Ipapasa ang isang short video ng self-portrait sa modelo, at sabihin ang “gumawa ng mga alon tulad ng likido sa salamin,” “palitan ang tao ng puppet,” at “panatilihin ang orihinal na silid at galaw.” Ang mga gawain na dati ay kailangang gawin ng editor sa pamamagitan ng pagmamarka sa timeline, ngayon ay maaaring gawin nang tuloy-tuloy tulad ng pagbabago ng teksto. Ipinakilala ng Google DeepMind ang Gemini Omni 1.2 Flash model card noong Nobyembre 5, at ilarawan ito bilang isang modelo na makakagawa ng mataas na resolusyon na video na may tunog mula sa mga input na teksto, imahe, audio, at video, at sumusuporta sa paulit-ulit na pag-edit sa pamamagitan ng natural na usapan. Ang entry point sa paggawa ng video ay umiihiwalay mula sa software panel patungo sa wika, ngunit nagiging mas mahirap makita sa mata ang mga tanda ng pag-edit, pahintulot sa mga tauhan, at katotohanan.
Ano nga ba ang tunay na napapagod ng dialog editing?
Ang tradisyonal na paggawa ng video ay karaniwang “isang prompt, isang resulta”. Kung gusto ng mga tagagawa na baguhin ang galaw ng karakter, ilaw, o kamera, kadalasang kailangan nilang muling i-generate ang video, at maaaring mabago ang karakter at eksena sa dating bersyon. Pinapahalagahan ni Gemini Omni ang tuloy-tuloy na pag-edit: bawat pagbabago ay batay sa resulta ng nakaraang pagkakataon, at pinapansiguro ang pagkakasunod-sunod ng eksena. Ang mekanismong ito ay naghihiwalay sa mga kumplikadong pagkilos sa isang serye ng maunawaang intensyon, kaya’t hindi kailangan ng mga tagagawa na matutunan muna ang masking, keyframes, at composite nodes upang makamit ang kanilang layunin.
Ang model card ay listahan ang input na nakakapalabas ng teksto, larawan, audio, at video, at ang output ay video na may audio. Ipinapakita pa ng product page ang mga kaso kung paano gamitin ang reference material upang baguhin ang istilo ng imahe, isulat muli ang galaw, at dagdagan ang tunog. Hindi lamang bawasan nito ang oras sa paggawa, kundi pati na rin ang gastos sa pagpapahayag. Maaaring unang ilarawan ng direktor ang “tao ay hahawak sa salamin,” at pagkatapos ay dagdagan ang materyal, sound effect, at ritmo ng kamera, nang hindi kailangang isulat nang isang beses ang mahabang at mahirap kontrolin na prompt.
Ang speed version model ay hindi nakatutok sa isang pelikula
Ang “Flash” ay nangangahulugan na mas nakatuon ang produkto sa bilis at gastos. Karaniwan ang mga team ng advertising, mga tagagawa ng maikling video, mga studio ng laro, at mga gumagawa ng edukasyonal na nilalaman na mabilis na subukan ang maraming bersyon: ikinakabit ang parehong materyales sa iba’t ibang proporsyon, wika, at ritmo, at pagkatapos ay iinomulat batay sa feedback. Kung ang modelo ay kayang panatilihin ang karakter, diyalogo, at galaw nang pantay sa mas maikling panahon, ang mabilis na iterasyon ang unang babaguhin, hindi ang isang beses na malaking produksyon.
Magkakaroon din ito ng pagbabago sa pagkakahati ng mga gawain ng tim. Ang maraming pagpapahusay ng anyo at pagbuo ng unang bersyon na dating ginagawa ng mga tagapagpaganap, maaaring unang ibigay sa modelo; ang mga tao ay magdededikasyon sa pagpili ng mga shot, pagkontrol sa ritmo, pag-verify ng katotohanan, at pagharap sa mga karapatan sa pagmamay-ari. Ang mga posisyon sa kreatibidad ay hindi magkakaroon ng sariling pagkawala dahil sa pagbabawas ng mga buton, ngunit ang proteksyon na dala ng “pagkakaroon ng kakayahang gumamit ng isang partikular na software” ay magiging mas maliit, habang ang halaga ng pag-unawa sa pagsasalaysay, estetika, at audience ay magiging mas mataas.
Ang mga taong makakapagbago ng tinig, mas malaki ang panganib kaysa sa pagbabago ng background
Binanggit nang espesipiko ng DeepMind sa model card na ang kakayahan sa pag-edit ng video ay maaaring baguhin ang sinasabi ng mga tao, at kasalukuyang may limitasyon dito habang patuloy na pinag-aaralan kung paano ito buksan nang ligtas. Mahalaga ang pahayag na ito. Ang pagbabago ng kulay ng kalangitan at pagpapagsalita sa isang totoong tao ng mga bagay na hindi niya sinasabi ay hindi parehong panganib. Ang huli ay maaaring magdulot ng panganib sa reputasyon, panloloko, politikal na propagandang at polusyon ng ebidensya, at mas mataas ang kalidad ng pagbuo, mas mahirap para sa karaniwang gumagamit na matukoy ito nang intuitibo.
Sinabi ng Google na ginagamit ng sistema ang mga pagsasagawa ng seguridad bago at pagkatapos ng pagtuturo, at idinadagdag ang watermark sa AI content gamit ang SynthID. Ang watermark ay nagbibigay ng mga patnubay para sa pag-verify ng platform, ngunit ito ay hindi isang ganap na ebidensya: maaaring maapektuhan ang kakayahan sa pagkilala kung ang video ay kinutok, binago ang format, o muli nang ipinakita; ang mga aplikasyon na hindi suportado ay hindi awtomatikong nagpapaalala sa mga manonood. Kailangan ng tunay na epektibong pamamahala ang pagkakaroon ng rekord ng pinagmulan, pahintulot ng mga tao, pagmarka ng platform, at mga mekanismo ng pagrereklamo tungkol sa pang-aabuso na magtatrabaho nang magkakasama.
Ang model card ay nagpapakita rin ng mga kulang sa impormasyon
Hindi nagbibigay ang model card na ito ng kompletong lista ng training data, kundi nagtuturo lamang sa ilang mga nilalaman sa base model na Gemini Omni Flash; ang mga alam na limitasyon ay karamihan ay sumasalamin sa materyales ng base model. Para sa karaniwang creator, hindi ito nagdudulot ng hadlang sa pagsubok; ngunit para sa legal na departamento ng mga korporasyon, media, at mga institusyon sa edukasyon, nangangahulugan ito na kailangan pa nilang sagutin ang mga tanong tungkol sa lisensya ng data, pagkakaroon ng pagsasakop sa iba’t ibang rehiyon, larawan ng mga tao, at responsibilidad sa output.
Ang model card ay nagpapaliwanag din na ang Omni 1.2 Flash ay hindi itinuturing na nagdudulot ng malaking pagtaas sa mga advanced capability kumpara sa Gemini 3.1 Pro o 3.7 Flash, kaya ang mga kaugnay na pagsusuri sa kaligtasan ay patuloy na ginagamit. Ito ay isang pagpapasya sa klasipikasyon ng panganib, at hindi nangangahulugan na ang bawat escenario ng pag-edit ng video ay napatunayan na. Ang mga produkto na makapagpapalit ng malawakan ng tunog at imahe ay may mas malaking sosyal na panganib dahil sa kanilang kakayahang maabot, bilis, at pagkalat, at hindi lamang dahil sa kung nakakamit na ng modelo ang isang partikular na antas ng advanced capability.
Ang video software ay nagsisiging maging isang sistema ng intensyon
Ang mga kasunod na video tool ay maaaring hindi na maghingi sa mga user na magsimula sa mga box ng materyales, track, at filter, kundi magtanong muna, “Ano ang gusto mong makita ng iyong manonood?” Pagkatapos, i-translate ng model ang isang natural na wika sa mga shot, audio track, at epekto. Ang ganitong entry point ay magpapalawak sa kakayahan ng higit pang tao na magpahayag, at magdudulot ng malaking pagtaas sa bilang ng mga natapos na video. Ang kakulangan sa yaman ay magiging nakatuon sa mga mapagkakatiwalaang pinagmulan, natatanging materyales, at kilalang responsibilidad ng may-akda.
Ang pinakamahalagang bagay sa Gemini Omni 1.2 Flash ay hindi ang kanyang kakayahang lumikha ng mas magandang imahe, kundi ang pagbabago ng pag-edit mula sa manual na paggawa patungo sa isang serbisyo na maaaring pag-usapan at maaaring i-call nang tuloy-tuloy. Kapag bumaba ang hadlang sa paglikha, kailangan ng mga platform at mga creator na itaas ang antas ng pagpapatotoo: Sino ang mukha, sino ang boses, anong mga bahagi ang binago, at paano mo masusuri ng manonood. Kung hindi, ang pinakamadaling tool sa pag-edit ay maaaring maging pinakamuraing kasangkapan sa pagpapalihis.


