
گوگل Gemini Omni 1.1 Flash را معرفی کرد
گوگل Gemini Omni 1.1 Flash را با قابلیتهای کنترل دقیقتر برای تولید و ویرایش ویدئو معرفی کرده است. این مدل از ورودیهای متنی، تصویری، صوتی و ویدئویی و ویرایش چندمرحلهای پشتیبانی میکند.
گوگل Gemini Omni 1.1 Flash را بهعنوان مدلی برای کنترل دقیقتر و تولید خروجیهای آمادهتر برای استفاده در تولید محتوای ویدئویی معرفی کرده است. این مدل بخشی از خانواده Gemini Omni است و برای تولید و ویرایش ویدئو با استفاده از ورودیهای چندرسانهای طراحی شده است. Gemini Omni 1.1 Flash از چندرسانهای بومی (native multimodal) پشتیبانی میکند و میتواند متن، تصویر، صدا و ویدئو را بهعنوان ورودی دریافت کند. کاربران میتوانند در چند مرحله و با زبان طبیعی ویدئو را ویرایش کنند، زاویه و حرکت دوربین را تغییر دهند، اشیا یا شخصیتها را جایگزین کنند و سبک بصری صحنه را تغییر دهند. یکی از قابلیتهای این نسخه، امکان تعیین فریم آغازین و پایانی برای تولید یک ویدئوی پیوسته است. همچنین قابلیت امتداد صحنه (scene extension) میتواند ویدئوی موجود را در بازههای ۱۰ ثانیهای ادامه دهد و در مجموع تا ۴۰ ثانیه گسترش دهد. گوگل همچنین امکان استفاده از حداکثر سه ثانیه ویدئوی مرجع در ورودی چندرسانهای را برای حفظ زمینه بصری و سازگاری شخصیتها ارائه کرده است. برای توسعهدهندگان ایرانی، این قابلیتها میتواند در ساخت ابزارهای تولید محتوای ویدئویی، ویرایش خودکار، نمونهسازی تبلیغاتی و جریانهای کاری چندرسانهای کاربرد داشته باشد. مدل کارت (model card) گوگل نیز تأکید میکند که حفظ سازگاری کامل در ویرایشهای طولانی، صحنههای دارای حرکت پیچیده و نمایش دقیق متن همچنان از محدودیتهای شناختهشده این مدل هستند. Google DeepMind اعلام کرده است که Gemini Omni Flash با ارزیابیهای ایمنی، آزمونهای تیم قرمز (red teaming) و بررسیهای اخلاقی توسعه یافته است. محتوای ایجاد یا ویرایششده با این مدل در محصولات مربوطه شامل نشانگر دیجیتال نامحسوس SynthID و اعتبارنامههای محتوایی C2PA است.
این مدل در اپکس۲۴ قابل دسترس است
یک کلید API — ۵۰+ مدل هوش مصنوعی




