Gemini Omni 1.2 Flash, Konuşmalı Video Düzenlemeyi Etkinleştiriyor

icon币界网
Paylaş
AI summary iconÖzet
Google DeepMind, doğal dil aracılığıyla video düzenleme desteği sunan Gemini Omni 1.2 Flash modelini piyasaya sürdü. Model, çok modlu girdileri destekliyor ve sesli yüksek çözünürlüklü videolar üretiyor; bu da reklam ve eğitimde hızlı yineleme süreçleri için idealdir. Güvenlik özellikleri arasında SynthID su damgası yer alıyor. Traderlar, içerik oluşturmaya etkisini değerlendirmeden önce risk-getiri oranını değerlendirmelidir. Eğitim verisi detayları hala sınırlı olup, güncelleme önceki sürümlere kıyasla skorlu kazanımlar göstermektedir.
CoinDesk tarafından rapor edildi:

Bir selfie videosunu modele verin ve “yüzey sıvı gibi dalgalansın”, “kişiyi bir marionet haline getirin”, “odanın ve hareketin orijinal halini koruyun” diyin. Geçmişte editörlerin zaman ekseni üzerinde katman katman yapması gereken işler, artık bir metni düzenler gibi ardışık talimatlarla yapılabilir. Google DeepMind, 5 Kasım'da Gemini Omni 1.2 Flash model kartını yayınladı ve bu modeli, metin, görüntü, ses ve video girdilerinden sesli yüksek çözünürlüklü videolar üretmeyi ve doğal diyalogla tekrarlı düzenlemeleri desteklemeyi sağlayan bir model olarak tanımladı. Video üretimi giriş noktası, yazılım panellerinden dile doğru kayıyor; ancak bu, düzenleme izlerini, karakter izinlerini ve gerçeklik güvenilirliğini görsel olarak daha zor tanımlanabilir hale getiriyor.

Konuşma düzenleyici gerçekten neyi tasarruf ettirdi

Geleneksel video üretimi genellikle “bir istek, bir sonuç” şeklindedir. Oluşturucular, karakter hareketini, ışığı veya kamerayı değiştirmek istediğinde sıklıkla yeniden üretmek zorunda kalır ve önceki versiyondaki karakterler ve sahneler bozulabilir. Gemini Omni, sürekli düzenleme vurgusunu yapar: her değişiklik, önceki sonuç üzerine kurulur ve sahne tutarlılığı en fazla düzeyde korunur. Bu mekanizma, karmaşık işlemleri anlaşılabilecek bir niyet dizisine böler; oluşturucular, maske, anahtar kare ve sentez düğümlerini öğrenmeden adım adım hedeflerine ulaşabilirler.

Model kartında listelenen girişler, metin, resim, ses ve videoyu kapsar; çıktı sesli videodur. Ürün sayfası, referans malzemeleri kullanarak sahne stilini değiştirmeyi, hareketleri yeniden yazmayı ve sesleri tamamlamayı göstermektedir. Sadece üretim süresini değil, ifade maliyetini de azaltır. Bir yönetmen, uzun ve kontrol edilmesi zor olan bir prompt yazmak yerine, önce “kişi aynaya dokunur” şeklinde tanımlayabilir, ardından malzeme, ses efektleri ve kamera ritmini ekleyebilir.

Hızlı sürüm modeli bir film hedef almıyor.

“Flash”, ürünün hız ve maliyete daha fazla odaklandığını ifade eder. Reklam ekipleri, kısa video içerik üreticileri, oyun studyoları ve eğitim içerikleri oluşturucular genellikle birden fazla versiyonu hızlıca test eder: aynı materyali oran, dil ve tempoyu değiştirerek ve geri bildirimlere göre düzenlemeye devam eder. Eğer model, karakteri, diyalogları ve hareketleri daha kısa bir sürede tutarlı bir şekilde koruyabiliyorsa, ilk olarak yüksek sıklıkta yinelenen değişiklikler, tek seferlik büyük üretimin yerini alacaktır.

Bu, ekip dağıtımını da yeniden düzenleyecektir. Geçmişte yürütücülerin yaptığı büyük miktarda biçimlendirme ve ilk sentez işleri öncelikle modele verilebilir; insanlar, sahne seçimi, tempoyu kontrol etme, gerçekleri doğrulama ve telif hakkı işlemlerine zaman ayıracaktır. Yaratıcı pozisyonlar, buton sayısı azaldıkça otomatik olarak kaybolmayacaktır, ancak “belirli bir yazılımı kullanabilme” becerisinin sağladığı avantaj inceleşecektir; anlatı, estetik ve hedef kitle değerlerinin anlayışı artacaktır.

Sesini değiştirebilen karakterlerin riski, arka plan değiştirmekten daha yüksektir.

DeepMind, model kartında video düzenleme yeteneğinin kişilerin konuştuğu içeriği değiştirebileceğini özellikle belirtmiş ve bunun için şu anda sınırlamalar uygulanmakta, güvenli bir şekilde açma yöntemleri üzerinde çalışmaya devam edilmektedir. Bu ifade çok önemlidir. Gökyüzünün rengini değiştirmek ile gerçek bir kişinin asla söylemediği bir şey söylemesi aynı türde bir risk değildir. Sonraki durum, itibar, dolandırıcılık, siyasi yayınım ve kanıt kirliliği ile ilgili olabilir ve üretim kalitesi ne kadar yüksekse, normal kullanıcılar o kadar zor algısal olarak ayırt edebilir.

Google, sistemin eğitim öncesi ve eğitim sonrası güvenlik önlemlerini kullandığını ve AI içeriklerine SynthID ile su damlası eklediğini belirtti. Su damlası, platformların doğrulama için ipuçları sağlar, ancak evrensel bir kanıt değildir: Videolar kırpılırsa, kodlaması değiştirilirse veya tekrar çekilmişse, tanıma yeteneği etkilenebilir; doğrulama desteği olmayan uygulamalar izleyicilere otomatik olarak uyarı vermez. Gerçekten etkili bir yönetim, kaynak kayıtları, bireylerin izni, platform etiketlemesi ve istismar şikayet mekanizmalarının birlikte çalışmasına ihtiyaç duyar.

Model kartları bilgi boşluklarını da ortaya koydu.

Bu model kartı, tam bir eğitim veri listesi sağlamıyor; bunun yerine birkaç içeriği Gemini Omni Flash temel modeline yönlendiriyor; bilinen sınırlar bölümü de çoğunlukla temel model malzemelerini引用 ediyor. Normal yaratıcılar için bu, denemeyi engellemez; ancak şirket hukuk departmanları, medya ve eğitim kurumları için, veri lisansı, coğrafi erişim, kişi portreleri ve çıktı sorumluluğu gibi soruları hâlâ kendi başlarına cevaplamak zorundadırlar.

Model kartı, Omni 1.2 Flash'ın Gemini 3.1 Pro veya 3.7 Flash'a göre önemli bir öncü yetenek atlaması sağlamadığını belirtir ve bu nedenle ilgili güvenlik değerlendirmeleri devam ettirilir. Bu, risk sınıflandırmasına ilişkin bir değerlendirme olup, her video düzenleme senaryosunun doğrulanmış olduğu anlamına gelmez. Ses ve görüntüyü büyük ölçekli olarak değiştirebilen ürünlerin toplumsal riskleri, modelin belirli bir öncü yetenek seviyesine ulaşmış olmasından ziyade erişilebilirlik, hız ve yayılma faktörlerinden kaynaklanır.

Video yazılımları niyet sistemlerine dönüşüyor

Geleceğin video araçları, kullanıcıların malzeme kutularından, izlerden ve filtrelerden başlamasını değil, önce “İzleyicilere ne göstermek istiyorsunuz?” diye sormayı gerektirebilir. Model, bu doğal dil ifadesini kamera açılarına, ses izlerine ve efektlere çevirir. Bu tür bir giriş, daha fazla kişinin ifade yeteneğine sahip olmasına ve yapılmış videoların sayısının patlamasına neden olur. Kıymetli kaynaklar, üretim becerilerinden güvenilir kaynaklara, benzersiz malzemelere ve tanınabilir yazar sorumluluğuna kayar.

Gemini Omni 1.2 Flash'ın en dikkat çekici yanı, ne kadar güzel görseller üretebiliyor olması değil, düzenleme işlemlerinin el ile yapılan işlemlerden diyaloglu ve sürekli çağrılabilir bir hizmete dönüşmesi. Yaratımın engeli düştükçe, platformlar ve yaratıcılar aynı anda doğrulama engelini yükseltmek zorunda: Bu kimin yüzü, kimin sesi, hangi kısımlar değiştirildi, izleyiciler bunu nasıl doğrulayacak? Aksi takdirde, en kolay düzenleme aracı en ucuz sahtekârlık aracına dönüşebilir.

Yasal Uyarı: Bu sayfadaki bilgiler üçüncü şahıslardan alınmış olabilir ve KuCoin'in görüşlerini veya fikirlerini yansıtmayabilir. Bu içerik, herhangi bir beyan veya garanti olmaksızın yalnızca genel bilgilendirme amacıyla sağlanmıştır ve finansal veya yatırım tavsiyesi olarak yorumlanamaz. KuCoin, herhangi bir hata veya eksiklikten veya bu bilgilerin kullanımından kaynaklanan sonuçtan sorumlu değildir. Dijital varlıklara yapılan yatırımlar riskli olabilir. Lütfen bir ürünün risklerini ve risk toleransınızı kendi finansal koşullarınıza göre dikkatlice değerlendirin. Daha fazla bilgi için lütfen Kullanım Koşullarımıza ve Risk Açıklamamıza bakınız.