Google DeepMind выпустила Gemini Omni 1.2 Flash, новую версию своей модели для генерации и редактирования видео. И главное в релизе отнюдь не качество картинки. Семейство Omni впервые получает статус general availability, а секунда ролика в 720p стоит 0,07 $ — это на 30% дешевле предыдущей версии. А также приятным изменением является увеличение максимальной длительности видео с 10 до 15 секунд.
Характеристики
Omni 1.1 Flash вышла в конце августа и до сих пор работала под идентификатором gemini-omni-1.1-flash-preview по цене около 0,10 $ за секунду 720p. Версия 1.2 закрывает эту историю.
Параметр
Omni 1.1 Flash
Omni 1.2 Flash
Статус
превью
GA, есть Provisioned Throughput
Длина клипа
3–10 с
3–15 с, шаг 1 с
Цена 720p
~0,10 $/с
0,07 $/с
Ролик на 15 с в 720p
недоступен
~1,05 $
Минута готового видео в 720p обходится теперь примерно в 4,20 $. Это порядок стоимости одного стокового клипа, и для рекламных команд, которые прогоняют десятки вариантов креатива, разница с прежними 6 $ за минуту уже заметна в бюджете. Схема работы та же, что и раньше. Черновики делают в 360p или 720p, а удачные дубли масштабируют до 1080p или 4K.
Тарификация в API устроена через токены. Выход стоит 12 $ за миллион токенов при 5 792 токенах на секунду 720p, а вход (текст, изображения, видео) 1,50 $ за миллион. Кстати бесплатного уровня у модели, конечно же нет. С 3 декабря запросы к 1.1 начнут автоматически уходить на 1.2 по новым ценам. Так что тем, кто уже встроил Omni в пайплайн, ничего переписывать не придется.
Что умеет модель
На вход принимаются: промпт, изображения персонажей, продуктов и стиля, короткие видеофрагменты до трех секунд и аудиоподсказки. Google обещает более устойчивую консистентность объектов от первого до последнего кадра, внятный липсинк (это когда слова попадают в губы) с несколькими говорящими и заметно меньше случайных склеек при сложных движениях камеры вроде записи с FPV или облета объекта.
Ролик можно править в диалоге, меняя: продукт, фон, свет, погоду или соотношение сторон без перегенерации с нуля.
Пример работы новой модели по готовому изображению по сравнению с предыдущей. Источник.
Но в том же анонсе Google пишет, что быстрые спортивные сцены, резкая смена сценария и сложная физика пока даются модели плохо. API полноценно поддерживает только английский, что в целом уже стало «базой» для запросов.
Что подтверждено, а что нет
Все оценки качества пока исходят от самой Google. В side-by-side сравнениях DeepMind версия 1.2 выигрывает у 1.1 в 62% случаев по визуальной консистентности и в 63% по сохранению идентичности при нескольких референсах. Количественных метрик на открытых бенчмарках в анонсе нет, а независимых замеров за три часа после релиза пока никто не опубликовал. Цена и сроки перевода трафика с 1.1, наоборот, надежны, потому что это параметры биллинга, а не маркетинговые утверждения.
Есть мелкое расхождение по доступности. Блог Google называет модель общедоступной и для бизнес-подписок Gemini, а пост Google Cloud пишет про Gemini for business «coming soon». Скорее всего, в консоли Cloud и API модель доступна уже сейчас, а интеграция в корпоративный Gemini раскатывается позже.
Какое ждет будущее
Список партнеров в анонсе Google Cloud подсказывает, куда идет Google. Там находятся Runway, Krea, Picsart, QuickFrame и другие сервисы, которые сами продают генерацию конечным пользователям. Picsart собирается довести модель до своей аудитории в 100 млн авторов, а QuickFrame делает 15-секундные ролики для Smart TV за один проход в 1080p. А еще 15 секунд — это стандартная длина рекламного ролика.
Похоже, Google ищет ЦА в категории инфраструктуры с SLA, где цена важнее качества. В таком варианте, выбор между закрытыми API и моделями с открытыми весами для self-hosting особо не изменяется. При 0,07 $ за секунду собственный GPU-кластер под видео окупается только на действительно больших объемах или там, где данные нельзя отдавать наружу.
А вы как думаете: Google правильно делает, что уходит в чистую инфраструктуру и объемы, или надо было пытаться переиграть ту же Sora по качеству картинки? Поделитесь в комментариях.
Token Factory: инференс открытых ИИ‑моделей на серверах в РФ
Подключайте GLM, DeepSeek, Qwen и Kimi через OpenAI‑совместимый API и платите в рублях только за используемые токены.
Подробнее →
Источник: habr.com