Przewodnik po modelu

Gemini Omni Flash: konwersacyjny model wideo AI od Google

Gemini Omni Flash to rodzina modeli Google do szybkiego konwersacyjnego generowania i edycji wideo, z wideo jako udokumentowanym wyjściem API.

Poznaj narzędzia wideo Story321 Otwórz w Google AI Studio

Tekst na wideo

Obraz na wideo

Edycja wideo

Czym jest Gemini Omni Flash?

Gemini Omni Flash to rodzina modeli AI Google zaprojektowana do szybkiego konwersacyjnego generowania i edycji wideo. Dokumentacja API Gemini od Google identyfikuje Gemini Omni 1.1 Flash jako obecny stabilny model API i wymienia wideo jako modalność wyjściową API. API Gemini Omni Flash może pracować z tekstu, obrazów lub obsługiwanych wejściowych plików wideo. Google dokumentuje przepływy pracy do tworzenia wideo z promptu, animowania obrazu, edycji lub rozszerzania przesłanego klipu oraz udoskonalania wyniku poprzez interakcję stanową. To niezależny przewodnik po modelu. Story321 nie twierdzi, że Gemini Omni Flash napędza jego narzędzia wideo.

Udokumentowane możliwości

Tekst na wideo

Tworzenie wideo z promptu tekstowego poprzez przepływ pracy API Gemini udokumentowany przez Google.

Obraz na wideo

Użycie obrazu jako punktu wyjścia do animowanego wyniku wideo.

Edycja konwersacyjna

Użycie API Interactions i poprzedniego ID interakcji, aby kontynuować udoskonalanie wcześniejszego wyniku.

Edycja i rozszerzanie wideo

Google dokumentuje edycję przesłanych plików wideo oraz dodawanie rozszerzenia do kwalifikującego się klipu.

Interpolacja klatek

Generowanie wideo przejściowego z podanych pierwszej i ostatniej klatki.

Wiele opcji wyjściowych

Oficjalna dokumentacja wymienia opcje wyjściowe 360p, 720p, 1080p i 4K, w zależności od wybranego przepływu pracy i dostępności.

Aktualne fakty dotyczące API

Features	Gemini Omni Flash
Stabilny model API	gemini-omni-1.1-flash
Podgląd modelu API	gemini-omni-flash-preview
Udokumentowane wejście	Tekst, obraz i wideo; przesłane wideo do edycji lub rozszerzenia jest ograniczone do kwalifikujących się klipów o maksymalnej długości 10 sekund.
Udokumentowane wyjście	Wideo
Udokumentowany czas trwania wideo	3 do 10 sekund
Udokumentowana liczba klatek na sekundę	24 FPS
Udokumentowane okno kontekstowe	1 048 576 tokenów

Gdzie może znaleźć zastosowanie

Krótkie klipy z promptu

Prototypowanie krótkich koncepcji wideo na podstawie zapisanej sceny, akcji lub kierunku wizualnego.

Animacja nieruchomego obrazu

Przekształcenie dostarczonego obrazu w krótki ruchomy ujęcie, gdy odpowiedni jest przepływ pracy obraz-na-wideo.

Iteracyjne kierowanie wideo

Kontynuowanie rozmowy o wygenerowanym wyniku zamiast zaczynania każdej edycji od zera.

Poprawki krótkich klipów

Edycja kwalifikującego się przesłanego klipu lub dodanie kontynuacji, gdy oficjalny przepływ pracy to obsługuje.

Dostęp i dostępność

Google dokumentuje Gemini Omni Flash w API Gemini i udostępnia punkt wejścia AI Studio dla Gemini Omni 1.1 Flash. Sprawdź aktualną dokumentację Google przed zbudowaniem przepływu pracy, ponieważ identyfikatory modeli, dostępność regionalna i obsługiwane funkcje mogą się zmieniać. Nazwa modelu może odnosić się do szerszej rodziny Gemini Omni w materiałach Google, podczas gdy Gemini Omni 1.1 Flash jest stabilnym modelem API wymienionym w aktualnej dokumentacji modelu.

Ważne ograniczenia

Documented limitation

Google wymienia ograniczenia dla niektórych przepływów pracy edycji i rozszerzania w zależności od regionu, w tym EOG, Szwajcarii i Wielkiej Brytanii.

Documented limitation

Edycja i rozszerzanie przesłanego wideo są ograniczone do obsługiwanych klipów o długości do 10 sekund; rozszerzenie jest dodawane na końcu wideo.

Documented limitation

Aktualny przewodnik API Google wymienia edycję głosu, odniesienia audio i przepływy pracy z wieloma wideo jako nieobsługiwane lub niedostępne w opisanym przepływie pracy.

Documented limitation

Karta modelu Gemini Omni Flash odnotowuje ograniczenia dotyczące spójności edycji, złożonego ruchu i dokładnego renderowania tekstu.

Oficjalne źródła

Dokumentacja modelu Gemini Omni Flash

Strona modelu Google wymienia identyfikatory stabilnego i podglądowego modelu API, udokumentowane modalności, czas trwania, rozdzielczości, liczbę klatek na sekundę i okno kontekstowe.

Google AI dla programistów

Przewodnik po API Gemini Omni

Przewodnik po przepływach pracy Google obejmuje tekst-na-wideo, obraz-na-wideo, edycję stanową, interpolację klatek, edycję wideo, rozszerzanie i aktualne ograniczenia.

Google AI dla programistów

Karta modelu Gemini Omni Flash

Karta modelu Google DeepMind opisuje przeznaczenie i opublikowane ograniczenia, w tym wyzwania związane ze spójnością, ruchem i renderowaniem tekstu.

Google DeepMind

Przegląd Gemini Omni

Przegląd Google DeepMind opisuje Gemini Omni jako model do tworzenia i edycji wideo za pomocą konwersacyjnego kierowania.

Google DeepMind

FAQ Gemini Omni Flash

Czy Gemini Omni Flash to model tekst-na-wideo?

Google dokumentuje przepływ pracy tekst-na-wideo dla Gemini Omni Flash. Jego aktualna strona modelu wymienia tekst, obraz i wideo jako wejście oraz wideo jako wyjście w API.

Jaki jest stabilny model API Gemini Omni Flash?

Aktualna dokumentacja modelu Google wymienia gemini-omni-1.1-flash jako stabilny model API oraz gemini-omni-flash-preview jako model podglądowy.

Czy Gemini Omni Flash może edytować wideo?

Google dokumentuje edycję i rozszerzanie obsługiwanych przesłanych klipów, a także stanowe udoskonalanie konwersacyjne. Obowiązują ograniczenia dostępności i przepływu pracy.