细节通过后续编辑修正，只有最终结果才被放大至 1080p 或 4K。
Google 承诺使用参考图像可获得更一致的结果
Google 还承诺显著更好的参考遵循度。根据公告，该模型可以接受人物图像、产品照片、最长 3 秒的短运动片段以及音频提示作为输入。人脸、服装、包装字体和品牌颜色应在不同摄像机角度下保持一致。
作为示例，Google 展示了一段虚拟试穿片段。仅凭一张模特照片和三套服装的产品图，该模型便生成了一段 15 秒、包含 360 度转身的序列，同时保持模特的身份以及每件服装的剪裁和垂坠感。
整体视觉一致性据说也有所提升。Google 表示，与前代相比，在运动和镜头转场中的视觉漂移或变形更少。
除此之外，Gemini Omni 1.2 Flash 据称能生成更流畅、更自然的对话，唇形同步更清晰，并能区分多个说话者。该模型还能处理复杂、连续的镜头运动，例如 FPV 无人机飞行或戏剧性的拉远镜头，且不需要的跳切显著减少。