एक सेल्फी वीडियो को मॉडल को दें और कहें, "प्रतिबिंब तरल की तरह लहराए", "व्यक्ति को पुतला बना दें", "मूल कमरे और गतिविधि को बनाए रखें"। पिछले समय में जिस कार्य को एडिटर को टाइमलाइन पर एक-एक करके स्तरों पर पूरा करना पड़ता था, आज वह टेक्स्ट संपादित करने की तरह लगातार पूछताछ से पूरा हो सकता है। Google DeepMind ने 5 नवंबर को Gemini Omni 1.2 Flash मॉडल कार्ड जारी किया, जिसमें इस मॉडल को टेक्स्ट, इमेज, ऑडियो और वीडियो इनपुट से आवाज़ के साथ हाई-रेजोल्यूशन वीडियो जनरेट करने और प्राकृतिक संवाद के माध्यम से बार-बार संपादित करने की क्षमता के साथ प्रस्तुत किया गया है। वीडियो निर्माण का प्रवेश द्वार सॉफ्टवेयर पैनल से भाषा की ओर स्थानांतरित हो रहा है, लेकिन इससे संपादन के निशान, व्यक्ति के अधिकार और तथ्यात्मक विश्वसनीयता को आंखों से पहचानना मुश्किल हो गया है।
डायलॉग एडिटिंग ने वास्तव में क्या बचाया
पारंपरिक वीडियो जनरेशन आमतौर पर "एक प्रॉम्प्ट, एक परिणाम" होता है। अगर क्रिएटर्स किसी किरदार की गति, प्रकाश या कैमरा शॉट बदलना चाहते हैं, तो अक्सर उन्हें पुनः जनरेट करना पड़ता है, और पिछले संस्करण के किरदार और सीन भी विकृत हो सकते हैं। Gemini Omni लगातार संपादन पर जोर देता है: प्रत्येक संशोधन पिछले परिणाम पर आधारित होता है और सीन की सततता को बनाए रखने का प्रयास करता है। इस मैकेनिज्म से जटिल ऑपरेशन को समझने योग्य इरादों की एक श्रृंखला में विभाजित किया जाता है, जिससे क्रिएटर्स को मास्क, कीफ्रेम और कॉम्पोजिटिंग नोड्स सीखने की आवश्यकता नहीं होती, और वे कदमदर कदम अपने लक्ष्य की ओर बढ़ सकते हैं।
मॉडल कार्ड में इनपुट के रूप में टेक्स्ट, इमेज, ऑडियो और वीडियो शामिल हैं, और आउटपुट ऑडियो के साथ वीडियो होता है। प्रोडक्ट पेज और भी दिखाता है कि कैसे संदर्भ सामग्री का उपयोग करके दृश्य शैली को बदला जा सकता है, एक्शन को पुनः लिखा जा सकता है और ध्वनि को पूरा किया जा सकता है। इससे केवल निर्माण समय ही नहीं, बल्कि अभिव्यक्ति की लागत भी कम होती है। एक निर्देशक पहले "व्यक्ति दर्पण को छूता है" का वर्णन कर सकता है, फिर सामग्री, ध्वनि प्रभाव और कैमरा गति को जोड़ सकता है, बिना एक लंबे, कठिन नियंत्रित प्रॉम्प्ट को एक साथ लिखे।
Speed version model is not targeting a movie
“Flash” का अर्थ है कि उत्पाद गति और लागत पर अधिक ध्यान केंद्रित करता है। विज्ञापन टीमें, शॉर्ट वीडियो क्रिएटर्स, गेम स्टूडियो और शिक्षण सामग्री निर्माता अक्सर कई संस्करणों का त्वरित परीक्षण करते हैं: एक ही सामग्री को अनुपात, भाषा और गति बदलकर, और फिर प्रतिक्रिया के आधार पर संशोधित करते हैं। यदि मॉडल कम समय में किरदार, संवाद और गतिविधि को समान रख सकता है, तो अधिक बार दोहराए जाने वाले संस्करण पहले बदले जाएंगे, न कि एकल, बड़े उत्पादन।
यह टीम के भूमिकाओं को भी पुनर्व्यवस्थित कर देगा। पिछले समय में निष्पादकों द्वारा किए जाने वाले बड़े पैमाने पर फॉर्मेटिंग और प्रारंभिक संश्लेषण कार्य अब पहले मॉडल को सौंपे जा सकते हैं; मनुष्य अपना समय शॉट्स का चयन, गति का नियंत्रण, तथ्यों की जांच और कॉपीराइट प्रबंधन पर केंद्रित करेंगे। सृजनात्मक पदों का अस्तित्व बटनों के कम होने से स्वतः समाप्त नहीं हो जाएगा, लेकिन "किसी सॉफ्टवेयर का संचालन करना" जैसी क्षमता से मिलने वाली सुरक्षा कमजोर हो जाएगी, जबकि कथानक, सौंदर्यशास्त्र और दर्शकों की समझ का मूल्य बढ़ेगा।
आवाज़ बदलने वाले व्यक्ति का जोखिम, पृष्ठभूमि बदलने से अधिक है
DeepMind ने मॉडल कार्ड में विशेष रूप से उल्लेख किया है कि वीडियो संपादन क्षमता व्यक्तियों की बातचीत को बदल सकती है, और वर्तमान में इसकी सीमा लगाई गई है और इसे सुरक्षित रूप से खोलने के तरीके पर अध्ययन जारी है। यह वाक्य बहुत महत्वपूर्ण है। आकाश के रंग को बदलना और एक वास्तविक व्यक्ति को कभी न कही गई बातें कहने के लिए मजबूर करना, एक ही जोखिम नहीं है। बाद वाला मान-यश, धोखाधड़ी, राजनीतिक प्रचार और साक्ष्य संक्रमण से संबंधित हो सकता है, और जितना अधिक उत्पादन गुणवत्ता उच्च होगी, उतना ही सामान्य उपयोगकर्ता सीधे अनुमान लगाने में कठिनाई महसूस करेगा।
Google ने बताया कि प्रणाली ट्रेनिंग से पहले और ट्रेनिंग के बाद के सुरक्षा उपायों का उपयोग करती है और SynthID के माध्यम से AI सामग्री में जलस्वाक्षर जोड़ती है। जलस्वाक्षर प्लेटफॉर्म की पुष्टि के लिए संकेत प्रदान कर सकता है, लेकिन यह एक सार्वभौमिक सबूत नहीं है: वीडियो को काटने, ट्रांसकोड करने या दोबारा शूट करने के बाद पहचान क्षमता प्रभावित हो सकती है; जिन अनुप्रयोगों में पुष्टि समर्थित नहीं है, वे दर्शकों को स्वचालित रूप से सूचित नहीं करेंगे। वास्तविक रूप से प्रभावी शासन के लिए स्रोत रिकॉर्डिंग, व्यक्ति अधिकार, प्लेटफॉर्म टैगिंग और दुरुपयोग की शिकायत प्रणाली का संयुक्त कार्य आवश्यक है।
मॉडल कार्ड में जानकारी के खाली स्थान भी उजागर होते हैं
इस मॉडल कार्ड में पूर्ण ट्रेनिंग डेटा सूची नहीं दी गई है, बल्कि कई सामग्रियाँ बेस मॉडल Gemini Omni Flash की ओर इशारा करती हैं; ज्ञात सीमाएँ भी मुख्य रूप से बेस मॉडल की सामग्री का हवाला देती हैं। सामान्य सृजकों के लिए, यह परीक्षण को अवरुद्ध नहीं करता है; लेकिन उद्यमों के कानूनी विभाग, मीडिया और शिक्षा संस्थानों के लिए, यह इस बात का अर्थ है कि उन्हें अभी भी डेटा लाइसेंस, क्षेत्रीय पहुँच, व्यक्तियों की छवि और आउटपुट की जिम्मेदारी जैसे प्रश्नों का उत्तर स्वयं देना होगा।
मॉडल कार्ड में यह भी बताया गया है कि Omni 1.2 Flash को Gemini 3.1 Pro या 3.7 Flash की तुलना में मूलभूत अग्रणी क्षमताओं में महत्वपूर्ण उछाल लाने वाला नहीं माना गया है, इसलिए संबंधित सुरक्षा मूल्यांकन को जारी रखा गया है। यह जोखिम वर्गीकरण पर आधारित एक निर्णय है, और इसका अर्थ यह नहीं है कि प्रत्येक वीडियो संपादन परिदृश्य की पुष्टि कर दी गई है। आवाज़ और चित्र को बड़े पैमाने पर संशोधित करने वाले उत्पादों का सामाजिक जोखिम अधिकतर उपलब्धता, गति और प्रसार से आता है, केवल इस बात से नहीं कि मॉडल किसी अग्रणी क्षमता स्तर को प्राप्त करता है या नहीं।
वीडियो सॉफ्टवेयर इंटेंट सिस्टम बन रहा है
भविष्य के वीडियो टूल्स शायद उपयोगकर्ताओं से सामग्री बॉक्स, ट्रैक और फिल्टर्स से शुरू करने की आवश्यकता नहीं रखेंगे, बल्कि पहले पूछेंगे, "आप अपने दर्शकों को क्या देखना चाहते हैं?" मॉडल फिर एक प्राकृतिक भाषा को लेंस, ऑडियो ट्रैक और प्रभावों में अनुवाद कर देगा। ऐसा प्रवेश बिंदु अधिक लोगों को अभिव्यक्ति की क्षमता प्रदान करेगा और पूर्ण वीडियो की संख्या में भारी वृद्धि होगी। इसके साथ, दुर्लभ संसाधन अब निर्माण कौशल से संदेहयोग्य स्रोत, अनूठी सामग्री और पहचानने योग्य लेखक जिम्मेदारी की ओर स्थानांतरित हो जाएंगे।
जेमिनी ओमनी 1.2 फ्लैश का सबसे महत्वपूर्ण पहलू यह नहीं है कि यह कितने सुंदर चित्र बना सकता है, बल्कि यह है कि संपादन क्रियाएँ अब हस्तचालित से संवादात्मक और निरंतर उपयोग के सेवाओं में बदल रही हैं। जब सृजन की बाधाएँ कम होती हैं, तो प्लेटफॉर्म और सृजकों को साक्ष्य की बाधाओं को एक साथ बढ़ाना होगा: यह किसका चेहरा है, किसकी आवाज़ है, किन भागों में संशोधन किया गया है, और दर्शक कैसे पुष्टि करें। अन्यथा, सबसे सुविधाजनक संपादन उपकरण सबसे सस्ते झूठे उपकरण बन सकते हैं।


