A Google Gemini Omni Flash elérhetővé válik az API-n, ezzel a vállalati videógyártást beszélgetéssé alakítja.

A legtöbb vállalat számára egy 90 másodperces képzési videó vagy termékismertető sosem volt könnyű kérés. Ez jól megtervezett tájékoztatót, egy belső filmes csapatot vagy külső szolgáltatót, egy felvételt, egy vágást és egy javítási kört jelent. Ha egy képernyőn lévő szöveget meg kell változtatni jogi felülvizsgálat miatt, az egész lánc újraindul. A költség és a hosszú időtáv az oka annak, hogy annyi belső videó soha nem készül el. Ezt a képletet kívánja átírni a Google a Gemini Omni Flash-sal, az "Omni" család első modelljével, amely most érkezik a fejlesztők és a vállalati ügyfelek számára API-n keresztül, miután a fogyasztók számára bemutatásra került az I/O 2026 rendezvényen. A Google a család célját úgy keretezi, mint bármilyen "bármilyen bemenetből történő" létrehozás, kezdve a videókkal. De a fő interakció nem csupán egy élesebb szöveg-hez-videó prompt. Ez a képesség, hogy a kész klipet a beszélgetés során szerkeszthessük. Amikor a modell májusban elindult, a VentureBeat vállalati elemzése kiemelte a problémát: programozott interfész hiányában az Omni inkább fogyasztói és prozumer eszköz volt, semmint produkciós. Az API kiadása ezt megváltoztatja. A konzervatív szerkesztés a marketing- és tanulás-fejlesztő csapatok előtt áll, akik a legtöbb videót készítik egy szervezeten belül. Az ajánlat: egy öt eszközből álló csővezeték összeolvad egyetlen beszélgetéssé. Eddig sok csapat a nehéz úton állította össze az AI videókat, összeillesztve egy LLM-et egy forgatókönyvhöz, egy szöveg-kép modellt, egy kép-videó modellt, egy különálló szinkronizáló eszközt és egy hanggenerátort, mindegyik saját szerződésével, számlázásával és adatkezeléssel. Az Omni vállalati érve az egységesítés: egy modell, amely szöveget, képeket és videót vesz fel, és egy kész klipet ad vissza szinkronizált audióval. Ez az egyszerűségrész az, amit a döntéshozóknak elsőként kell mérlegelniük. Számos ponteszköz egyetlen modellbe való összevonása kevesebb szolgáltatót jelent és egyetlen helyet a kimenet nyomon követésére és az adatkezelési szabályok betartására. Egy olyan szervezet számára, amely elkerülte a generatív videót, mert az eszközök összeillesztése nem érte meg az overheadet, a képlet megváltozik. A konzervatív szerkesztés minden utasítása az előzőre épít, így egy marketinges újra megvilágíthat egy termék felvételt, újra keretezheti azt, vagy átcserélheti a ruházatot anélkül, hogy újra kellene generálni az egészet és elveszíteni a már működő részeket. Ez a különbség egy újrafelvételi időpont lefoglalása és egy üzenet küldése között.

Az Omni sokkal többet elfogad, mint egy szöveges prompt. A kívánt dolgokat leíró szavak mellett több referencia képet és meglévő videoklipet is adhatunk meg, és ezeket a részleteket a végeredménybe viszi. Adjunk neki egy fényképet egy adott tárgyról, kérjük meg a modellt, hogy helyezze azt a jelenetbe, és reprodukálja az igazi színét és durva formáját, ahelyett, hogy egy általános helyettesítőt találna ki. Bár az egyezés nem mindig pixelpontos, elég közel van ahhoz, hogy felismerhető legyen. Ez a referencia-alapú irányítás teszi a funkciót kereskedelmi szempontból érdekesnek: egy termékfotó, egy márkájú logó vagy egy adott helyszín beilleszthető hozzávalóként, ahelyett, hogy csak leírnánk egy promptban és remélnénk a megfelelő eredményt. A Google négy kiemelt erőssége közül kettő közvetlenül a vállalati munkához kapcsolódik. Az első egy világmodell, a rendszer megértése arról, hogyan viselkednek a fizikai jelenetek. Adjon hozzá enyhe esőt és pocsolyákat egy meglévő felvételhez, és a rendszer visszatükrözi az emberek és tárgyak visszatükröződését a vizes járdán, az a fajta fizikai konzisztencia, amely elválasztja a valós felvételeket az egyértelmű AI videóktól. A második a szöveg- és logóbeillesztés. Irányítsa egy teleplakátolt jelenetre, és átírhatja a feliratokat más nyelvre, vagy a választott márka számára, sőt egy vállalat logóját is beillesztheti. Az eredmények nem tökéletesek: teszteléskor a feliratok nyomon követése összetett jelenetekben nem mindig volt tökéletes, és néhány szöveg visszaszivárgott az eredeti nyelvre a keretek között. Képzési videókhoz, amelyeknek képernyőn kell lenniük feliratoknak, vagy hirdetésekhez, amelyeknek logót kell elhelyezniük a jelenetben, ez egy olyan képesség, amely érdemes közelről megvizsgálni, és emlékeztető, hogy a kimenetnek emberi felülvizsgálatra van szüksége, mielőtt megjelenik. Az interakciós API és ahol a korlátok még mindig éreztetik hatásukat A háttérben ez a Google új interakciós API-ján fut, egy állapot-megőrző interfészen, amelyet többturnusos feladatokhoz, nem pedig nyitott párbeszédhez terveztek. Minden egyes forduló magával viszi az előző videót és annak referenciáit, ami lehetővé teszi az átgondolt szerkesztéseket. A fejlesztők láncokat hozhatnak létre. Készíthetnek egy klipet, átszerkeszthetik egy macskát puma kismacskává, átdolgozhatnak egy videót 8-bit retro stílusra, majd vízfesték kinézetre, és minden verziót elmenthetnek, hogy később elágazhassanak belőle. A korlátok valósak és érdemes körülnézni. Jelenleg a klip hossza 10 másodpercnél korlátozott, a modell hivatalos információi szerint. Hogy hosszabb dolgot készítsenek, darabokat generálnak és összeszerkesztik őket. Feltöltött felvételek is szerkeszthetők, amennyiben 10 másodpercnél rövidebbek és a felhasználónak jogai vannak hozzá. A Google saját modellkártyája nyíltan tudatja, hogy a konzisztencia fenntartása a szerkesztések között és a pontos szöveg megjelenítése továbbra is nyitott problémák. Védőkeretek, vízjelezés és a határ, amit a Google nem lép át A CISO számára a bemutatók kevésbé fontosak, mint a modell mellett szállított származásmunka. Minden Omni klip Google SynthID vízjelet hordoz, a Google kiterjeszti a C2PA Tartalom Hitelesítése-t generatív eszközei körében, és elindította az AI Tartalom Érzékelő API-t, amely jelzi az AI által generált médiát, mind a Google-, mind más szolgáltatókét. A Google szándékosan meghúzta a vonalat. A modell nem fogad el egy személyről készült álló fényképet és egy hangfelvételt, hogy azokat beszéddé szinkronizálja, ez egy egyértelmű lépés a deepfake-ek korlátozására. Azonban elfogadhat egy felvételt valakiről, aki beszél, és lefordíthatja egy másik nyelvre, ami hasznos lehet a globális képzési tartalmak lokalizálásához. Szabályozott vállalatok számára ezek a korlátozások és a beépített származás funkciók inkább a jellemzőik, mintsem a nehézségek. A számok: olcsó, csak 720p, és (előzetesen) az első helyen A díjak az API-val együtt érkeztek, és agresszívek. Az Omni Flash ára 0,10 USD másodpercenként generált 720p videóra, ami egy tíz másodperces klipet körülbelül egy dollárra tesz. Ez megegyezik a Veo 3.1 Fast árával ugyanabban a felbontásban, kétszer annyiba kerül, mint a Veo 3.1 Lite, és háromnegyedével alacsonyabb a standard Veo 3.1 áránál. Másodpercenként (USD) Gemini Omni Flash Veo 3.1 Lite Veo 3.1 Fast Veo 3.1 720p 0,10 0,05 0,10 0,40 1080p n/a 0,08 0,12 0,40 4K n/a n/a 0,30 0,60 A táblázat azonban felfedi a problémát is. Omni Flash csak 720p-t generál. Nincs 1080p vagy 4K opció, míg a Veo szintek felfelé skáláznak a 4K-ig. Belső képzéshez és a legtöbb közösségi videóhoz a 720p tökéletesen megfelelő. A prémium márkás munkákhoz, amelyeket nagy képernyőre szánnak, valós plafon ez, és az oka, amiért a Veo 3.1-nek még mindig szüksége van a munkájára. A klip hossza 720p natívban 3-10 másodperc, fekvő (16:9) vagy álló (9:16) formátumban. Referencia bemenetként a modell legfeljebb hét képet és legfeljebb három, három másodpercnél rövidebb videoklipet fogad el. Még nem fogad el hangot bemenetként, bár hanganyagot generál a videó mellett, amelyet elkészít. A kimenet standard MP4 formátumú, és minden klip tartalmazza a SynthID vízjelezést és a C2PA hitelesítést. A minőséggel kapcsolatban a korai jelzések erősek. Az LMArena szöveg-videó arénájában, ahol az emberek szavaznak a versengő modellek közötti közvetlen kimenetekre, az Omni Flash az első helyet foglalta el 1527 ponttal. Mit jelent ez a költségvetések számára, és mi az, ami még mindig hiányzik A valós díjak birtokában az iteráció története konkrétá válik. Minden konzervatív módosítás egy új generáció, amelyért fizetni kell, így egy szerkesztés-nehéz ülés még mindig összeadódik, körülbelül egy dollár minden tíz másodperces próbálkozásért 720p-n. Amit az állapot-megőrző modell megváltoztat, az nem a módosítás költsége, hanem a kidobottak száma: mivel a kontextus a fordulatok között megőrzi, ezek a generációk egy nagyrészt működő felvétel finomítására irányulnak, ahelyett, hogy a nulláról kellene újra megkezdeni és remélni, hogy a következő kísérlet sikerül. Az Omni nem egyedül van ezen a területen. A Veo 3.1 továbbra is a Google produkciós minőségű opciója, amikor magasabb felbontásra van szükség, és riválisai, mint a Bytedance, Alibaba és OpenAI mind ugyanazon költségkereteket célozzák meg. Amit az Omni hozzáad, az maga a szerkesztési képesség: a lehetőséget, hogy a videót élő dokumentumként kezeljük ahelyett, hogy egyetlen felvétel lenne.