Gemini Omni 1.2 Flash آپریشن میں

Gemini Omni 1.2 Flash گوگل ڈیپ مائنڈ کا تیار کردہ ویڈیو جنریشن ماڈل ہے، جو اب مکمل طور پر تجارتی استعمال کے لیے دستیاب ہے۔ Gemini Omni 1.2 Flash ایک بار میں 15 سیکنڈ کی ویڈیو بنا سکتا ہے، فی سیکنڈ دورانیہ مقرر کرنے، مکالماتی متعدد مراحل میں ترمیم اور حوالہ جاتی تصاویر کے ذریعے کردار کی یکسانیت برقرار رکھنے کی سہولت دیتا ہے؛ 720p کی قیمت 0.07 امریکی ڈالر فی سیکنڈ ہے، جو پچھلی نسل کے مقابلے میں 30% کم ہے۔ یہ فی الحال Gemini API، Vids، Gemini App اور Google Ads میں مربوط ہے اور بنیادی طور پر ای کامرس مواد اور اشتہاری مختصر ویڈیوز کی بڑے پیمانے پر تیاری کے لیے استعمال ہوتا ہے۔

15 سیکنڈ کی مقامی جنریشن: ایک بار میں زیادہ سے زیادہ 15 سیکنڈ کی ویڈیو بنائیں، جس کا دورانیہ 3 سے 15 سیکنڈ کے درمیان فی سیکنڈ مقرر کیا جا سکتا ہے۔
مکالماتی متعدد مراحل میں ترمیم: ایک ہی ویڈیو میں مرحلہ وار پس منظر تبدیل کریں، روشنی ایڈجسٹ کریں اور پہلو کا تناسب بدلیں، دوبارہ جنریشن کی ضرورت نہیں۔
ملٹی موڈل حوالہ جاتی رہنمائی: کردار کی تصاویر، مصنوعات کی تصاویر، ایکشن کلپس اور آڈیو اشاروں کو یکجا کریں؛ مختلف شاٹس میں چہرے، لباس، پیکیجنگ کے فونٹ اور برانڈ کے رنگ یکساں رہتے ہیں۔
ابتدائی اور آخری فریم کی انٹرپولیشن: پہلے اور آخری فریم کے درمیان مسلسل شاٹس خودکار طور پر بنائیں؛ اشیا اور ماحول فریم بہ فریم نہیں بدلتے۔
مقامی ہم وقت آڈیو: مکالمے کے ساتھ ہونٹوں کی مطابقت زیادہ درست ہے، جبکہ متعدد کرداروں والے مناظر میں مختلف نمونہ شدہ آوازیں متعلقہ کرداروں تک پہنچائی جا سکتی ہیں۔
سنیما طرز کی کیمرہ موومنٹ: FPV گزر، گردشی حرکت اور تیزی سے دور جانے جیسے پیچیدہ شاٹس میں اچانک کٹ نمایاں طور پر کم ہو جاتے ہیں۔
درجہ وار لاگت کم کرنے کا ورک فلو: پہلے 360p/720p میں ڈرافٹ بنائیں، صرف ناپسندیدہ حصوں میں ترمیم کریں، پھر اطمینان کے بعد 1080p یا 4K میں اپ اسکیل کریں۔
انٹرپرائز سہولیات: آؤٹ پٹ میں SynthID غیر مرئی واٹرمارک شامل ہوتا ہے اور Provisioned Throughput محفوظ شدہ تھروپٹ کو سپورٹ کرتا ہے۔

حوالہ جاتی شرائط کا اندراج اور زمانی و مکانی توجہ: حوالہ جاتی تصاویر، ایکشن کلپس اور آڈیو اشاروں کو شرائط کی معلومات میں انکوڈ کیا جاتا ہے، جو متنی پرامپٹ کے ساتھ مل کر جنریشن کو محدود کرتی ہیں؛ مکانی توجہ ہر فریم کی ساختی تفصیلات سنبھالتی ہے، جبکہ زمانی توجہ فریموں کے درمیان شناخت اور حرکت کا تسلسل برقرار رکھتی ہے۔ یہی مختلف شاٹس میں کردار کے نہ بدلنے کی بنیادی میکانزم ہے۔
مکالماتی ترمیم میں حالت برقرار رکھنا: ہر ترمیمی ہدایت نئی سیاقی معلومات کے طور پر اسی جنریشن سیشن میں داخل ہوتی ہے۔ ماڈل موجودہ ویڈیو کی شرائط کے تحت صرف متعین عناصر کو دوبارہ بناتا ہے، جبکہ باقی منظر کی اداکاری، روشنی اور ساخت برقرار رہتی ہے۔ بنیادی طور پر ترمیم کو مشروط دوبارہ جنریشن کے طور پر ماڈل کیا جاتا ہے۔
آڈیو اور ویڈیو کی ایک ہی pass میں جنریشن: آڈیو اور ویڈیو ایک ہی فارورڈ جنریشن میں منظر کے ساتھ براہِ راست آؤٹ پٹ نہیں ہوتے؛ ماڈل منظر کے مواد کی بنیاد پر مکالمے، صوتی اثرات اور ماحول کی آواز کا اندازہ لگاتا ہے۔ 1.2 میں متعدد بولنے والوں کی شرائط شامل کی گئی ہیں، جو نمونہ شدہ آوازیں متعلقہ کرداروں کو تفویض کرتی ہیں اور ہونٹوں کی مطابقت چلاتی ہیں۔
انجینئرنگ کے ذریعے لاگت میں کمی: کم ریزولوشن ڈرافٹ اور 4K اپ اسکیلنگ ایک ہی ماڈل کے مختلف آؤٹ پٹ درجات استعمال کرتے ہیں۔ فی سیکنڈ ٹوکن پر مبنی قیمت گذاری کے ساتھ لاگت اور تصویر کے معیار کو الگ کیا جاتا ہے۔

داخلہ منتخب کریں: ڈویلپرز بغیر کوڈ آزمائش کے لیے Google AI Studio کھولیں، انٹرپرائز صارفین Google Cloud Console استعمال کریں، جبکہ عام صارفین Flow، Vids یا Gemini App استعمال کریں۔
اجازت فعال کریں: API اور AI Studio کے استعمال کے لیے بامعاوضہ اکاؤنٹ منسلک کرنا ضروری ہے؛ Gemini App میں 15 سیکنڈ کی جنریشن فی الحال صرف AI Ultra کے سبسکرائبرز کے لیے دستیاب ہے۔
پرامپٹ لکھیں: منظر کی تفصیل درج کریں، اور یکسانیت برقرار رکھنے کے لیے حوالہ جاتی تصاویر اور زیادہ سے زیادہ 3 سیکنڈ کا ایکشن یا آڈیو کلپ اپ لوڈ کریں۔
دورانیہ اور معیار مقرر کریں: 3 سے 15 سیکنڈ کے درمیان فی سیکنڈ دورانیہ مقرر کریں، اور لاگت قابو میں رکھنے کے لیے ابتدا میں 360p یا 720p ریزولوشن منتخب کریں۔
جنریٹ اور جانچ کریں: پہلے کم ریزولوشن ڈرافٹ کا نتیجہ دیکھیں؛ آؤٹ پٹ میں بطور ڈیفالٹ SynthID واٹرمارک شامل ہوتا ہے۔
مکالماتی ترمیم: قدرتی زبان کے ذریعے مرحلہ وار پس منظر، روشنی، موسم یا پہلو کا تناسب تبدیل کریں، پوری ویڈیو دوبارہ بنانے کی ضرورت نہیں۔
اپ اسکیل اور ایکسپورٹ: تصدیق کے بعد 1080p یا 4K پر اپ گریڈ کریں؛ قیمت حتمی آؤٹ پٹ ریزولوشن اور سیکنڈز کے حساب سے وصول کی جاتی ہے۔
انضمام اور لانچ: ڈویلپرز Gemini API کے ذریعے اسے اپنے ورک فلو میں شامل کر سکتے ہیں۔

مناسب دورانیہ: ایک بار میں مقامی طور پر 15 سیکنڈ کی ویڈیو بنائیں اور دورانیہ فی سیکنڈ مقرر کریں، جو مکمل سوشل اشتہار یا مصنوعات کی وضاحت کے لیے کافی ہے۔
کم لاگت: 720p کی قیمت 0.07 امریکی ڈالر فی سیکنڈ ہے، جو پچھلی نسل سے 30% کم ہے۔ کم ریزولوشن ڈرافٹ اور مخصوص حصوں میں ترمیم کے ورک فلو سے پیداواری اخراجات مزید کم ہوتے ہیں۔
موثر ترمیم: مکالماتی متعدد مراحل کی ترمیم پوری 15 سیکنڈ کی ویڈیو پر لاگو ہوتی ہے؛ پس منظر، روشنی یا پہلو کا تناسب بدلنے کے لیے پوری ویڈیو دوبارہ بنانے کی ضرورت نہیں۔
مضبوط یکسانیت: حوالہ جاتی تصاویر، ایکشن کلپس اور آڈیو اشارے مل کر کردار کو محدود کرتے ہیں، جس سے مختلف شاٹس میں چہرہ، لباس اور پیکیجنگ کا فونٹ نہیں بدلتا۔
سنیما طرز کے شاٹس: FPV گزر، گردشی حرکت اور تیزی سے دور جانے جیسے پیچیدہ کیمرہ موومنٹس میں اچانک کٹ نمایاں طور پر کم ہوتے ہیں، جس سے تیار شدہ ویڈیو زیادہ پیشہ ورانہ محسوس ہوتی ہے۔
آڈیو اور تصویر کی مطابقت: آڈیو منظر کے ساتھ اسی pass میں تیار ہوتا ہے؛ متعدد کرداروں والے مناظر میں مناسب آوازیں خودکار طور پر تفویض ہوتی ہیں اور ہونٹوں کی حرکت چلائی جاتی ہے۔

پروجیکٹ کی ویب سائٹ: https://blog.google/innovation-and-ai/technology/developers-tools/introducing-gemini-omni-1-2-flash/

ای کامرس مواد کی بڑے پیمانے پر تیاری: ایک ہی مصنوعات کی حوالہ جاتی تصویر سے مکالماتی ترمیم کے ذریعے مختلف پس منظر، روشنی اور پہلو کے تناسب والی 15 سیکنڈ کی مختصر ویڈیوز بنائیں، جو مختلف اشتہاری جگہوں کے لیے براہِ راست موزوں ہوں۔
اشتہاری متبادل ورژنز کی تشہیر: ایک مرکزی ویڈیو سے مختلف ناظرین اور چینلز کے لیے متعدد ورژنز بنائیں؛ متعدد مراحل کی ترمیم دوبارہ جنریشن کی جگہ لے کر A/B ٹیسٹنگ کی لاگت نمایاں طور پر کم کرتی ہے۔
ورچوئل ٹرائی آن اور مصنوعات کا مظاہرہ: حوالہ جاتی تصویر ماڈل کی شناخت اور لباس کی تفصیلات کو برقرار رکھتی ہے، جس سے 360 ڈگری گھومنے اور ملبوسات کے امتزاج کی ترتیب بنائی جا سکتی ہے۔ Whering نے اسے ریئل ٹائم ٹرائی آن فیچر میں استعمال کیا ہے۔
سوشل مختصر ویڈیو تخلیق: عام گوگل اکاؤنٹ والے صارفین Vids میں 15 سیکنڈ کے کلپس مفت بنا سکتے ہیں، اس لیے ذاتی تخلیق کار بغیر ادائیگی کے کم لاگت میں ویڈیوز تیار کر سکتے ہیں۔
فلمی پیش منظر اور VFX ابتدائی ایڈیٹنگ: پیچیدہ کیمرہ موومنٹ اور شاٹ کی زبان کی تصدیق کے لیے کم ریزولوشن ڈرافٹ استعمال کریں، اطمینان کے بعد 4K میں ڈیلیور کریں۔ Monks نے ماڈل کو اپنے بصری اثرات کے پائپ لائن میں شامل کیا ہے۔