Gemini Omni 1.2 Flash macht KI-Videos länger und 30 Prozent günstiger

Google stellt Gemini Omni 1.2 Flash breit bereit. Das KI-Modell für Videogenerierung erstellt nun Clips mit bis zu 15 Sekunden Länge, lässt sich im Gespräch weiterbearbeiten und kostet weniger als sein Vorgänger. Für 720p-Videos nennt Google einen Preis von 0,07 US-Dollar pro Sekunde. Das sind laut Unternehmen 30 Prozent weniger als bei Gemini Omni 1.1 Flash.

Videos können zwischen drei und 15 Sekunden lang sein. Die gewünschte Dauer lässt sich in Ein-Sekunden-Schritten festlegen. Zuvor lag die Obergrenze bei zehn Sekunden. Damit eignet sich das Modell eher für kurze Werbespots, Produktvorstellungen und Social-Media-Formate, die bisher oft aus mehreren einzelnen Clips zusammengesetzt werden mussten.

Google führt Gemini Omni 1.2 Flash über die Gemini API, Google AI Studio, die Google Cloud Console, Flow, Google Vids, Google Ads und die Gemini-App für Abonnenten von Google AI Ultra ein. Jedes erzeugte Video erhält nach Angaben des Unternehmens ein nicht wahrnehmbares SynthID-Wasserzeichen.

Änderungen per Folgeanweisung

Im Mittelpunkt steht die mehrstufige Bearbeitung im Dialog. Nutzende können einen erzeugten Clip mit weiteren Anweisungen verändern. Sie können etwa den Hintergrund, ein Produkt, die Beleuchtung, das Wetter oder das Seitenverhältnis anpassen. Google zufolge bleibt dabei die Handlung des ursprünglichen Clips auch über die gesamte Länge von 15 Sekunden erhalten.

Das Verfahren soll verhindern, dass ein Video wegen eines einzelnen fehlerhaften Details vollständig neu erzeugt werden muss. Google empfiehlt, zunächst Entwürfe in 360p oder 720p zu erstellen. Einzelne Fehler sollen dann über Folgeanweisungen korrigiert werden. Erst die ausgewählte Endfassung wird auf 1080p oder 4K hochskaliert.

Das Modell kann außerdem mit verschiedenen Referenzen arbeiten. Google nennt Bilder von Personen, Produkten und Stilvorlagen, Audiovorgaben sowie Bewegungsclips mit bis zu drei Sekunden Länge. Gesichter, Kleidung, Verpackungstexte und Markenfarben sollen bei Perspektivwechseln und Szenenwechseln besser erhalten bleiben.

Das wäre vor allem für Produktvideos und Markeninhalte wichtig. In den von Google gezeigten Beispielen erzeugt das Modell virtuelle Anproben, Videos auf Basis von Produktfotos und Szenen mit wiederkehrenden Figuren. Dabei handelt es sich jedoch um Unternehmensdemonstrationen, nicht um unabhängige Tests.

Weniger Bilddrift, bessere Sprache

Google verspricht zudem weniger visuelle Abweichungen innerhalb eines Clips. Bei KI-Videos verändern sich Figuren, Gegenstände oder Räume häufig ungewollt im Verlauf einer Szene. Omni 1.2 Flash soll diese Bilddrift bei Übergängen, Verlängerungen und Verbindungen zwischen einem ersten und letzten Bild verringern.

Weitere Verbesserungen betreffen Sprache und Kameraführung. Das Modell soll Lippensynchronität klarer umsetzen, mehrere Stimmen unterschiedlichen Figuren zuordnen und Dialoge natürlicher klingen lassen. Auch längere Kamerabewegungen wie FPV-Flüge, Kreisfahrten oder schnelle Zoomfahrten sollen mit weniger unerwarteten Schnitten gelingen.

Google räumt ein, dass es weiterhin Schwächen gibt. Dazu zählen schnelle Sportszenen, rasche Änderungen eines Skripts und komplexe physikalische Abläufe. Für Produktionen mit präzise geplanten Bewegungen oder vielen Action-Momenten bleibt eine sorgfältige Prüfung der Ergebnisse daher notwendig.

Für Unternehmen bietet Google Provisioned Throughput über seine Cloud-Infrastruktur an. Die niedrigeren Kosten und die Bearbeitung einzelner Details könnten das Modell vor allem für Teams interessant machen, die viele Varianten kurzer Videos erstellen. Wie zuverlässig die versprochene Konsistenz im Arbeitsalltag funktioniert, müssen unabhängige Praxistests zeigen.

Quellen

• Gemini Omni 1.2 Flash – Google
• Google’s Gemini Omni 1.2 Flash stretches AI video clips to 15 seconds and cuts pricing by 30 percent – The Decoder