Gemini Omni 1.2 Flash চালু আছে

Gemini Omni 1.2 Flash হলো Google DeepMind-এর তৈরি একটি ভিডিও জেনারেশন মডেল, যা এখন সম্পূর্ণভাবে বাণিজ্যিক ব্যবহারের জন্য চালু হয়েছে। Gemini Omni 1.2 Flash একবারে ১৫ সেকেন্ডের ভিডিও তৈরি করতে পারে, প্রতি সেকেন্ড হিসেবে সময়কাল নির্ধারণ, কথোপকথনভিত্তিক একাধিক ধাপে সম্পাদনা এবং রেফারেন্স ছবি ব্যবহার করে চরিত্রের সামঞ্জস্য বজায় রাখতে পারে; 720p-তে প্রতি সেকেন্ডে 0.07 ডলার, যা আগের প্রজন্মের তুলনায় 30% কম। বর্তমানে এটি Gemini API, Vids, Gemini App এবং Google Ads-এ যুক্ত হয়েছে, যার মূল লক্ষ্য ই-কমার্স উপকরণ ও বিজ্ঞাপনের স্বল্পদৈর্ঘ্য ভিডিও ব্যাপকভাবে তৈরি করা।

১৫ সেকেন্ডের নেটিভ জেনারেশন: একবারে সর্বোচ্চ ১৫ সেকেন্ডের ভিডিও তৈরি করা যায় এবং ৩ থেকে ১৫ সেকেন্ডের মধ্যে প্রতি সেকেন্ড হিসেবে সময়কাল নির্ধারণ করা যায়।
কথোপকথনভিত্তিক একাধিক ধাপে সম্পাদনা: একই ভিডিওতে ধাপে ধাপে ব্যাকগ্রাউন্ড বদলানো, আলো সামঞ্জস্য করা ও ফ্রেমের অনুপাত পরিবর্তন করা যায়, পুনরায় জেনারেট করার প্রয়োজন নেই।
মাল্টিমোডাল রেফারেন্স অনুসরণ: চরিত্রের ছবি, পণ্যের ছবি, অ্যাকশন ক্লিপ ও অডিও সংকেত একত্র করে বিভিন্ন শটে মুখ, পোশাক, প্যাকেজিংয়ের ফন্ট ও ব্র্যান্ডের রং সামঞ্জস্যপূর্ণ রাখা যায়।
প্রথম ও শেষ ফ্রেমের ইন্টারপোলেশন: শুরু ও শেষ দৃশ্যের মধ্যে স্বয়ংক্রিয়ভাবে ধারাবাহিক শট তৈরি হয়, ফলে বস্তু ও পরিবেশ ফ্রেমজুড়ে স্থির থাকে।
নেটিভ সিঙ্ক্রোনাইজড অডিও: সংলাপের সঙ্গে ঠোঁটের নড়াচড়া আরও নির্ভুল এবং বহু-চরিত্রের দৃশ্যে বিভিন্ন নমুনা কণ্ঠ সংশ্লিষ্ট চরিত্রে রাউট করা যায়।
সিনেমাটিক ক্যামেরা মুভমেন্ট: FPV ট্রাভার্সাল, চারপাশে ঘোরা ও দ্রুত দূরে সরে যাওয়ার মতো জটিল শটে আকস্মিক কাট উল্লেখযোগ্যভাবে কমে।
ধাপে ধাপে খরচ কমানোর ওয়ার্কফ্লো: প্রথমে 360p/720p-তে খসড়া তৈরি করে শুধু অসন্তোষজনক অংশ সংশোধন করুন, সন্তুষ্ট হলে 1080p বা 4K-তে আপস্কেল করুন।
এন্টারপ্রাইজ সহায়তা: আউটপুটে SynthID অদৃশ্য ওয়াটারমার্ক থাকে এবং Provisioned Throughput সংরক্ষিত থ্রুপুট সমর্থিত।

রেফারেন্স কন্ডিশন ইনজেকশন ও স্প্যাটিওটেম্পোরাল অ্যাটেনশন: রেফারেন্স ছবি, অ্যাকশন ক্লিপ ও অডিও সংকেতকে কন্ডিশনাল তথ্য হিসেবে এনকোড করে টেক্সট প্রম্পটের সঙ্গে জেনারেশন নিয়ন্ত্রণ করা হয়; স্পেশাল অ্যাটেনশন একক ফ্রেমের কম্পোজিশনের সূক্ষ্মতা সামলায়, আর টেম্পোরাল অ্যাটেনশন ফ্রেমজুড়ে পরিচয় ও গতির ধারাবাহিকতা বজায় রাখে। বিভিন্ন শটে চরিত্রের বৈশিষ্ট্য অপরিবর্তিত রাখার এটি মূল প্রক্রিয়া।
কথোপকথনভিত্তিক সম্পাদনায় স্টেট ধরে রাখা: প্রতিটি সম্পাদনা নির্দেশ একই জেনারেশন সেশনে নতুন কনটেক্সট হিসেবে প্রবেশ করে। বিদ্যমান ভিডিওর কন্ডিশনের ভিত্তিতে মডেল শুধু নির্দিষ্ট উপাদান পুনর্নির্মাণ করে এবং বাকি দৃশ্যের অভিনয়, আলোছায়া ও কম্পোজিশন ধরে রাখে। মূলত সম্পাদনাকে কন্ডিশনাল রিজেনারেশন হিসেবে মডেল করা হয়।
একই পাসে অডিও-ভিডিও জেনারেশন: অডিও ভিডিওর সঙ্গে একই ফরোয়ার্ড জেনারেশন ধাপে সরাসরি আউটপুট হয় না; বরং মডেল দৃশ্যের বিষয়বস্তু থেকে সংলাপ, সাউন্ড ইফেক্ট ও পরিবেশের শব্দ অনুমান করে। 1.2 সংস্করণে বহু-বক্তার কন্ডিশন যুক্ত হয়েছে, যা নমুনা কণ্ঠ সংশ্লিষ্ট চরিত্রে বরাদ্দ করে এবং ঠোঁটের সঙ্গে সিঙ্ক্রোনাইজ করে।
ইঞ্জিনিয়ারিংভিত্তিক খরচ কমানো: নিম্ন-রেজোলিউশনের খসড়া ও 4K আপস্কেল একই মডেলের ভিন্ন আউটপুট স্তর ব্যবহার করে। প্রতি সেকেন্ডভিত্তিক টোকেন মূল্য নির্ধারণের সঙ্গে মিলিয়ে এতে খরচ ও ছবির মানকে আলাদা রাখা যায়।

প্রবেশপথ বেছে নিন: ডেভেলপাররা Google AI Studio-তে কোড ছাড়াই ট্রায়াল করতে পারেন, এন্টারপ্রাইজ ব্যবহারকারীরা Google Cloud Console ব্যবহার করবেন, আর সাধারণ ব্যবহারকারীরা Flow, Vids বা Gemini App ব্যবহার করতে পারেন।
অ্যাক্সেস চালু করুন: API ও AI Studio ব্যবহার করতে পেইড অ্যাকাউন্ট যুক্ত করতে হবে। Gemini App-এ ১৫ সেকেন্ডের জেনারেশন বর্তমানে শুধু AI Ultra সাবস্ক্রাইবারদের জন্য সীমিত।
প্রম্পট লিখুন: দৃশ্যের বর্ণনা লিখুন। সামঞ্জস্য বজায় রাখতে হলে রেফারেন্স ছবি এবং সর্বোচ্চ ৩ সেকেন্ডের অ্যাকশন বা অডিও ক্লিপ আপলোড করুন।
সময়কাল ও স্পেসিফিকেশন নির্ধারণ করুন: ৩ থেকে ১৫ সেকেন্ডের মধ্যে প্রতি সেকেন্ড হিসেবে সময়কাল নির্ধারণ করুন এবং খরচ নিয়ন্ত্রণে শুরুতে 360p বা 720p রেজোলিউশন বেছে নিন।
জেনারেট করে পরীক্ষা করুন: প্রথমে নিম্ন-রেজোলিউশনের খসড়ার ফলাফল দেখুন। আউটপুটে ডিফল্টভাবে SynthID ওয়াটারমার্ক থাকে।
কথোপকথনভিত্তিক সম্পাদনা: স্বাভাবিক ভাষায় ধাপে ধাপে ব্যাকগ্রাউন্ড, আলো, আবহাওয়া বা ফ্রেমের অনুপাত পরিবর্তন করুন; পুরো ভিডিও পুনরায় তৈরি করার প্রয়োজন নেই।
আপস্কেল করে এক্সপোর্ট করুন: সব ঠিক থাকলে 1080p বা 4K-তে উন্নীত করুন। চূড়ান্ত আউটপুটের রেজোলিউশন ও সেকেন্ড অনুযায়ী মূল্য নির্ধারিত হবে।
ইন্টিগ্রেশন ও চালু করা: ডেভেলপাররা Gemini API-এর মাধ্যমে নিজেদের ওয়ার্কফ্লোতে এটি যুক্ত করতে পারেন।

পর্যাপ্ত দৈর্ঘ্য: একবারে নেটিভভাবে ১৫ সেকেন্ডের ভিডিও তৈরি করা যায় এবং প্রতি সেকেন্ড হিসেবে সময়কাল নির্ধারণ করা যায়, যা একটি সম্পূর্ণ সামাজিক বিজ্ঞাপন বা পণ্য ব্যাখ্যার ভিডিওর জন্য যথেষ্ট।
কম খরচ: 720p-তে প্রতি সেকেন্ডে 0.07 ডলার, আগের প্রজন্মের তুলনায় 30% কম। নিম্ন-রেজোলিউশনের খসড়া ও নির্দিষ্ট অংশ সংশোধনের ওয়ার্কফ্লো উৎপাদন খরচ আরও কমায়।
দ্রুত সম্পাদনা: কথোপকথনভিত্তিক একাধিক ধাপে ১৫ সেকেন্ডের পুরো ভিডিও সম্পাদনা করা যায়; ব্যাকগ্রাউন্ড বদলানো, আলো সামঞ্জস্য করা বা ফ্রেমের অনুপাত পরিবর্তনের জন্য পুরো ভিডিও নতুন করে তৈরি করতে হয় না।
শক্তিশালী সামঞ্জস্য: রেফারেন্স ছবি, অ্যাকশন ক্লিপ ও অডিও সংকেত একত্রে ব্যবহার করে বিভিন্ন শটে মুখ, পোশাক ও প্যাকেজিংয়ের ফন্ট অপরিবর্তিত রাখা যায়।
সিনেমাটিক শট: FPV ট্রাভার্সাল, চারপাশে ঘোরা ও দ্রুত দূরে সরে যাওয়ার মতো জটিল ক্যামেরা মুভমেন্টে আকস্মিক কাট উল্লেখযোগ্যভাবে কমে, ফলে চূড়ান্ত ভিডিও আরও পেশাদার দেখায়।
অডিও-ভিডিও সিঙ্ক: অডিও একই পাসে দৃশ্যের সঙ্গে জেনারেট হয়। বহু-চরিত্রের দৃশ্যে উপযুক্ত কণ্ঠ স্বয়ংক্রিয়ভাবে বরাদ্দ করে ঠোঁটের নড়াচড়া সিঙ্ক্রোনাইজ করা যায়।

প্রকল্পের অফিসিয়াল ওয়েবসাইট: https://blog.google/innovation-and-ai/technology/developers-tools/introducing-gemini-omni-1-2-flash/

ই-কমার্স উপকরণের ব্যাপক উৎপাদন: একই পণ্যের রেফারেন্স ছবি ব্যবহার করে কথোপকথনভিত্তিক সম্পাদনার মাধ্যমে বিভিন্ন ব্যাকগ্রাউন্ড, আলো ও ফ্রেমের অনুপাতসহ একাধিক ১৫ সেকেন্ডের ভিডিও তৈরি করা যায়, যা সরাসরি বিভিন্ন বিজ্ঞাপন প্লেসমেন্টে ব্যবহারযোগ্য।
বিজ্ঞাপনের বিভিন্ন সংস্করণ প্রচার: একটি মূল ভিডিও থেকে দর্শক ও চ্যানেল অনুযায়ী একাধিক সংস্করণ তৈরি করা যায়। বারবার জেনারেট করার পরিবর্তে একাধিক ধাপে সম্পাদনা করে A/B পরীক্ষার খরচ উল্লেখযোগ্যভাবে কমানো যায়।
ভার্চুয়াল ট্রায়াল ও পণ্য প্রদর্শন: রেফারেন্স ছবি দিয়ে মডেলের পরিচয় ও পোশাকের বিবরণ নির্দিষ্ট করে 360 ডিগ্রি ঘোরার ও পোশাক সমন্বয়ের সিকোয়েন্স তৈরি করা যায়। Whering ইতিমধ্যে এটি রিয়েল-টাইম ট্রায়াল ফিচারে ব্যবহার করেছে।
সামাজিক স্বল্পদৈর্ঘ্য ভিডিও তৈরি: সাধারণ Google অ্যাকাউন্ট ব্যবহারকারীরা Vids-এ বিনামূল্যে ১৫ সেকেন্ডের ক্লিপ তৈরি করতে পারেন, ফলে ব্যক্তিগত নির্মাতারা বিনা খরচে কম ব্যয়ে ভিডিও তৈরি করতে পারেন।
চলচ্চিত্রের প্রিভিজ্যুয়ালাইজেশন ও VFX রাফ কাট: নিম্ন-রেজোলিউশনের খসড়া দিয়ে জটিল ক্যামেরা মুভমেন্ট ও শটের ভাষা যাচাই করে সন্তুষ্ট হলে 4K-তে ডেলিভারি করা যায়। Monks ইতিমধ্যে মডেলটিকে ভিজ্যুয়াল ইফেক্টস পাইপলাইনে যুক্ত করেছে।