Το Gemini Omni της Google μετατρέπει το βιντεομοντάζ σε συνομιλία

Τι περιλαμβάνει σήμερα πραγματικά το Omni Flash

Η Google κυκλοφορεί το πρώτο μοντέλο μιας νέας οικογένειας — το Gemini Omni Flash — και το παρουσιάζει ως τον διάδοχο της περσινής δουλειάς πάνω στο Nano Banana για εικόνες. Η ιδέα είναι ένα μοναδικό μοντέλο που δέχεται εικόνες, ήχο, βίντεο και κείμενο ως είσοδο και παράγει υψηλής ποιότητας βίντεο ως έξοδο.

Το Omni είναι το νέο μας μοντέλο που μπορεί να δημιουργήσει οτιδήποτε από οποιαδήποτε είσοδο — ξεκινώντας από το βίντεο.Montana Labs

Η φράση «ξεκινώντας από το βίντεο» έχει μεγάλη σημασία εδώ. Η έξοδος είναι αποκλειστικά βίντεο κατά την κυκλοφορία, ενώ η Google δηλώνει ότι η έξοδος εικόνας και ήχου θα έρθει «με τον καιρό». Έτσι, παρά τη διατύπωση «οτιδήποτε από οποιαδήποτε είσοδο», το Omni Flash είναι προς το παρόν ένα σύστημα με πολλαπλές εισόδους και μία μόνο μορφή εξόδου.

Ο κύκλος συνομιλιακής επεξεργασίας είναι η πραγματική αξιωσή του προϊόντος

Το πιο συγκεκριμένο διαφοροποιητικό στοιχείο της ανακοίνωσης είναι η δυνατότητα διατήρησης κατάστασης σε επεξεργασία πολλαπλών γύρων. Το παράδειγμα της Google παρουσιάζει ένα κλιπ με έναν βιολονίστα που μεταφέρεται προγρεσιστικά σε ένα νέο περιβάλλον, γίνεται το βιολί αόρατο και στη συνέχεια αλλάζει η γωνία λήψης σε πλάνο πάνω από τον ώμο — κάθε εντολή χτίζεται πάνω στην προηγούμενη.

Η Google περιγράφει την αξία με σαφήνεια: «Κάθε εντολή χτίζεται πάνω στην προηγούμενη. Οι χαρακτήρες σας παραμένουν συνεπείς, η φυσική διατηρείται και η σκηνή θυμάται τι προηγήθηκε». Αυτή η συμπεριφορά μνήμης μεταξύ γύρων είναι αυτό που διαφοροποιεί ένα εργαλείο επεξεργασίας από έναν γεννήτορα μονής χρήσης, και είναι η ικανότητα που οι επιδείξεις έχουν σχεδιαστεί να αποδείξουν.

Η εταιρεία στηρίζεται επίσης στη φυσική και τη γνώση του κόσμου ως στοιχείο διαφοροποίησης, αναφέροντας βελτιωμένο χειρισμό της βαρύτητας, της κινητικής ενέργειας και της δυναμικής των ρευστών, καθώς και παραδείγματα όπως μια εξήγηση της αναδίπλωσης πρωτεϊνών με τεχνική πλαστελίνης και ένα μοντάζ αλφαβήτου 26 γραμμάτων. Το επαναλαμβανόμενο επιχείρημα είναι ότι το Omni συλλογίζεται τι πρέπει να συμβεί στη συνέχεια αντί να ταιριάζει απλά μοτίβα.

Οι είσοδοι ήχου και τα avatar κυκλοφορούν σκόπιμα περιορισμένα

Η αφήγηση για τις εισόδους έχει σαφείς επιφυλάξεις. Από τους τέσσερις τύπους εισόδου, ο ήχος είναι ο πιο περιορισμένος: «αρχικά θα υποστηρίζονται μόνο αναφορές φωνής για τον ήχο», με άλλους τύπους εισόδου ήχου να υπόσχονται αργότερα. Αρκετές από τις παρουσιαζόμενες εντολές — όπως ο συγχρονισμός ήχων άρπας με το άγγιγμα φυλλωμάτων φτέρης ή αλλαγές στιλ συγχρονισμένες με τον ρυθμό — εξαρτώνται από πλουσιότερη είσοδο ήχου που δεν είναι ακόμη πλήρως διαθέσιμη.

Ως προς την ομοιότητα προσώπου, η Google κυκλοφορεί τα Avatars ώστε οι χρήστες να μπορούν να δημιουργούν βίντεο με τη δική τους φωνή, αλλά κρατάει ρητά πίσω την ευρύτερη δυνατότητα επεξεργασίας ήχου και ομιλίας σε οποιοδήποτε βίντεο, δηλώνοντας ότι «συνεχίζουμε να δοκιμάζουμε αυτό και να κατανοούμε καλύτερα πώς μπορούμε να φέρουμε αυτή τη δυνατότητα στους χρήστες με υπεύθυνο τρόπο». Κάθε βίντεο του Omni φέρει το μη αντιληπτό υδατογράφημα SynthID, το οποίο μπορεί να επαληθευτεί μέσω της εφαρμογής Gemini, του Gemini στο Chrome και της Αναζήτησης Google.

Η κίνηση διανομής: δωρεάν στο YouTube Shorts, επί πληρωμή στο Flow

Το σχέδιο κυκλοφορίας αξίζει προσεκτική ανάγνωση. Το Omni Flash διατίθεται στους συνδρομητές επί πληρωμή του Google AI Plus, Pro και Ultra μέσω της εφαρμογής Gemini και του Google Flow, αλλά φτάνει επίσης «χωρίς κόστος» στο YouTube Shorts και στην εφαρμογή YouTube Create αυτή την εβδομάδα.

Η ενσωμάτωση ενός μοντέλου παραγωγής βίντεο στο Shorts δωρεάν είναι ένα στοίχημα από την πλευρά της ζήτησης: εμφυτεύει την έξοδο του Omni απευθείας σε μία από τις μεγαλύτερες πλατφόρμες βίντεο μικρής διάρκειας, πριν οι προγραμματιστές και οι εταιρικοί πελάτες αποκτήσουν πρόσβαση στο API, η οποία σύμφωνα με τη Google θα έρθει «τις επόμενες εβδομάδες».

Η συγκεκριμένη επίπτωση: η διατήρηση κατάστασης στην επεξεργασία είναι αυτό που πρέπει να δοκιμαστεί

Για τις ομάδες που αξιολογούν το Omni, αυτό που έχει σημασία δεν είναι ο φωτορεαλισμός — είναι το αν η σκηνή πραγματικά «θυμάται τι προηγήθηκε» σε πολλές επεξεργασίες χωρίς να παρεκκλίνει ως προς την ταυτότητα του χαρακτήρα, τη φυσική ή τη συνέχεια. Αυτή η διατήρηση, αν επιβεβαιωθεί και πέρα από επιλεγμένες επιδείξεις, είναι αυτό που θα καθιστούσε το Omni χρησιμοποιήσιμο ως εργαλείο επεξεργασίας και όχι ως γεννήτορα που πρέπει να ξαναρωτήσετε από την αρχή.

Η ειλικρινής ανάγνωση της σημερινής κυκλοφορίας: η είσοδος-έξοδος βίντεο με συνομιλιακή βελτίωση είναι ήδη διαθέσιμη και ευρέως διανεμημένη, ενώ οι πλουσιότερες είσοδοι ήχου, οι μη-βίντεο έξοδοι, η γενική επεξεργασία ομιλίας και η πρόσβαση στο API είναι προγραμματισμένες για αργότερα. Το κενό ανάμεσα στο «δημιουργήστε οτιδήποτε από οποιαδήποτε είσοδο» και σε αυτό που κάνει το Omni Flash αυτή την εβδομάδα είναι ο οδικός χάρτης που η Google ζητά από τους χρήστες να συμπληρώσουν με τον καιρό.