Nowe Gemini Omni 1.2 Flash. Fabryka 15-sekundowych reklam

Dariusz Hałas

Dodane: 2 godziny temu

Dotychczasowa praca z generatorami wideo opartymi na sztucznej inteligencji przypominała grę w kasynie. Twórca wpisywał prompt, czekał kilkadziesiąt sekund i liczył na łut szczęścia. Gdy w połowie ujęcia dłoń bohatera zamieniała się w bezkształtną masę, cały klip lądował w koszu, a licznik opłat w chmurze bił od nowa. Zaprezentowany przez Google DeepMind model Gemini Omni 1.2 Flash próbuje przeciąć tę frustrację.

Zamiast gonić za pełnometrażowym kinem, Google stworzyło narzędzie o ściśle utylitarnym przeznaczeniu: tanią, konwersacyjną fabrykę krótkich form wideo, skrojoną idealnie pod e-commerce i formaty reklamowe.

Koniec z jednorękim bandytą: edycja zamiast losowania od nowa

Najważniejszą zmianą w Omni 1.2 Flash nie jest rozdzielczość, lecz wprowadzenie wieloturowej edycji konwersacyjnej (multi-turn editing). Model przestaje traktować każde polecenie jak czystą kartę. Użytkownik może wygenerować bazową scenę, a następnie kolejnymi promptami wymieniać w niej pojedyncze elementy – podmienić tło z namiotu na gęsty las, zmienić oświetlenie czy warunki pogodowe – bez naruszania pozycji postaci, kąta ustawienia kamery czy odbić światła na rekwizytach.

Zmianie uległa także sama filozofia kosztowa pracy produkcyjnej:

Tani szkic roboczy: twórca może generować wersje robocze w rozdzielczości 360p lub 720p, przy czym dla jakości 720p cena wynosi 0,07 dolara za sekundę (co oznacza 30-procentową obniżkę względem wersji 1.1).
Punktowe poprawki: modyfikacje nanosi się w dialogu z modelem, eliminując konieczność renderowania całej sceny od zera przy drobnej pomyłce.
Skalowanie na finale: dopiero po zatwierdzeniu kadru i dynamiki ruchu ujęcie można podbić do docelowej jakości 1080p lub 4K.

Taki workflow zbliża wreszcie generatywne wideo do pracy na warstwach w tradycyjnych programach montażowych, zamiast zmuszać studia do płacenia za dziesiątki losowych prób.

Magiczne 15 sekund: format skrojony pod Google Ads i e-commerce

Google wydłużyło maksymalny czas trwania pojedynczego ujęcia z 10 do 15 sekund (z możliwością precyzyjnego określania długości w krokach co do sekundy, w przedziale od 3 do 15 s). W języku tradycyjnej kinematografii 15 sekund to zaledwie jedno ujęcie, ale w ekosystemie giganta z Mountain View to format strategiczny.

Piętnaście sekund to standardowa długość niepomijalnego spotu pre-roll na YouTube oraz bazowa jednostka dla formatów wertykalnych na TikToku czy Instagram Reels. Google zresztą nie kryje intencji – model trafia bezpośrednio do Google Ads do automatycznego skalowania kampanii wideo, a także do Google Cloud, Gemini API, narzędzia Flow, Google Vids oraz aplikacji Gemini (dla subskrybentów planu Ultra).

Dużym atutem dla handlu internetowego jest ulepszone trzymanie referencji (reference adherence). Model potrafi wygenerować spójny materiał na podstawie zdjęć produktu i sylwetki modela. Algorytm utrzymuje stały krój odzieży, układ tkaniny podczas obrotu postaci o 360 stopni oraz liternictwo na etykietach opakowań, bez charakterystycznego dla wczesnych modeli „pływania” typografii. Dla e-commerce oznacza to możliwość tworzenia wirtualnych przymierzalni i wideo-katalogów bezpośrednio ze zdjęć produktowych.

Gdzie leżą granice? Fizyka wciąż na liście wyzwań

Mimo odczuwalnego postępu w kontroli nad kadrem, technologia generowania wideo wciąż mierzy się z twardymi barierami obliczeniowymi. Wydłużenie ujęcia do zaledwie 15 sekund pod koniec 2026 roku pokazuje, jak trudnym zadaniem pozostaje utrzymanie logicznej spójności sceny w dłuższym czasie.

Samo Google DeepMind w oficjalnym komunikacie otwarcie przyznaje, że prace nad modelem wciąż trwają, a inżynierowie nadal dopracowują kwestie szybkiej akcji sportowej, gwałtownych zmian scenariusza oraz symulacji złożonych zjawisk fizycznych. Tam, gdzie w grę wchodzi skomplikowana dynamika ruchu czy nietypowe interakcje między obiektami, algorytmy dyfuzyjne wciąż potrafią generować nienaturalne zniekształcenia. Wszystkie wygenerowane materiały są trwale oznaczane niewidocznym cyfrowym znakiem wodnym SynthID.

Gemini Omni 1.2 Flash nie zastąpi profesjonalnych ekip filmowych przy ambitnych produkcjach fabularnych. Jest jednak czymś znacznie bardziej pragmatycznym: szybkim, przewidywalnym automatem, który pozwala agencjom i markom wygenerować poprawny spot produktowy w kilka chwil za ułamek dotychczasowych kosztów.