Gemini Omni 1.2 Flash: tańsze wideo AI z edycją

Google udostępniło szerokiemu gronu odbiorców Gemini Omni 1.2 Flash — nowszą wersję swojego modelu do generowania materiałów wideo. Zmiany dotyczą trzech obszarów: długości klipów, możliwości ich poprawiania oraz kosztów. Producent poinformował o tym w czwartek, a wdrożenie obejmuje zarówno narzędzia dla konsumentów, jak i usługi chmurowe dla firm.

Najważniejsza informacja dla osób rozliczających budżety na produkcję treści jest prosta: cena spadła o blisko jedną trzecią. To zmiana, która może przesunąć próg opłacalności generatywnego wideo z fazy eksperymentów do codziennej pracy.

Co dokładnie zmienia Gemini Omni 1.2 Flash

Model dostępny jest teraz publicznie, a nie wyłącznie w ograniczonym trybie testowym. W porównaniu z wersją pokazaną w maju na konferencji I/O, gdzie klipy ograniczały się do dziesięciu sekund, zaszło kilka istotnych modyfikacji. Poniżej najważniejsze z nich.

Dłuższe ujęcia i niższa cena za sekundę

Pojedyncze nagranie może teraz trwać do piętnastu sekund, podczas gdy wcześniej limit wynosił dziesięć. Koszt generowania materiału w rozdzielczości 720p przez Gemini API spadł z około 0,10 dolara za sekundę (czerwiec) do mniej więcej 0,07 dolara. Łącznie oznacza to obniżkę rzędu 30 procent.

Edycja prowadzona w rozmowie, a nie od zera

Zamiast tworzyć nowy klip po każdej korekcie, użytkownik może modyfikować istniejący materiał w kilku kolejnych turach czatu. W praktyce oznacza to możliwość podmiany produktu, zmiany tła czy dostosowania oświetlenia bez rezygnacji z wcześniej zaakceptowanych elementów sceny. To funkcja, która najbardziej zbliża generowanie wideo do pracy montażowej.

Większa spójność detali

Twórcy modelu zwracają uwagę na lepsze zachowanie ciągłości w obrębie ujęcia. Twarze, ubrania, tekst na opakowaniach oraz kolory marki mają pozostawać bardziej stabilne przy zmianach kąta kamery. Wewnętrzne testy Google DeepMind wykazały, że oceniający preferowali wersję 1.2 nad 1.1 pod kątem spójności wizualnej w 62 procentach przypadków. Mniej ma być też widocznych błędów i niechcianych cięć.

Gdzie można korzystać z nowego modelu

Wdrożenie obejmuje kilka produktów jednocześnie, co pokazuje, że Google traktuje ten model jako element szerszego ekosystemu, a nie osobną zabawkę.

• Flow — narzędzie do pracy nad materiałami wideo,
• Google Vids — rozwiązanie dla firm i zespołów,
• Google Ads — generowanie kreacji reklamowych,
• aplikacja Gemini — dla subskrybentów planu AI Ultra,
• Google Cloud — pierwszy raz model Omni jest ogólnie dostępny w chmurze, co otwiera drogę firmom budującym własne aplikacje.

Każde wygenerowane nagranie otrzymuje niewidoczny znak wodny SynthID. To rozwiązanie pozwala identyfikować materiały powstałe z udziałem AI, choć nie zmienia ich wyglądu.

Ograniczenia i konkurencja

Mimo postępu Google otwarcie przyznaje, że model wciąż ma słabe punkty. Wskazuje na trudności z szybkimi sekwencjami sportowymi, błyskawicznymi zmianami w scenariuszu oraz skomplikowaną fizyką ruchu. To obszary, w których generatywne wideo najczęściej się „rozjeżdża”, więc ich wymienienie przez producenta jest sygnałem, gdzie warto zachować ostrożność.

Konkurencja nie śpi. Seedance 2.5 od ByteDance, zaprezentowany w czerwcu, generuje klipy trwające pół minuty — dwukrotnie dłużej niż nowy Gemini. Warto też spojrzeć na rankingi popularności modeli wideo: w jednym z zestawień Google jest jedyną amerykańską firmą w pierwszej dziesiątce, a pozostałe dziewięć miejsc zajmują modele chińskie. To pokazuje, że rywalizacja o jakość i dostępność generowanego wideo rozgrywa się dziś głównie między USA a Chinami.

Dla polskich twórców i zespołów marketingowych najistotniejsze są jednak dwa czynniki: koszt i możliwość iteracyjnej pracy. Niższa cena za sekundę oraz edycja prowadzona w czacie zmniejszają liczbę podejść potrzebnych do uzyskania akceptowalnego materiału. W praktyce oznacza to mniej generowanych wariantów, a więc i mniejsze zużycie budżetu.

Co to oznacza dla rynku wideo AI

Premiera Gemini Omni 1.2 Flash wpisuje się w wyraźny trend: modele wideo przestają być demonstracją możliwości, a stają się narzędziami produkcyjnymi. Obniżka ceny o 30 procent w ciągu kilku miesięcy to tempo, które w tradycyjnej produkcji wideo byłoby trudne do wyobrażenia. Jednocześnie ograniczenia techniczne — krótsze klipy niż u konkurencji i problemy z dynamicznymi scenami — pokazują, że technologia wciąż dojrzewa.

Najciekawszy wątek dotyczy jednak nie ceny, lecz sposobu pracy. Możliwość poprawiania klipu w kolejnych turach rozmowy zmienia rolę twórcy: z osoby generującej kolejne warianty w reżysera prowadzącego dialog z modelem. Czy takie podejście stanie się standardem w montażu reklam i materiałów firmowych? Wiele zależy od tego, jak szybko producenci rozwiążą problemy ze spójnością w trudnych scenach — i czy użytkownicy nauczą się precyzyjnie formułować polecenia.