Отправьте короткое видео-selfie модели и скажите: «Сделайте отражение, как будто оно волнообразно, как жидкость», «Превратите персонажа в куклу», «Сохраните исходную комнату и движения». Раньше такие задачи требовали от монтажёра поэтапной работы по временной шкале, теперь их можно решать последовательно, как редактирование текста. 5 ноября Google DeepMind выпустила карту модели Gemini Omni 1.2 Flash, описав её как способную генерировать высококачественные видео со звуком из текстовых, изображений, аудио- и видеовходов, а также поддерживать повторное редактирование с помощью естественного диалога. Точка входа для создания видео перемещается с программных панелей в язык, но это также делает следы редактирования, авторские права на персонажей и достоверность фактов труднее распознаваемыми невооружённым глазом.
Что реально экономит редактирование диалогов
Традиционное создание видео обычно предполагает «один запрос — один результат». Если создатель хочет изменить движения персонажа, освещение или ракурс, ему часто приходится генерировать видео заново, при этом персонажи и сцены из предыдущей версии могут искажаться. Gemini Omni акцентирует внимание на непрерывном редактировании: каждое изменение основывается на результате предыдущего этапа, сохраняя максимально возможную согласованность сцены. Этот механизм разбивает сложные операции на последовательность понятных намерений, позволяя создателям постепенно приближаться к цели, не изучая заранее маски, ключевые кадры и узлы композитинга.
Карточка модели указывает, что входные данные включают текст, изображения, аудио и видео, а выходные данные — видео с аудио. На странице продукта дополнительно представлены примеры изменения стиля изображения, переписывания действий и дополнения звуков с использованием эталонных материалов. Снижаются не только временные затраты на создание, но и затраты на выражение. Режиссер может сначала описать «персонаж касается зеркала», а затем добавить материал, звуковые эффекты и ритм кадров, не записывая длинные и трудно управляемые промпты сразу.
The speed version model is not aimed at a movie
«Flash» означает, что продукт ориентирован на скорость и стоимость. Рекламные команды, создатели коротких видео, игровые студии и производители обучающего контента часто должны быстро тестировать несколько версий: изменять пропорции, язык и ритм одного и того же материала, а затем дорабатывать его на основе обратной связи. Если модель может сохранять согласованность персонажей, диалогов и движений за короткий промежуток времени, первыми будут изменяться частые итерации, а не одноразовые крупные проекты.
Это также перераспределит обязанности в команде. Многие ранее выполняемые исполнителями задачи по форматированию и предварительной сборке могут быть переданы модели; люди сосредоточатся на выборе кадров, контроле ритма, проверке фактов и решении вопросов авторских прав. Творческие должности не исчезнут автоматически из-за уменьшения количества кнопок, но барьер, создаваемый умением работать с определённым программным обеспечением, ослабнет, а ценность понимания повествования, эстетики и аудитории возрастёт.
Персонажи, которых можно изменить, имеют больший риск, чем смена фона.
DeepMind специально отмечает в карточке модели, что возможность редактирования видео может изменять содержание речи человека, и сейчас это ограничено, а исследования продолжаются по безопасному открытию этой функции. Это утверждение крайне важно. Замена цвета неба и заставление реального человека произнести то, чего он никогда не говорил, — это не один и тот же риск. Последнее может затрагивать репутацию, мошенничество, политическую пропаганду и загрязнение доказательств, и чем выше качество генерации, тем сложнее обычным пользователям интуитивно определить подделку.
Google заявляет, что система использует меры безопасности до и после обучения, а также добавляет водяные знаки к AI-контенту с помощью SynthID. Водяные знаки предоставляют подсказки для проверки на платформах, но не являются универсальным доказательством: распознавание может быть нарушено при обрезке, транскодировании или повторной съемке видео; приложения, не поддерживающие проверку, не будут автоматически предупреждать зрителей. Эффективное управление требует совместной работы записи источников, авторизации персон, маркировки платформами и механизмов жалоб на злоупотребления.
Карта модели также раскрывает пробелы в информации
Этот карт-модели не предоставляет полного списка обучающих данных, а вместо этого ссылается на базовую модель Gemini Omni Flash; раздел известных ограничений также в основном опирается на материалы базовой модели. Для обычных создателей это не препятствует пробному использованию; однако для юридических отделов компаний, СМИ и образовательных учреждений это означает, что им все еще необходимо самостоятельно ответить на вопросы, связанные с лицензированием данных, географическим доступом, изображениями личностей и ответственностью за выводы.
Карточка модели также указывает, что Omni 1.2 Flash не рассматривается как обеспечивающая существенный скачок в передовых возможностях по сравнению с Gemini 3.1 Pro или 3.7 Flash, поэтому применяются соответствующие оценки безопасности. Это суждение относительно классификации рисков, а не означает, что каждый сценарий редактирования видео был проверен. Социальные риски продуктов, способных масштабно изменять звук и изображение, обусловлены в большей степени доступностью, скоростью и распространением, а не только тем, достигает ли модель определенного уровня передовых возможностей.
Видео-программное обеспечение становится системой намерений
В будущем видеоинструменты могут перестать требовать от пользователей начинать с библиотеки материалов, дорожек и фильтров, а вместо этого спросят: «Что вы хотите, чтобы зрители увидели?». Затем модель переведет естественный язык в кадры, аудиодорожки и эффекты. Такой подход даст возможность выразить себя большему числу людей и приведет к взрывному росту количества готовых видео. Скользкий ресурс сместится с техник производства на достоверные источники, уникальные материалы и узнаваемую авторскую ответственность.
Самое важное в Gemini Omni 1.2 Flash — не то, насколько красивые изображения он может генерировать, а то, что редактирование переходит от ручных операций к сервисам, которые можно контролировать с помощью диалога и вызывать последовательно. Когда барьеры для творчества снижаются, платформы и создатели должны одновременно повышать барьеры для доказательства: чье это лицо, чей это голос, какие части были изменены, как аудитория может это проверить. Иначе самый удобный инструмент редактирования может стать самым дешевым инструментом подделки.


