Нейросеть для видео с озвучкой: Gemini Omni 1.2 Flash

17 ноября Google Cloud открыл Gemini Omni 1.2 Flash для бизнеса и разработчиков: в Gemini для бизнеса, в Google Vids и через API. Клип до 15 секунд, от 5,9 ₽ за секунду, диалоги в кадре и правка готового материала текстом. Разбираю, где эта цена превращается в экономию и где в новую статью расходов.

Короткие клипы едут по ленте через турникет, с них падает монета, рядом часы: цена за секунду ролика
01

Что Google отдал в облако

Сообщение короткое: модель сняли с превью и открыли для бизнеса и разработчиков. В Gemini для бизнеса и в Google Vids она работает как инструмент внутри продукта, разработчикам доступна через API.

Назначение у модели узкое, и в этом её сила: короткие коммерческие ролики. Карточка товара, виртуальная примерка, реклама. Тот, кто делает обзоры на двадцать минут, тут ничего не выиграет.

02

Нейросеть для видео с озвучкой: что поменялось в речи

Модель обещает более естественный диалог, липсинк чище, несколько говорящих в одном клипе. Товарному ролику это редко нужно, рекламе с двумя героями нужно часто: раньше второй голос в кадре обходили монтажом.

Аудио-референсы принимаются только через список допуска. Смысл простой: загрузить чужой трек и получить его в генерации нельзя, доступ выдают ограниченному кругу лиц. Выход помечен водяным знаком SynthID. Для площадок это плюс, для тех, кто собирался выдать ролик за съёмку, минус.

Три кадра с одним и тем же товаром, сшитые одной нитью: предмет держится между шотами
03

Сколько стоит ролик в 15 секунд

Секунда в 720p стоит от 5,9 ₽, это на 30% ниже Omni 1.1 Flash. Максимальный клип вырос до 15 секунд, было 10.

Считаю на пальцах. 15 секунд по 5,9 ₽ дают около 88 ₽ за готовый ролик. Расчёт округлён до рубля. На сотне версий одного товара выходит 8 800 ₽, что дешевле часа работы человека с таймлайном. Цен для 1080p и 4K в сообщении нет, поэтому умножение на эти разрешения я оставляю за скобками: любые цифры там были бы выдумкой.

04

Что даёт Gemini для видео: референсы и правка текстом

Главное изменение по существу: модель сильнее следует референсам. На вход можно дать картинку, видео и аудио, и она держит товар, героев и бренд между шотами. Для серии из пяти роликов с одной бутылкой на столе это важнее секундной цены, потому что переделка из-за плывущей этикетки съедает всю экономию.

Второе: правка готового клипа текстом. Товар, свет, ракурс меняются описанием, без перезапуска генерации. На практике подгонка под бриф идёт итерациями, как в чате, и не требует нового прохода с нуля. Это экономит внимание: три правки подряд дешевле, чем три несвязанных захода.

Три маленьких черновика поднимаются стрелкой в одно большое окно с выделенным фрагментом
05

Черновик 360p и апскейл: что это значит

Модель отдаёт черновик в 360p или 720p, выбранные клипы потом апскейлятся до 1080p или 4K. Логика понятная: большинство версий уходит в корзину, платить за них в высоком разрешении незачем.

Что из этого следует для заказчика. Композиция, движение товара и лицо героя видны уже на 360p, и смотреть надо там. Апскейл поднимает разрешение и не спасает кривую геометрию, поэтому обещание «потом поднимем до 4K» звучит увереннее, чем выглядит на деле. Цену апскейла в сообщении Google Cloud не назвали, и в смету её нужно ставить отдельной строкой.

06

Ретейл: товарные фото в короткие ролики

Ретейлерам предлагают крутить товарные фото в ролики: вращение товара, лайфстайл-клипы, реклама. Интеграторы уже в списке: Artlist, FLORA, invideo, Krea, Picsart, Photoroom, QuickFrame AI. Практический смысл в том, что каталог на сотню позиций перестаёт быть проектом на квартал.

Где хуже. Сложная фактура: стекло, мех, блик на металле. Мелкий текст на упаковке. Съёмка с жёстким каноном света, где оттенок нельзя сдвинуть ни на шаг. В этих случаях модель всё равно потребует проверки, и узнать это лучше на трёх позициях, чем на сотне. Когда каталог большой и ролики нужны пачками, разумнее отдать это на видео нейросетями: серия собирается по одной матрице, а вертикальная реклама уходит отдельным пакетом с нарезкой под площадки.

07

Что проверять перед запуском

Первое, водяной знак SynthID. Он остаётся в файле, и клиент должен узнать об этом заранее.

Второе, липсинк на втором говорящем. Чище не значит идеально, смотреть надо на стыки фраз и на согласные в конце слова.

Третье, товар между шотами: этикетка, логотип, оттенок. Один и тот же предмет в двух клипах проверяется глазами на паузе.

Четвёртое, сам лимит 15 секунд. Сценарий укладывается в него на бумаге, иначе на выходе получится обрезанная версия задуманного.

08

Вывод

88 ₽ за 15 секунд в 720p убирает главный аргумент против генерации в коммерции, которым всегда были переделки. Работать с этим стоит серией: три позиции, проверка на согласованность, потом каталог.

Одно сомнение остаётся. Апскейл до 4K звучит как победа в переписке, а в смете это отдельный шаг с неизвестной ценой.

Смежные материалы: рейтинг видео нейросетей.

частые вопросы

01Правда ли, что клип теперь 15 секунд
Да, максимум вырос с 10 до 15 секунд. Для товарного ролика этого хватает на вращение предмета и один лайфстайл-кадр, для истории с диалогом формат тесный.
02Сколько стоит одна генерация в 720p
От 5,9 ₽ за секунду. По расчёту клип на 15 секунд обходится около 88 ₽, а сотня версий около 8 800 ₽.
03Обязателен ли водяной знак SynthID
Да, выход идёт с ним. Это не мешает рекламе, но снимает вариант выдать ролик за обычную съёмку.
04Можно ли править готовый клип без новой генерации
Да, товар, свет и ракурс меняются текстом. Перезапускать проход с нуля не требуется, поэтому правки идут дешевле первой версии.