Gemini Omni 1.2 Flash permet une édition vidéo conversationnelle

icon币界网
Partager
AI summary iconRésumé
Google DeepMind a lancé Gemini Omni 1.2 Flash, un modèle prenant en charge l'édition vidéo par langage naturel. Le modèle accepte des entrées multimodales et génère des vidéos haute résolution avec audio, idéal pour des flux de travail à itération rapide dans la publicité et l'éducation. Les fonctionnalités de sécurité incluent le marquage SynthID. Les traders doivent évaluer le rapport risque/récompense avant d'évaluer son impact sur la création de contenu. Les détails sur les données d'entraînement restent limités, et cette mise à jour offre des améliorations modérées par rapport aux versions précédentes.
CoinDesk rapporte :

Soumettez une vidéo selfie au modèle, puis dites « que l’image se déforme comme un liquide » « transformez la personne en marionnette » « conservez la pièce et les mouvements d’origine » : des tâches qui autrefois exigeaient des monteurs pour les effectuer couche par couche sur une ligne de temps peuvent désormais être réalisées par des demandes successives, comme la modification d’un texte. Google DeepMind a publié le 5 novembre la fiche technique du modèle Gemini Omni 1.2 Flash, le décrivant comme capable de générer des vidéos haute résolution avec son à partir d’entrées textuelles, d’images, d’audio et de vidéo, tout en permettant des éditions répétées via une conversation naturelle. Le point d’entrée de la création vidéo passe des interfaces logicielles au langage naturel, mais cela rend également les traces d’édition, les autorisations des personnes et la crédibilité factuelle plus difficiles à détecter à l’œil nu.

Qu'est-ce que l'édition de conversation a vraiment économisé ?

Les vidéos générées traditionnellement suivent généralement le modèle « une seule invite, un seul résultat ». Si les créateurs souhaitent modifier les mouvements des personnages, l'éclairage ou le cadrage, ils doivent souvent régénérer l'ensemble, ce qui peut altérer les personnages et les scènes de la version précédente. Gemini Omni met l'accent sur l'édition continue : chaque modification s'appuie sur le résultat précédent, en préservant au maximum la cohérence de la scène. Ce mécanisme décompose des opérations complexes en une série d'intentions compréhensibles, permettant aux créateurs d'atteindre progressivement leur objectif sans avoir à maîtriser au préalable les masques, les images clés ou les nœuds de composition.

La fiche modèle indique que les entrées couvrent le texte, les images, l'audio et la vidéo, tandis que la sortie est une vidéo avec audio. La page produit présente davantage des exemples d'utilisation de supports de référence pour modifier le style visuel, réécrire les mouvements et compléter les sons. Elle réduit non seulement le temps de production, mais aussi le coût d'expression. Un réalisateur peut d'abord décrire « la personne touche le miroir », puis ajouter des détails sur les matériaux, les effets sonores et le rythme des plans, sans avoir à rédiger un prompt long et difficile à maîtriser en une seule fois.

The speed version model is not targeting a movie.

« Flash » signifie que le produit met l'accent sur la vitesse et le coût. Les équipes marketing, les créateurs de courtes vidéos, les studios de jeux et les producteurs de contenus éducatifs doivent souvent tester rapidement plusieurs versions : même support, mais avec des proportions, des langues ou des rythmes différents, puis ajuster en fonction des retours. Si le modèle peut maintenir la cohérence des personnages, des dialogues et des mouvements en un temps réduit, ce seront les itérations fréquentes qui seront privilégiées, et non les productions uniques et coûteuses.

Cela réorganisera également la répartition des tâches au sein de l'équipe. Les nombreux ajustements de format et les premières synthèses, autrefois effectués par les exécutants, pourraient être confiés en premier lieu au modèle ; les humains consacreront leur temps à choisir les plans, contrôler le rythme, vérifier les faits et gérer les droits d'auteur. Les postes créatifs ne disparaîtront pas automatiquement parce que les boutons ont diminué, mais le avantage compétitif apporté par la simple capacité à utiliser un logiciel spécifique s'amincira, tandis que la valeur de la compréhension de la narration, de l'esthétique et du public augmentera.

Les personnages dont on peut modifier la voix présentent un risque plus élevé que de changer l'arrière-plan.

DeepMind mentionne explicitement dans sa fiche modèle que la capacité d'édition vidéo peut modifier ce que les personnes disent, et que des restrictions sont actuellement en place à ce sujet, avec des recherches en cours sur la manière de l'ouvrir en toute sécurité. Cette déclaration est cruciale. Changer la couleur du ciel et faire dire à une personne réelle quelque chose qu'elle n'a jamais dit ne présentent pas le même risque. Ce dernier peut impliquer des atteintes à la réputation, de la fraude, de la propagation politique et de la contamination des preuves ; plus la qualité de génération est élevée, plus il est difficile pour les utilisateurs ordinaires de juger intuitivement.

Google indique que le système utilise des mesures de sécurité avant et après l'entraînement, et ajoute des filigranes aux contenus IA via SynthID. Ces filigranes fournissent des indices pour la vérification par les plateformes, mais ne constituent pas une preuve infaillible : la reconnaissance peut être affectée si la vidéo est recadrée, transcodée ou rephotographiée ; les applications non prises en charge n'avertiront pas automatiquement les spectateurs. Une gouvernance véritablement efficace nécessite que la traçabilité des sources, l'autorisation des personnes, le marquage par les plateformes et les mécanismes de signalement des abus fonctionnent ensemble.

Les cartes de modèle révèlent également des lacunes d'information.

Cette fiche de modèle ne fournit pas une liste complète des données d'entraînement, mais renvoie plusieurs éléments au modèle de base Gemini Omni Flash ; les limitations connues s'appuient également principalement sur les documents du modèle de base. Pour les créateurs ordinaires, cela n'empêche pas l'essai ; pour les juristes d'entreprises, les médias et les établissements éducatifs, cela signifie qu'ils doivent toujours répondre eux-mêmes aux questions relatives à la licence des données, à l'ouverture géographique, aux images de personnes et à la responsabilité des sorties.

La fiche du modèle indique également qu'Omni 1.2 Flash n'est pas considérée comme apportant une avancée substantielle par rapport à Gemini 3.1 Pro ou 3.7 Flash, ce qui justifie la poursuite des évaluations de sécurité existantes. Il s'agit d'un jugement de classification des risques, et non d'une validation de tous les scénarios d'édition vidéo. Les risques sociaux liés à des produits capables de modifier à grande échelle le son et l'image proviennent davantage de leur accessibilité, de leur vitesse et de leur propagation que de la simple atteinte d'un niveau de capacité de pointe par le modèle.

Le logiciel vidéo devient un système d'intention

Les outils vidéo futurs pourraient ne plus exiger que les utilisateurs commencent par des bibliothèques de supports, des pistes et des filtres, mais posent d’abord la question : « Que voulez-vous que le public voie ? ». Le modèle traduirait ensuite cette phrase en langage naturel en plans, pistes audio et effets. Cette approche donnerait à un plus grand nombre de personnes la capacité d’expression et entraînerait une explosion du nombre de vidéos produites. La ressource rare passerait alors des compétences de production aux sources fiables, aux contenus uniques et à la responsabilité identifiable de l’auteur.

Ce qui mérite le plus l'attention dans Gemini Omni 1.2 Flash, ce n'est pas sa capacité à générer des images encore plus belles, mais le fait que les actions d'édition passent de manipulations manuelles à des services dialogue et appelables en continu. À mesure que la barrière à la création baisse, les plateformes et les créateurs doivent simultanément élever la barrière de preuve : de quel visage s'agit-il, de quelle voix, quelles parties ont été modifiées, et comment le public peut-il vérifier ? Sinon, l'outil d'édition le plus pratique pourrait devenir l'outil de falsification le moins coûteux.

Clause de non-responsabilité : les informations sur cette page peuvent avoir été obtenues auprès de tiers et ne reflètent pas nécessairement les points de vue ou opinions de KuCoin. Ce contenu est fourni à titre informatif uniquement, sans aucune représentation ou garantie d’aucune sorte, et ne doit pas être interprété comme un conseil en investissement. KuCoin ne sera pas responsable des erreurs ou omissions, ni des résultats résultant de l’utilisation de ces informations. Les investissements dans les actifs numériques peuvent être risqués. Veuillez évaluer soigneusement les risques d’un produit et votre tolérance au risque en fonction de votre propre situation financière. Pour plus d’informations, veuillez consulter nos conditions d’utilisation et divulgation des risques.