Google wprowadza nową rodzinę modeli sztucznej inteligencji o nazwie Gemini Omni, która łączy zaawansowane zdolności rozumowania z możliwościami twórczymi. Pierwszym przedstawicielem tej serii jest Gemini Omni Flash, model zaprojektowany do generowania i edycji treści wideo przy użyciu różnorodnych danych wejściowych, takich jak tekst, obraz, dźwięk czy inne materiały wideo.
Nowa jakość edycji wideo
Kluczową innowacją Gemini Omni jest możliwość edycji wideo za pomocą naturalnego języka. Użytkownicy mogą wydawać polecenia, które modyfikują istniejące nagrania, dodając nowe obiekty, zmieniając postacie czy przekształcając otoczenie. System zachowuje spójność wizualną postaci oraz praw fizyki, co pozwala na płynne wprowadzanie zmian w kolejnych krokach edycji bez utraty kontekstu pierwotnej sceny.
Model wykazuje się głębokim zrozumieniem świata rzeczywistego, co przekłada się na bardziej realistyczne symulacje fizyczne, takie jak grawitacja, energia kinetyczna czy dynamika płynów. Dzięki temu użytkownicy mogą tworzyć złożone wizualizacje, które wykraczają poza proste dopasowywanie wzorców, opierając się na wiedzy historycznej, naukowej i kulturowej modelu.
Wszechstronność danych wejściowych
Gemini Omni pozwala na łączenie różnych typów danych, aby uzyskać spójny efekt końcowy. Możliwości systemu obejmują:
Dostępność i bezpieczeństwo
Gemini Omni Flash jest udostępniany stopniowo w różnych kanałach:
W trosce o przejrzystość treści, wszystkie materiały wygenerowane przez Gemini Omni są oznaczane cyfrowym znakiem wodnym SynthID, który jest niewidoczny dla ludzkiego oka, ale pozwala na weryfikację pochodzenia pliku. Google podkreśla, że rozwój narzędzi odbywa się zgodnie z zasadami odpowiedzialnej sztucznej inteligencji, mającymi na celu ochronę użytkowników przed potencjalnymi nadużyciami.
