Google zlevnil tvorbu videa o 30 procent a omezil deformace záběrů

Delší stopáž a úspora nákladů

Předchozí verze Omni 1.1 umožňovala generovat klipy v délce do 10 sekund. Oficiální oznámení Google DeepMind uvádí, že model Gemini Omni 1.2 Flash posouvá tuto hranici na 15 sekund. Uživatel si může délku zvolit v krocích po jedné sekundě, v rozmezí od 3 do 15 sekund. Pro tvorbu krátkých reklamních formátů na sociální sítě nebo animovaných ukázek produktů je patnáct sekund často přesně ta délka, která stačí k předání jedné ucelené myšlenky bez nutnosti spojovat několik útržků v externím střihovém programu.

Z pohledu rozpočtu došlo k citelnému posunu. Cena za generování videa v rozlišení 720p klesla na 0,07 USD za sekundu. To je pokles o 30 procent oproti předchozí sazbě přibližně 0,10 USD za sekundu u verze 1.1. V praxi tak celý patnáctisekundový záběr v základním rozlišení vyjde na 1,05 USD, což je v přepočtu zhruba 25 korun. Pracovní postup navíc umožňuje připravovat hrubé návrhy v nízkém rozlišení 360p nebo 720p a teprve schválený výsledek nechat převzorkovat do 1080p či 4K. Při hledání správného záběru se tak zbytečně neplatí plná sazba za vysokou kvalitu.

Úpravy bez nutnosti generovat celý klip znovu

Největší překážkou při práci s generovaným videem bývala nepředvídatelnost. Když se v klipu objevila drobná chyba, musel tvůrce zadat celý požadavek znovu. Výsledkem byl často zcela jiný záběr s jiným světlem i jiným chováním postav. Omni 1.2 Flash do tohoto procesu vnáší vícekrokové konverzační úpravy.

Klip lze upravovat postupně. V jednom kroku změníte pozadí, v dalším upravíte barevné vyznění nebo vyměníte jeden předmět na stole za jiný. Model zachová původní kompozici i pohyb herců a přepracuje pouze určený prvek. Stejně tak lze změnit poměr stran videa, například ze širokoúhlého formátu pro YouTube na vertikální zobrazení pro mobilní telefony, aniž by se musela celá scéna stavět od začátku.

Konzistence tvarů, postav a materiálů

Kdo někdy zkoušel vytvořit video s konkrétním produktem, narazil na deformace etiket, písma i obalů. Nový model dovoluje vložit referenční obrázky postav, oděvů nebo firemních barev, a k tomu přidat až třísekundové pohybové vodítko. Podle technické dokumentace dokáže systém udržet identitu tváře, střih oblečení i detaily potisku i při plné rotaci kamery o 360 stupňů.

V propagačním materiálu demonstruje Google situaci, kdy model zkombinoval fotografii modelky a produktové snímky tří oděvů. Výsledkem byla patnáctisekundová sekvence virtuálního zkoušení oblečení, kde oděv držel správnou strukturu látky a záhyby i na zádech při otočení postavy. Podobně se zlepšilo i vedení kamery. Záběry připomínající průlety dronem netrpí náhlými skoky v měřítku a udržují hladký pohyb prostorem.

Zvuk a synchronizace mluvčích

Kromě obrazové složky model upravuje i práci se zvukem. Gemini Omni 1.2 Flash podporuje generování dialogů pro více mluvčích s přesnější synchronizací rtů. Každá postava v záběru může mít přiřazený vlastní hlasový vzor z krátké sekundové nahrávky. To usnadňuje přípravu mluvících avatarů nebo krátkých instruktážních videí přímo v aplikaci Google Vids.

Ceny a dostupnost pro české uživatele

Model Gemini Omni 1.2 Flash dosáhl stavu všeobecné dostupnosti (GA) 5. listopadu 2026. Pro vývojáře a firmy z České republiky i celé Evropské unie je přístupný prostřednictvím rozhraní Google AI Studio, cloudové platformy Google Cloud a podnikové sady Gemini for business. Běžní uživatelé mohou generovat patnáctisekundové klipy bez dalších poplatků v aplikaci Google Vids v rámci svého účtu Google nebo předplatného Google Workspace.

Nástroj se zároveň rozšiřuje do dalších aplikací Googlu. Tvorba scén a vícekrokové úpravy jsou dostupné v kreativním nástroji Flow, patnáctisekundová videa lze generovat přímo v aplikaci Gemini (funkce je postupně zpřístupňována předplatitelům Google AI Ultra) a možnost tvorby videí je k dispozici také pro škálování videokampaní v Google Ads.

Limity a bezpečnostní značení

I přes popsaná vylepšení vývojáři sami upozorňují na technické hranice systému. Model stále vykazuje potíže při rychlých sportovních akcích, prudkých změnách scénáře (rapid script changes) a u složité fyziky. Pro natáčení akčních scén se systém zatím nehodí.

Z hlediska bezpečnosti a transparentnosti obsahují všechna vygenerovaná videa neviditelný digitální vodoznak SynthID. Ten umožňuje detekčním nástrojům ověřit, že záznam vytvořil software od Googlu, což je v souladu s evropskými požadavky na označování syntetického obsahu.