Вышла Gemini Omni 1.2 Flash: видео до 15 секунд и многоэтапное редактирование

Google DeepMind представила модель для генерации видео Gemini Omni 1.2 Flash 5 ноября 2026 года. Модель стала общедоступна в Gemini API и Google Cloud. Среди её возможностей — создание более длинных клипов, улучшенная точность следования референсным изображениям и редактирование одного видео в несколько этапов диалога. Google установила цену генерации видео в 720p на уровне 0,07 доллара за секунду и сообщает, что это на 30% дешевле, чем Gemini Omni 1.1.

Как изменились длительность клипов и стоимость генерации?

В предыдущей версии можно было создавать видео длительностью до 10 секунд, а в Gemini Omni 1.2 Flash предел увеличен до 15 секунд. Длительность генерации можно задать от 3 до 15 секунд с шагом в одну секунду. По словам Google, это позволяет за одну генерацию создавать более длинные истории, презентации продуктов или рекламу для социальных сетей.

На этапе генерации первые варианты можно подготовить в разрешении 360p или 720p. Понравившиеся результаты затем можно повысить до 1080p или 4K. Компания отмечает, что экономить можно не только благодаря сниженной цене: вместо повторной генерации всего клипа, чтобы изменить одну деталь, можно отправить запрос на последующее редактирование уже готового видео.

Референсы и способы редактирования

Модель может одновременно использовать изображения персонажей, продуктов или стилей, короткие видеоклипы с движением длительностью до трёх секунд и звуковые подсказки. Google сообщает, что стремится лучше сохранять эти референсы на протяжении всего видео и уменьшать визуальные изменения при смене сцен или движении камеры. В примерах компании показано, как один и тот же персонаж, продукт и сцена сохраняются при разных ракурсах.

После создания клипа можно в несколько этапов диалога менять фон, освещение или погодные условия, а также соотношение сторон кадра. Поэтому для каждой новой вариации не нужно составлять новый исходный запрос. Google также отмечает более плавную речь, синхронизацию движения губ и возможность задавать параметры для нескольких говорящих.

Среди примеров движения камеры, которые приводит модель, — непрерывный облёт и наезд. В сценарии Google с архитектурными референсными изображениями камера совершает один непрерывный пролёт от площади к воротам и внутрь купола. Это примеры, опубликованные разработчиком; в анонсе не приведена численная оценка того, как результаты будут меняться при использовании разных запросов и референсов.

Влияние на рабочие процессы в архитектуре и визуализации

Для архитектурных бюро и художников по визуализации ограничение в 15 секунд может быть полезно при создании коротких рассказов о пространстве или предварительных вариантов презентаций. Совместное использование референсных изображений и описаний движения может пригодиться при экспериментах, направленных на сохранение визуального языка проекта или заданной композиции сцены. Диалоговое редактирование также потенциально ускоряет подготовку альтернатив за счёт изменения таких элементов, как фон и освещение.

Однако эти возможности не доказывают, что модель будет безупречно сохранять нужную архитектурную геометрию или вид материалов в каждом проекте. Перед использованием нужно проверять соответствие референсам и непрерывность движения. Командам, работающим через API, следует учитывать разрешение и длительность клипа при расчёте стоимости: для 720p указана цена 0,07 доллара за секунду. При этом сообщается, что в Google Vids можно создавать 15-секундные клипы без дополнительной платы.