Gemini Omni 1.2 Flash Đang hoạt động

Gemini Omni 1.2 Flash là mô hình tạo video do Google DeepMind phát triển, đã được thương mại hóa hoàn toàn. Gemini Omni 1.2 Flash có thể tạo video dài 15 giây trong một lần, hỗ trợ chỉ định thời lượng theo từng giây, chỉnh sửa nhiều vòng bằng hội thoại và duy trì tính nhất quán của nhân vật qua ảnh tham chiếu; video 720p có giá 0,07 USD mỗi giây, giảm 30% so với thế hệ trước. Hiện mô hình đã được tích hợp vào Gemini API, Vids, Gemini App và Google Ads, tập trung vào sản xuất hàng loạt tài liệu thương mại điện tử và video quảng cáo ngắn.

Tạo video gốc dài 15 giây: Mỗi lần có thể tạo video dài tối đa 15 giây, với thời lượng được chỉ định theo từng giây trong khoảng 3 đến 15 giây.
Chỉnh sửa nhiều vòng bằng hội thoại: Thay nền, điều chỉnh ánh sáng và đổi tỷ lệ khung hình qua từng vòng trên cùng một video mà không cần tạo lại từ đầu.
Tuân thủ tham chiếu đa phương thức: Kết hợp ảnh nhân vật, ảnh sản phẩm, đoạn chuyển động và tín hiệu âm thanh để duy trì khuôn mặt, trang phục, phông chữ trên bao bì và màu thương hiệu nhất quán giữa các cảnh.
Nội suy khung hình đầu và cuối: Tự động tạo chuỗi cảnh liên tục giữa khung hình đầu và cuối, giúp vật thể và môi trường không bị lệch qua từng khung hình.
Âm thanh đồng bộ gốc: Đồng bộ khẩu hình hội thoại chính xác hơn; trong cảnh có nhiều nhân vật, các mẫu giọng nói khác nhau có thể được phân tuyến đến đúng nhân vật.
Chuyển động máy quay điện ảnh: Giảm đáng kể hiện tượng cắt nhảy trong các chuyển động phức tạp như bay xuyên FPV, quay vòng và kéo xa nhanh.
Quy trình giảm chi phí theo cấp độ: Trước tiên tạo bản nháp ở 360p/720p, chỉ chỉnh sửa phần chưa đạt, sau đó nâng lên 1080p hoặc 4K khi đã hài lòng.
Hỗ trợ cấp doanh nghiệp: Đầu ra có hình mờ ẩn SynthID và hỗ trợ Provisioned Throughput để đặt trước thông lượng.

Tiêm điều kiện tham chiếu và attention không-thời gian: Ảnh tham chiếu, đoạn chuyển động và tín hiệu âm thanh được mã hóa thành thông tin điều kiện, cùng với lời nhắc văn bản để ràng buộc quá trình tạo; attention không gian phụ trách chi tiết bố cục từng khung hình, còn attention thời gian phụ trách tính liên tục về danh tính và chuyển động giữa các khung hình. Đây là nền tảng giúp nhân vật không bị lệch giữa nhiều cảnh quay.
Duy trì trạng thái khi chỉnh sửa bằng hội thoại: Chỉ thị chỉnh sửa ở mỗi vòng được đưa vào cùng một phiên tạo dưới dạng ngữ cảnh mới. Dựa trên điều kiện video hiện có, mô hình chỉ tái tạo các thành phần được chỉ định và giữ lại phần trình diễn, ánh sáng cùng bố cục của những khu vực còn lại. Về bản chất, chỉnh sửa được mô hình hóa thành quá trình tạo lại có điều kiện.
Tạo âm thanh và video trong cùng một pass: Âm thanh không được xuất cùng hình ảnh trong cùng một lần truyền xuôi; mô hình suy luận lời thoại, hiệu ứng âm thanh và âm thanh môi trường dựa trên nội dung hình ảnh. Phiên bản 1.2 bổ sung điều kiện cho nhiều người nói, phân bổ giọng mẫu cho đúng nhân vật và điều khiển đồng bộ khẩu hình.
Giảm chi phí theo hướng kỹ thuật: Bản nháp độ phân giải thấp và bản nâng cấp lên 4K dùng chung một mô hình với các cấp đầu ra khác nhau. Kết hợp với cơ chế tính phí token theo giây, chi phí được tách khỏi chất lượng hình ảnh.

Chọn lối vào: Nhà phát triển mở Google AI Studio để dùng thử không cần mã; doanh nghiệp sử dụng Google Cloud Console; người dùng phổ thông dùng Flow, Vids hoặc Gemini App.
Kích hoạt quyền: API và AI Studio yêu cầu liên kết tài khoản trả phí; tính năng tạo video 15 giây trên Gemini App hiện chỉ dành cho người đăng ký AI Ultra.
Viết lời nhắc: Nhập mô tả cảnh; khi cần duy trì tính nhất quán, hãy tải lên ảnh tham chiếu và đoạn chuyển động hoặc âm thanh dài tối đa 3 giây.
Đặt thời lượng và thông số: Chỉ định thời lượng theo từng giây trong khoảng 3 đến 15 giây, chọn độ phân giải 360p hoặc 720p để bắt đầu nhằm kiểm soát chi phí.
Tạo và kiểm tra: Trước tiên xem hiệu quả của bản nháp độ phân giải thấp; đầu ra mặc định có hình mờ SynthID.
Chỉnh sửa bằng hội thoại: Dùng ngôn ngữ tự nhiên để điều chỉnh nền, ánh sáng, thời tiết hoặc tỷ lệ khung hình qua từng vòng mà không cần làm lại toàn bộ đoạn phim.
Nâng cấp và xuất: Sau khi xác nhận, nâng lên 1080p hoặc 4K; chi phí được tính theo độ phân giải và số giây của đầu ra cuối cùng.
Tích hợp và triển khai: Nhà phát triển kết nối quy trình riêng thông qua Gemini API.

Thời lượng đủ dùng: Tạo video gốc dài 15 giây trong một lần và cho phép chỉ định theo từng giây, phù hợp với quy mô của một quảng cáo mạng xã hội hoàn chỉnh hoặc video giới thiệu sản phẩm.
Chi phí thấp hơn: Video 720p có giá 0,07 USD mỗi giây, giảm 30% so với thế hệ trước. Kết hợp bản nháp độ phân giải thấp với chỉnh sửa theo điểm cần thiết giúp tiếp tục giảm chi phí sản xuất.
Chỉnh sửa hiệu quả: Chỉnh sửa nhiều vòng bằng hội thoại bao phủ toàn bộ video 15 giây; thay nền, điều chỉnh ánh sáng hoặc đổi tỷ lệ khung hình mà không cần tạo lại cả đoạn.
Tính nhất quán cao: Kết hợp ảnh tham chiếu, đoạn chuyển động và tín hiệu âm thanh để ràng buộc; khuôn mặt, trang phục và phông chữ trên bao bì không bị lệch giữa các cảnh.
Chuyển động máy quay điện ảnh: Giảm đáng kể hiện tượng cắt nhảy trong các chuyển động phức tạp như bay xuyên FPV, quay vòng và kéo xa nhanh, giúp video hoàn thiện gần hơn với chất lượng chuyên nghiệp.
Đồng bộ âm thanh và hình ảnh: Âm thanh được tạo cùng hình ảnh trong một pass; cảnh có nhiều nhân vật có thể tự động phân bổ giọng phù hợp và điều khiển đồng bộ khẩu hình.

Trang web dự án: https://blog.google/innovation-and-ai/technology/developers-tools/introducing-gemini-omni-1-2-flash/

Sản xuất hàng loạt tài liệu thương mại điện tử: Dùng ảnh tham chiếu của cùng một sản phẩm để chỉnh sửa bằng hội thoại, tạo nhiều phiên bản video 15 giây với nền, ánh sáng và tỷ lệ khung hình khác nhau, phù hợp trực tiếp với các vị trí quảng cáo khác nhau.
Triển khai biến thể quảng cáo: Từ một video gốc, tạo hàng loạt phiên bản theo đối tượng và kênh; chỉnh sửa nhiều vòng thay cho việc tạo lại giúp giảm đáng kể chi phí thử nghiệm A/B.
Thử đồ ảo và giới thiệu sản phẩm: Ảnh tham chiếu khóa danh tính người mẫu và chi tiết trang phục, tạo chuỗi xoay 360 độ và phối đồ; Whering đã sử dụng công nghệ này cho tính năng thử đồ theo thời gian thực.
Sáng tạo video ngắn trên mạng xã hội: Tài khoản Google thông thường có thể tạo miễn phí đoạn video 15 giây trong Vids, giúp nhà sáng tạo cá nhân sản xuất video với chi phí thấp mà không cần trả phí.
Tiền kỳ điện ảnh và dựng thô VFX: Dùng bản nháp độ phân giải thấp để xác nhận chuyển động máy quay phức tạp và ngôn ngữ hình ảnh, sau đó nâng lên 4K để bàn giao; Monks đã tích hợp mô hình vào quy trình hiệu ứng hình ảnh.