Gemini Omni 1.2 Flash cho phép chỉnh sửa video theo cuộc hội thoại

icon币界网
Chia sẻ
AI summary iconTóm tắt
Google DeepMind đã ra mắt Gemini Omni 1.2 Flash, một mô hình hỗ trợ chỉnh sửa video thông qua ngôn ngữ tự nhiên. Mô hình này hỗ trợ đầu vào đa phương thức và tạo ra video độ phân giải cao kèm âm thanh, lý tưởng cho các quy trình làm việc yêu cầu lặp lại nhanh trong quảng cáo và giáo dục. Các tính năng an toàn bao gồm ghi nhãn SynthID. Nhà giao dịch nên đánh giá tỷ lệ rủi ro-lợi nhuận trước khi xem xét tác động của nó đến việc tạo nội dung. Chi tiết dữ liệu huấn luyện vẫn còn hạn chế, và bản cập nhật này cho thấy mức cải thiện khiêm tốn so với các phiên bản trước đó.
Bijie.com báo cáo:

Gửi một đoạn video tự quay cho mô hình, sau đó nói “hiệu ứng như sóng lăn lăn trên mặt chất lỏng”, “biến nhân vật thành con rối”, “giữ nguyên căn phòng và chuyển động”, những công việc trước đây cần biên tập viên thực hiện từng lớp trên dòng thời gian, giờ đây có thể được chỉnh sửa liên tục như sửa văn bản. Google DeepMind đã công bố thẻ mô hình Gemini Omni 1.2 Flash vào ngày 5 tháng 11, mô tả mô hình này có khả năng tạo ra video độ phân giải cao có âm thanh từ đầu vào văn bản, hình ảnh, âm thanh và video, đồng thời hỗ trợ chỉnh sửa lặp lại thông qua hội thoại tự nhiên. Cửa vào sản xuất video đang chuyển từ bảng điều khiển phần mềm sang ngôn ngữ, nhưng điều này cũng khiến các dấu hiệu chỉnh sửa, quyền sử dụng nhân vật và độ tin cậy sự thật trở nên khó phát hiện bằng mắt thường.

Cuộc trò chuyện đã tiết kiệm được gì thực sự

Các video được tạo theo cách truyền thống thường là “một lệnh nhắc, một kết quả”. Nếu người sáng tạo muốn thay đổi chuyển động của nhân vật, ánh sáng hoặc góc máy, họ thường phải tạo lại từ đầu, và nhân vật cùng cảnh vật ở phiên bản trước có thể bị biến dạng. Gemini Omni nhấn mạnh vào chỉnh sửa liên tục: mỗi lần chỉnh sửa đều dựa trên kết quả của vòng trước, cố gắng duy trì tính liên tục của cảnh. Cơ chế này chia các thao tác phức tạp thành một chuỗi ý định dễ hiểu, giúp người sáng tạo không cần phải học trước các khái niệm như mặt nạ, khung khóa và nút tổng hợp, mà vẫn có thể từng bước tiến tới mục tiêu.

Thẻ mô hình liệt kê đầu vào bao gồm văn bản, hình ảnh, âm thanh và video, đầu ra là video có âm thanh. Trang sản phẩm còn hiển thị các ví dụ về việc sử dụng tài liệu tham khảo để thay đổi phong cách hình ảnh, viết lại chuyển động và bổ sung âm thanh. Nó không chỉ giảm thời gian sản xuất mà còn cả chi phí biểu đạt. Một đạo diễn có thể mô tả trước “nhân vật chạm vào gương”, sau đó bổ sung chất liệu, hiệu ứng âm thanh và nhịp độ镜头, thay vì phải viết một prompt dài đến mức khó kiểm soát.

Mô hình phiên bản tốc độ không nhắm đến một bộ phim

“Flash” có nghĩa là sản phẩm tập trung vào tốc độ và chi phí. Các đội ngũ quảng cáo, nhà sáng tạo video ngắn, studio game và người làm nội dung giảng dạy thường cần nhanh chóng thử nghiệm nhiều phiên bản: thay đổi tỷ lệ, ngôn ngữ, nhịp điệu của cùng một tài liệu, sau đó điều chỉnh dựa trên phản hồi. Nếu mô hình có thể duy trì sự nhất quán về nhân vật, lời thoại và chuyển động trong thời gian ngắn, những lần lặp lại tần suất cao sẽ được thay đổi trước, thay vì các dự án lớn chỉ thực hiện một lần.

Điều này cũng sẽ sắp xếp lại phân công công việc trong đội ngũ. Những công việc định dạng và tổng hợp sơ bộ trước đây do nhân viên thực hiện có thể được giao cho mô hình trước; con người sẽ dành thời gian để chọn cảnh quay, kiểm soát nhịp điệu, xác minh sự thật và xử lý bản quyền. Các vị trí sáng tạo sẽ không tự động biến mất chỉ vì số nút bấm giảm đi, nhưng hàng rào bảo vệ đến từ “khả năng sử dụng một phần mềm cụ thể” sẽ mỏng đi, trong khi giá trị của việc hiểu rõ kể chuyện, thẩm mỹ và khán giả sẽ tăng lên.

Người có thể thay đổi giọng nói, rủi ro lớn hơn so với thay đổi nền

DeepMind đã đề cập cụ thể trong thẻ mô hình rằng khả năng chỉnh sửa video có thể thay đổi nội dung lời nói của con người, hiện tại đang hạn chế tính năng này và tiếp tục nghiên cứu cách mở rộng một cách an toàn. Câu này cực kỳ quan trọng. Thay đổi màu sắc của bầu trời và khiến một người thật nói ra những điều họ chưa bao giờ nói không phải là cùng một loại rủi ro. Loại sau có thể liên quan đến danh tiếng, lừa đảo, truyền thông chính trị và ô nhiễm bằng chứng, và chất lượng tạo ra càng cao thì người dùng phổ thông càng khó phân biệt bằng trực giác.

Google cho biết hệ thống sử dụng các biện pháp an toàn trước và sau khi huấn luyện, đồng thời thêm dấu nước vào nội dung AI thông qua SynthID. Dấu nước cung cấp manh mối để nền tảng xác minh, nhưng nó không phải là bằng chứng tuyệt đối: khả năng nhận diện có thể bị ảnh hưởng khi video được cắt xén, chuyển mã hoặc quay lại; các ứng dụng không hỗ trợ xác minh cũng sẽ không tự động cảnh báo người xem. Việc quản lý hiệu quả thực sự đòi hỏi sự phối hợp giữa ghi lại nguồn gốc, cấp phép nhân vật, ghi chú trên nền tảng và cơ chế khiếu nại về lạm dụng.

Mẫu mô hình cũng phơi bày những khoảng trống thông tin

Phiếu mô hình này không cung cấp danh sách đầy đủ dữ liệu huấn luyện, mà thay vào đó hướng đến mô hình nền tảng Gemini Omni Flash; các phần giới hạn đã biết cũng chủ yếu trích dẫn tài liệu của mô hình nền tảng. Đối với người sáng tạo thông thường, điều này không cản trở việc thử nghiệm; nhưng đối với pháp lý doanh nghiệp, truyền thông và các tổ chức giáo dục, điều này có nghĩa là họ vẫn phải tự trả lời các câu hỏi về giấy phép dữ liệu, phạm vi địa lý, hình ảnh nhân vật và trách nhiệm đầu ra.

Bản ghi mô hình cũng nêu rõ rằng Omni 1.2 Flash không được đánh giá là mang lại bước nhảy vọt đáng kể về năng lực tiên tiến so với Gemini 3.1 Pro hoặc 3.7 Flash, do đó áp dụng các đánh giá an toàn liên quan. Đây là một phán quyết về phân loại rủi ro, không có nghĩa là mọi kịch bản chỉnh sửa video đều đã được xác minh. Rủi ro xã hội từ các sản phẩm có thể chỉnh sửa lớn quy mô âm thanh và hình ảnh đến nhiều hơn từ khả năng tiếp cận, tốc độ và sự lan truyền, chứ không chỉ dựa trên việc mô hình có đạt đến cấp độ năng lực tiên tiến nào hay không.

Phần mềm video đang trở thành hệ thống ý định

Các công cụ video trong tương lai có thể sẽ không còn yêu cầu người dùng bắt đầu từ kho tài nguyên, các track và bộ lọc, mà sẽ hỏi trước: “Bạn muốn khán giả nhìn thấy điều gì?”. Sau đó, mô hình sẽ dịch câu ngôn ngữ tự nhiên đó thành các cảnh quay, track âm thanh và hiệu ứng. Cách tiếp cận này sẽ trao quyền biểu đạt cho nhiều người hơn và khiến số lượng video hoàn thiện tăng vọt. Nguồn tài nguyên khan hiếm sẽ dần chuyển từ kỹ năng sản xuất sang nguồn đáng tin cậy, tài nguyên độc đáo và trách nhiệm tác giả có thể nhận diện.

Điều đáng chú ý nhất ở Gemini Omni 1.2 Flash không phải là khả năng tạo ra những hình ảnh đẹp mắt hơn nữa, mà là hành động chỉnh sửa đang chuyển từ thao tác thủ công thành dịch vụ có thể trò chuyện và gọi liên tục. Khi rào cản sáng tạo giảm xuống, nền tảng và người sáng tạo phải đồng thời nâng cao ngưỡng chứng minh: Đây là khuôn mặt ai, giọng nói của ai, những phần nào đã được chỉnh sửa, và khán giả sẽ xác minh như thế nào. Nếu không, công cụ chỉnh sửa tiện lợi nhất cũng có thể trở thành công cụ giả mạo rẻ nhất.

Tuyên bố miễn trừ trách nhiệm: Thông tin trên trang này có thể được lấy từ bên thứ ba và không nhất thiết phản ánh quan điểm hoặc ý kiến của KuCoin. Nội dung này chỉ được cung cấp cho mục đích thông tin chung, không có bất kỳ đại diện hay bảo đảm nào dưới bất kỳ hình thức nào và cũng không được hiểu là lời khuyên tài chính hay đầu tư. KuCoin sẽ không chịu trách nhiệm về bất kỳ sai sót hoặc thiếu sót nào hoặc về bất kỳ kết quả nào phát sinh từ việc sử dụng thông tin này. Việc đầu tư vào tài sản kỹ thuật số có thể tiềm ẩn nhiều rủi ro. Vui lòng đánh giá cẩn thận rủi ro của sản phẩm và khả năng chấp nhận rủi ro của bạn dựa trên hoàn cảnh tài chính của chính bạn. Để biết thêm thông tin, vui lòng tham khảo Điều khoản sử dụng và Tiết lộ rủi ro của chúng tôi.