Gemini Omni 1.2 Flash ha ucciso la slot machine del video

Google ha reso Gemini Omni 1.2 Flash disponibile a livello generale il 5 novembre, e la struttura dei prezzi conta più del modello.
Le specifiche di punta sono semplici. I clip nativi ora arrivano a 15 secondi, rispetto ai 10 precedenti. La durata può essere impostata tra 3 e 15 secondi con incrementi di un secondo, con 10 secondi come valore predefinito. L'output predefinito è 720p in 16:9, con supporto per 9:16. Puoi creare bozze a 360p o 720p e aumentare la risoluzione dei risultati selezionati a 1080p o 4K. Tutti gli output portano un watermark invisibile SynthID.
Poi il numero: generazione a 720p a 0,07 $ al secondo e a 360p a circa 0,023 $. Sull'API a pagamento, sono 12 $ per milione di token di output video, misurati a 5.792 token per secondo di 720p, il che equivale a circa 0,70 $ per un clip di dieci secondi e 1,04 $ per quindici. Google afferma che è il 30% più economico di Omni 1.1 Flash.
Confrontalo con dov'era il mercato un anno fa. Un singolo nuovo tentativo su un modello video di punta costava abbastanza che i creator hanno imparato a scrivere prompt in modo difensivo e ad accettare il terzo risultato migliore. Il settore lo chiamava 抽卡, pesca delle carte, perché era esattamente questo.
Il nuovo tentativo diventa accessibile, quindi i tentativi cambiano
A sette centesimi al secondo, una bozza di cinque secondi a 360p costa circa dodici centesimi. Quindici bozze costano meno di due dollari. Il flusso di lavoro razionale smette di essere «scrivi un prompt perfetto e spera» e diventa «generane dodici, guardali, aumenta la risoluzione di quello che funziona».

Si tratta di un cambiamento del flusso di lavoro mascherato da cambiamento di prezzo. Sposta la spesa dalla generazione alla selezione, e la selezione è dove il gusto umano aggiunge davvero valore. Cambia anche gli strumenti che vengono costruiti: un browser che ti mostra dodici bozze economiche e un rendering finale costoso è un prodotto diverso da una chat che ti addebita ogni tentativo.
Google è esplicito su questa impostazione. Il modello offre un flusso di lavoro graduato, e il rendering ad alta risoluzione è pensato per essere riservato agli output che hai già scelto.
15 secondi cambiano l'unità di lavoro
Il salto da 10 a 15 secondi sembra incrementale. Non lo è, per quello che ci sta dentro.
Un clip di dieci secondi può mostrare un prodotto o stabilire un'atmosfera. Non può introdurre, mostrare e chiudere comodamente. Quindici secondi sono all'incirca la durata di un annuncio social standard, il che significa che una singola generazione può ora produrre il deliverable invece di un suo componente. Questo elimina la giunzione, e le giunzioni sono dove il video AI si sfalda: cambi di illuminazione, volti che derivano, oggetti che si spostano tra un taglio e l'altro.
L'esempio di Google stesso è un try-on virtuale di abbigliamento di 15 secondi costruito da un'immagine di una persona e tre immagini di outfit, con l'identità della persona e i dettagli del capo che si mantengono attraverso il movimento.
Le affermazioni sulla coerenza sono specifiche. Le valutazioni affiancate di Google danno a Omni 1.2 un tasso di vittoria del 62% sulla coerenza visiva contro il 38% di 1.1 nei test text-to-video. Il confronto reference-to-video dà a 1.2 un tasso di vittoria del 63% sulla coerenza dell'identità multi-reference contro il 37%. Matt Rouif, amministratore delegato di Photoroom, ha detto ai giornalisti che la generazione più lunga era la funzionalità più richiesta dagli utenti e che la disponibilità generale con accordi sul livello di servizio è ciò che consente alla sua azienda di mettere il modello in produzione per i venditori.
Anche Arena è d'accordo, il che è insolito
Arena.ai ha Gemini Omni 1.2 Flash al primo posto nel text-to-video con 1.541 punti, in aumento rispetto ai 1.514 di 1.1, che era secondo. È anche primo nell'image-to-video e terzo nel montaggio video. Con questo rilascio, la famiglia Omni di Google occupa i primi tre posti nel text-to-video.
Si tratta di un'inversione notevole. All'inizio di quest'anno la narrazione era che i laboratori cinesi avevano preso il comando nel video sulla preferenza cieca. Secondo i numeri di Arena a partire da questo rilascio, non è più vero in cima alla classifica text-to-video.
Le classifiche misurano clip brevi rispetto a un prompt, il che non equivale a mantenere un personaggio stabile attraverso quaranta inquadrature. Considera la classifica come un segnale sulla preferenza estetica, non sull'affidabilità in produzione.
Il montaggio è dove si trova il guadagno pratico
La funzionalità che più probabilmente cambierà il lavoro quotidiano è il montaggio conversazionale. Invece di generare un nuovo clip quando qualcosa non va, continui a lavorare su quello esistente: sostituisci un prodotto, cambi lo sfondo, modifichi illuminazione o meteo, cambi il formato, regoli l'angolazione della camera. Gli elementi non menzionati dovrebbero sopravvivere alla modifica.
Tecnicamente questo funziona tramite un `previous_job_id` che conserva il contesto tra le chiamate API, quindi il video precedente non deve essere ricaricato. Ogni richiesta può usare più immagini di riferimento, tra cui fino a tre per personaggio per due personaggi, un clip di riferimento di movimento fino a tre secondi e cue audio.
L'estensione è separata dalla generazione nativa. Puoi aggiungere da 3 a 10 secondi per turno, usando gli ultimi 10 secondi come contesto, fino a un totale di 30 secondi. Non puoi anteporre filmato o inserire materiale a metà clip, e l'interpolazione dal primo all'ultimo fotogramma è ancora limitata a output da 3 a 10 secondi. Vale la pena conoscere questi limiti prima che qualcuno prometta a un cliente uno spot di 30 secondi in un'unica ripresa.
L'audio è la parte che nessuno mette nel prezzo
Una cosa da tenere presente nei numeri al secondo: coprono i token video. Omni 1.2 Flash genera audio nativo con il video, dialogo, ambiente ed effetti sonori, e il modello gestisce più interlocutori con condizionamenti separati.
L'audio è dove il video AI di solito si sfalda in produzione. Un clip con movimento convincente e un lip-sync che deriva di 200 millisecondi è inutilizzabile, e correggerlo in post-produzione costa più che rigenerarlo. Se l'audio è davvero sincronizzato al momento della generazione, il risparmio non è nella bolletta del modello, è nel pomeriggio dell'editor.
Google afferma anche che il lip-sync e la chiarezza del dialogo sono migliorati, e che voci diverse possono essere assegnate accuratamente a personaggi diversi. Sono affermazioni piccole in un comunicato stampa e grandi in un flusso di lavoro. Chiunque valuti questo per la pubblicità dovrebbe testare prima le scene ricche di dialoghi, perché è lì che la generazione precedente di modelli falliva più visibilmente.
La data di migrazione è il dettaglio sottovalutato
Omni 1.1 Flash resta disponibile durante una transizione di quattro settimane. Il 3 dicembre, le richieste API a 1.1 verranno indirizzate automaticamente a 1.2 senza modifiche al codice, alle tariffe più basse di 1.2.
Per i team che hanno costruito su 1.1, è un aggiornamento gratuito con un avvertimento: il modello dietro il tuo prodotto cambia senza il tuo coinvolgimento. Qualsiasi libreria di prompt messa a punto sul comportamento di 1.1, e qualsiasi set di valutazione che ha stabilito le baseline di qualità, ora descrive un modello che non stai più chiamando. Riesegui le valutazioni all'inizio di dicembre.
Cosa ancora non può fare
Google è schietto sulle lacune. Azione sportiva veloce, cambi rapidi di script e fisica complessa restano in sviluppo. L'API Gemini supporta pienamente l'inglese e non è stata valutata per altre lingue. Il montaggio vocale, gli input audio caricati e i riferimenti audio non sono supportati nell'API attuale, con i riferimenti audio vincolati a un'allowlist su Google Cloud.
La limitazione solo-inglese è quella che morderà per prima i team internazionali. Una campagna tedesca o giapponese costruita su questo modello gira su una lingua che il fornitore non ha valutato.
Il vero cambiamento
Per due anni, il prezzo del video AI è stato strutturato attorno al presupposto che la generazione fosse costosa e quindi scarsa. Ogni decisione di prodotto ne è derivata: clip brevi, bassa risoluzione, prompt engineering aggressivo, tolleranza per output scadenti.
Omni 1.2 Flash prezza la generazione come una commodity e mette il costo dove deve stare, nel rendering finale. Dodici centesimi per scoprire se un'idea funziona sono un'abitudine più che una voce di budget.
Google ha anche reso disponibile la distribuzione nella stessa settimana: Flow per la regia delle scene e il montaggio multi-turno, Google Vids, l'app Gemini per gli abbonati Ultra e la creazione di campagne in Google Ads. Quando il modello diventa economico e le superfici sono già installate, il vincolo sul video AI smette di essere l'accesso. Diventa se qualcuno ha una ragione per guardare.
Articoli correlati
La spesa in AI non si è fermata: la regge l'1% delle aziende
Il volume di token è cresciuto del 37.1 per cento e i prezzi sono scesi del 26.8: la differenza spiega perché i ricavi dei fornitori sembrano fermi.
Claude ora legge i tuoi estratti conto. Anthropic gli ha tolto le mani di proposito
Il design in sola lettura è il prodotto, e scollegare una banca non ritira ciò che è già finito in una chat.
Adobe ha smesso di chiedere ai marketer di aprire Adobe
Per un decennio la strategia è stata possedere l'interfaccia. Adobe ha appena scommesso il contrario.
CrowdStrike ha rilasciato un kill switch per gli agenti AI. La parte difficile è sapere cosa terminare.
Un kill switch trasforma una supposizione in qualcosa di applicabile. L'applicazione richiede un elenco, e l'elenco è la parte che nessuno ha.