Δημιουργία AI βίντεο έως 40 δευτερόλεπτα με ανάλυση 4K

Σύνοψη

• Επέκταση παραγόμενων βίντεο μέσω AI στα 40 δευτερόλεπτα, με σταδιακές προσθήκες των 10 δευτερολέπτων.
• Δραματικά βελτιωμένη οπτική «μνήμη» 10 δευτερολέπτων (αντί για 1 δευτερόλεπτο), εξασφαλίζοντας απόλυτη συνοχή σε πρόσωπα και περιβάλλον.
• Δυνατότητα αυστηρού ορισμού του αρχικού και του τελικού καρέ (start/end frames) για περίπλοκες κινήσεις κάμερας.
• Υποστήριξη βίντεο αναφοράς διάρκειας 3 δευτερολέπτων για τη διατήρηση των φυσικών χαρακτηριστικών ενός υποκειμένου.
• Δημιουργία προσχεδίων (previews) σε ανάλυση 360p, με 60% μεγαλύτερη ταχύτητα και τεράστια μείωση του κόστους επεξεργασίας.
• Τελική εξαγωγή αρχείων (rendering) σε ανάλυση 1080p, συνοδευόμενη από ενσωματωμένο σύστημα αυτόματου upscaling στα 4K.
• Άμεση διαθεσιμότητα για τους προγραμματιστές μέσω του Gemini API και σταδιακή ενσωμάτωση στους Έλληνες συνδρομητές της εφαρμογής Gemini.

Η δημιουργία συνεκτικών και ρεαλιστικών βίντεο μέσω παραγωγικής τεχνητής νοημοσύνης αποτελεί ίσως την πιο απαιτητική πρόκληση για τις μεγάλες εταιρείες τεχνολογίας, καθώς η διατήρηση της οπτικής σταθερότητας από το πρώτο έως το τελευταίο καρέ απαιτεί τεράστιους υπολογιστικούς πόρους. 

Η Google παρουσιάζει το Gemini Omni 1.1 Flash, ένα εξελιγμένο μοντέλο παραγωγής βίντεο το οποίο εστιάζει στην επίλυση αυτού ακριβώς του προβλήματος, προσφέροντας στους προγραμματιστές και τους δημιουργούς περιεχομένου απαράμιλλο έλεγχο πάνω στο τελικό αποτέλεσμα. Η ειδοποιός διαφορά του νέου συστήματος έγκειται στην ικανότητα του να κατανοεί βαθύτερα το οπτικό πλαίσιο, επιτρέποντας τη δημιουργία σκηνών που διαθέτουν σαφή αφηγηματική δομή, φυσική ροή και υψηλή πιστότητα, χωρίς τις ακούσιες παραμορφώσεις που χαρακτήριζαν τις προηγούμενες γενιές των πολυτροπικών μοντέλων.

Πώς το Gemini Omni 1.1 Flash βελτιώνει την παραγωγή βίντεο;

Το νέο Gemini Omni 1.1 Flash προσφέρει επέκταση βίντεο έως 40 δευτερόλεπτα, αναλύοντας 10 ολόκληρα δευτερόλεπτα προηγούμενου υλικού για απόλυτη συνοχή. Επιτρέπει τη δημιουργία προεπισκοπήσεων σε ανάλυση 360p με 60% μεγαλύτερη ταχύτητα, ενώ το τελικό αρχείο μπορεί να αναβαθμιστεί σε ανάλυση 4K.

Η σημαντικότερη τεχνολογική αναβάθμιση του Omni 1.1 Flash εστιάζεται στη δραματική αύξηση της «μνήμης» του μοντέλου κατά τη διάρκεια της παραγωγής βίντεο. Ένα από τα πιο συνηθισμένα φαινόμενα κατά τη χρήση AI εργαλείων για την παραγωγή κινούμενης εικόνας είναι η χωρική αστάθεια (spatial instability), όπου τα αντικείμενα στο παρασκήνιο αλλάζουν σχήμα αδικαιολόγητα (morphing) ή εμφανίζεται έντονο τρεμόπαιγμα (flickering) στα υφάσματα και τις επιφάνειες. Μέχρι πρότινος, τα συστήματα τεχνητής νοημοσύνης βασίζονταν σχεδόν αποκλειστικά στο αμέσως προηγούμενο δευτερόλεπτο για να υπολογίσουν τη συνέχεια μιας σκηνής, γεγονός που οδηγούσε αναπόφευκτα σε οπτικές ασυνέπειες. Το νέο μοντέλο της Google μπορεί πλέον να αναλύσει και να λάβει υπόψη του έως και 10 δευτερόλεπτα προηγούμενου υλικού.

Αυτή η αυξημένη δυνατότητα συγκράτησης οπτικών πληροφοριών λειτουργεί ως μια σταθερή χωροχρονική άγκυρα, εξασφαλίζοντας ότι οι χαρακτήρες διατηρούν την ενδυμασία και την εμφάνιση τους, ο φωτισμός παραμένει σταθερός και η γενικότερη κατεύθυνση της σκηνής ακολουθεί μια λογική αλληλουχία. Ακόμη, η πλατφόρμα δίνει τη δυνατότητα στους χρήστες να επεκτείνουν τα βίντεο τους τμηματικά. Η διαδικασία αυτή πραγματοποιείται σε ασφαλείς προσθήκες των 10 δευτερολέπτων, μέχρι η τελική διάρκεια του βίντεο να φτάσει τα 40 δευτερόλεπτα, παρέχοντας τον απαραίτητο χώρο ώστε να αναπτυχθεί μια πλήρης σκηνή με ευδιάκριτη αρχή, μέση και τέλος για τις σύγχρονες ψηφιακές καμπάνιες.

Ποιες είναι οι νέες λειτουργίες σκηνοθεσίας και ελέγχου κάδρου;

Οι δημιουργοί μπορούν να ορίσουν ρητά το πρώτο και το τελευταίο καρέ, με την τεχνητή νοημοσύνη να δημιουργεί ομαλά την ενδιάμεση κίνηση. Παράλληλα, το σύστημα δέχεται έως 3 δευτερόλεπτα υπάρχοντος βίντεο ως σημείο αναφοράς, διασφαλίζοντας την ακριβή διατήρηση των χαρακτηριστικών ενός προσώπου ή περιβάλλοντος.

Ουσιαστικά, η Google επιχειρεί να μετατρέψει την τεχνητή νοημοσύνη από έναν απρόβλεπτο παραγωγό τυχαίων εικόνων σε ένα αξιόπιστο, καθημερινό σκηνοθετικό εργαλείο. Με την προσθήκη της λειτουργίας ορισμού αρχικού και τελικού καρέ (start and end frames), οι δημιουργοί αποκτούν την ικανότητα να καθοδηγούν το μοντέλο με απόλυτη ακρίβεια ως προς την επιθυμητή κατάληξη ενός πλάνου. 

Το Gemini αναλαμβάνει την ευθύνη να δημιουργήσει όλο το ενδιάμεσο περιεχόμενο που απαιτείται για να συνδεθούν οι δύο εικόνες απολύτως φυσικά. Η συγκεκριμένη τεχνική κρίνεται ιδανική για την παραγωγή πολύπλοκων κινήσεων της κάμερας (pans και tilts) γύρω από ένα κεντρικό αντικείμενο, για ομαλές μεταβάσεις (zooms) μεταξύ διαφορετικών συνθέσεων ή για τη δημιουργία βίντεο που επαναλαμβάνονται αέναα (perfect loops) χωρίς να γίνεται αντιληπτό το σημείο τομής. Πέραν του ελέγχου των καρέ, η δυνατότητα ενσωμάτωσης βίντεο αναφοράς αυξάνει κατακόρυφα την παραγωγική αξία. Εισάγοντας ένα προσωπικό κλιπ διάρκειας έως και τριών δευτερολέπτων, το μοντέλο αποκτά ισχυρότερο οπτικό πλαίσιο και κρατάει αναλλοίωτα τα φυσικά χαρακτηριστικά των πρωταγωνιστών.

Ποιο είναι το κόστος και η διαδικασία επεξεργασίας;

Η δοκιμή ιδεών επιταχύνεται μέσω παραγωγής βίντεο σε ανάλυση 360p, η οποία είναι 60% ταχύτερη και κοστίζει το ένα τρίτο σε σύγκριση με τα 720p. Μετά την οριστικοποίηση, το σύστημα εξάγει το υλικό εγγενώς σε 1080p, ενώ προσφέρει αυτόματο upscaling σε ανάλυση 4K.

Η παραγωγή υψηλής ποιότητας βίντεο μέσω AI συνοδεύεται συχνά από απαγορευτικό κόστος χρήσης και τεράστιους χρόνους αναμονής, στοιχείο που λειτουργεί αποτρεπτικά για τον καθημερινό πειραματισμό των δημιουργικών γραφείων. Η προσέγγιση του Gemini Omni 1.1 Flash ενσωματώνει μια εξαιρετικά πρακτική λύση που ανταποκρίνεται στις πραγματικές ανάγκες της αγοράς, όπως τη δημιουργία προεπισκοπήσεων χαμηλότερης ανάλυσης. 

Παρέχοντας τη δυνατότητα παραγωγής δοκιμαστικών βίντεο στα 360p, η διαδικασία ολοκληρώνεται έως και 60% πιο γρήγορα σε σχέση με την τυπική έξοδο των 720p. Ταυτόχρονα, το κόστος για τη δημιουργία αυτών των προσχεδίων μειώνεται περίπου στο ένα τρίτο, γεγονός που επιτρέπει στις ομάδες να δοκιμάζουν πολλαπλά prompts (οδηγίες κειμένου), να τροποποιούν τις ιδέες τους και να καταλήγουν στο επιθυμητό αποτέλεσμα πριν προχωρήσουν στην τελική παραγωγή. Όταν ο δημιουργός μείνει ικανοποιημένος, το σύστημα αναλαμβάνει την τελική απόδοση (render) στα 1080p, ενώ χρησιμοποιεί εξελιγμένους αλγορίθμους upscaling προκειμένου το τελικό αρχείο να αγγίξει τα 4K, ικανοποιώντας τις υψηλότερες επαγγελματικές προδιαγραφές.

Διαθεσιμότητα

Το Gemini Omni 1.1 Flash διατίθεται άμεσα στους προγραμματιστές μέσω του Gemini API στο Google AI Studio και στην πλατφόρμα Agent για επιχειρήσεις. Επιπλέον, ενσωματώνεται σταδιακά στην κεντρική εφαρμογή του Gemini για τους Έλληνες συνδρομητές των πακέτων AI Plus, Pro και Ultra.