Gemini Omni 1.2 Flashが会話型動画編集を可能に

icon币界网
共有
AI summary icon概要
Google DeepMindは、自然言語で動画編集をサポートする「Gemini Omni 1.2 Flash」をリリースしました。このモデルはマルチモーダルな入力をサポートし、音声付きの高解像度動画を出力するため、広告や教育分野での高速イテレーションワークフローに適しています。セキュリティ機能としてSynthIDウォーターマーキングを備えています。トレーダーは、コンテンツ作成への影響を検討する前に、リスクとリワードの比率を評価すべきです。トレーニングデータの詳細は依然として限られており、今回の更新は以前のバージョンと比較してわずかな改善を示しています。
CoinMarketCapが報道:

自撮り動画をモデルに渡し、「鏡面が液体のように波立つ」「人物を人形に変える」「元の部屋と動作を保持する」と指示すると、かつて編集者がタイムライン上で層ごとに手作業で行っていた作業が、今や文案を編集するように連続して指示できるようになった。Google DeepMindは11月5日、Gemini Omni 1.2 Flashモデルカードを公開し、このモデルをテキスト、画像、オーディオ、およびビデオ入力から音声付きの高解像度動画を生成でき、自然な会話で繰り返し編集をサポートすると説明した。動画制作の入口はソフトウェアパネルから言語へと移りつつあるが、その一方で、編集の痕跡や人物の権利、事実の信頼性が目視で見分けにくくなっている。

対話編集が実際にどれだけ節約したか

従来の生成動画は「1回のプロンプト、1回の結果」が一般的です。クリエイターがキャラクターの動き、照明、またはカメラアングルを変更したい場合、しばしば再生成が必要で、前のバージョンのキャラクターやシーンが変形してしまうこともよくあります。Gemini Omniは連続編集を重視します。毎回の編集は前の結果を基に構築され、シーンの一貫性をできる限り維持します。この仕組みにより、複雑な操作が理解しやすい一連の意図に分解され、クリエイターはマスク、キーフレーム、合成ノードを事前に学ぶことなく、段階的に目標に近づくことができます。

モデルカードには、テキスト、画像、音声、動画が入力として対応し、出力は音声付きの動画です。製品ページでは、リファレンス素材を用いて画風を変更したり、動作を再構成したり、音声を補完する事例がさらに紹介されています。これにより、制作時間だけでなく、表現コストも削減されます。監督は、「人物が鏡に触れる」というシーンをまず説明し、その後、素材の質感、効果音、カメラのリズムを追加で補足できるため、一度に長大で管理しづらいプロンプトを書き込む必要がありません。

スピード版モデルは映画一本をターゲットにしていません

「Flash」は、製品が速度とコストに重点を置いていることを意味します。広告チーム、短編動画クリエイター、ゲームスタジオ、教育コンテンツ制作担当者は、通常、複数のバージョンを迅速にテストします:同じ素材でアスペクト比や言語、リズムを変更し、フィードバックに基づいてさらに修正します。モデルが短時間でキャラクター、セリフ、動作の一貫性を維持できる場合、頻繁に繰り返されるイテレーションが最初に変更され、一度きりの大規模制作ではなくなります。

これによりチームの役割分担も再編される。過去は実行担当者が行っていた多くのフォーマット調整や初期合成作業は、まずモデルに委ねられるようになる。人間はショットの選定、リズムの制御、事実確認、著作権処理に時間を割くようになる。クリエイティブな職種がボタンの数が減ったからといって自動的に消えるわけではないが、「特定のソフトウェアを操作できる」という守備範囲は薄れる。物語理解、審美意識、ターゲット層への理解の価値は高まる。

声を変更できる人物は、背景を変更するよりもリスクが大きい

DeepMindはモデルカードで、動画編集機能が人物の発言内容を変更できる可能性に言及し、現在その機能を制限し、安全に開放するための研究を継続している。この記述は非常に重要である。空の色を変えることと、実在の人物にかつて言ったことのない発言をさせることは、同じリスクではない。後者は名誉毀損、詐欺、政治的プロパガンダ、証拠汚染に関わる可能性があり、生成品質が高くなるほど、一般ユーザーは直感的に真偽を判断するのが難しくなる。

Googleの表示システムは、訓練前および訓練後のセキュリティ対策を採用し、SynthIDを用いてAIコンテンツにウォーターマークを追加します。このウォーターマークはプラットフォームによる検証の手がかりとなりますが、万能な証拠ではありません。動画が切り抜かれたり、再エンコードされたり、再撮影されたりすると、認識能力が影響を受ける可能性があります。また、検証をサポートしていないアプリでは、視聴者に自動的に通知されることはありません。真正なガバナンスには、ソースの記録、人物の許可、プラットフォームによるラベリング、悪用に関する通報メカニズムが連携して機能することが不可欠です。

モデルカードも情報の空白を露呈した

このモデルカードは、完全なトレーニングデータのリストを提供していないため、複数の項目が基礎モデルであるGemini Omni Flashに指向されています。また、既知の制限部分も主に基礎モデルの資料を引用しています。一般のクリエイターにとっては、試用に支障はありませんが、企業の法務部門、メディア、教育機関にとっては、データの利用許可、地域的なアクセス、人物の肖像権、出力の責任などの問題を自ら解決する必要があります。

モデルカードでは、Omni 1.2 FlashはGemini 3.1 Proまたは3.7 Flashと比較して本質的な先進的能力の向上をもたらさないと判断され、関連するセキュリティ評価が継承されています。これはリスク分類に関する判断であり、すべてのビデオ編集シナリオが検証済みであることを意味しません。音声と映像を大規模に変更可能な製品の社会的リスクは、モデルが特定の先進的能力レベルに達しているかどうかだけでなく、その可用性、速度、拡散性に由来します。

ビデオソフトウェアが意図システムになりつつある

将来の動画ツールは、ユーザーに素材ボックス、トラック、フィルターから始めさせず、代わりに「視聴者に何を見てもらいたいですか?」と尋ねるようになるだろう。モデルはその自然言語をショット、オーディオトラック、エフェクトに変換する。このような入口により、より多くの人々が表現力を得られ、完成品の数は急増する。その結果、希少資源は制作技術から、信頼できる情報源、独自の素材、識別可能な作者の責任へと移行する。

Gemini Omni 1.2 Flashで最も注目すべき点は、それがさらに美しい画像を生成できる点ではなく、編集作業が手動操作から対話可能で連続呼び出し可能なサービスへと移行している点である。創造のハードルが下がる一方で、プラットフォームとクリエイターは証明のハードルを同時に高める必要がある:これは誰の顔か、誰の声か、どの部分が編集されたか、視聴者はどのように検証するか。そうでなければ、最も便利な編集ツールが最も安価な偽造ツールとなる可能性がある。

免責事項: 本ページの情報はサードパーティからのものであり、必ずしもKuCoinの見解や意見を反映しているわけではありません。この内容は一般的な情報提供のみを目的として提供されており、いかなる種類の表明や保証もなく、金融または投資助言として解釈されるものでもありません。KuCoinは誤記や脱落、またはこの情報の使用に起因するいかなる結果に対しても責任を負いません。 デジタル資産への投資にはリスクが伴います。商品のリスクとリスク許容度をご自身の財務状況に基づいて慎重に評価してください。詳しくは利用規約およびリスク開示を参照してください。