Pada 5 November, Google merilis model pembuatan dan penyuntingan video Gemini Omni 1.2 Flash dan pada hari yang sama menyatakannya tersedia secara resmi. Blog peluncuran menaruh tiga perubahan di bagian paling atas: batas durasi native per klip naik dari 10 detik menjadi 15 detik, kemiripan terhadap gambar referensi lebih tinggi, dan harga video 720p turun menjadi US$0,07 per detik, 30% lebih rendah dari versi 1.1.
Blog tersebut ditulis oleh Anish Nangia, product manager di Google DeepMind. Developer dapat memanggilnya lewat Gemini API di Google AI Studio, sementara pengguna enterprise memakai Vertex AI di Google Cloud, yang juga menyediakan Provisioned Throughput. Pintu masuk untuk pengguna umum adalah Flow, Google Vids, dan aplikasi Gemini. Di aplikasi Gemini, video 15 detik saat ini dibuka bertahap hanya untuk pelanggan Google AI Ultra; di Google Vids, klip 15 detik yang dibuat dengan akun Google atau langganan Workspace tidak dikenai biaya tambahan. Google Ads juga sudah mengintegrasikan versi ini untuk memproduksi materi iklan video secara massal.
Durasi dan konsistensi
Durasi dapat dipilih dari 3 hingga 15 detik dengan kelipatan 1 detik. Versi 1.1 yang rilis pada Agustus membatasi satu klip maksimal 10 detik, sehingga video yang lebih panjang harus disambung segmen demi segmen lewat fitur perpanjangan. Versi 1.2 memperpanjang klip tunggal, sementara fitur perpanjangan dan interpolasi frame awal-akhir tetap ada. Menurut blog, pergeseran dan distorsi pada karakter, objek, dan adegan dari frame pertama hingga frame terakhir kini lebih sedikit.
Ada tiga jenis input referensi: gambar karakter, produk, dan gaya; klip referensi gerakan hingga 3 detik; serta prompt audio. Contoh dari Google adalah virtual try-on dan tampilan produk 360 derajat. Google menyebut versi baru ini mampu menjaga konsistensi wajah, pakaian, serta huruf dan warna merek pada kemasan dari berbagai sudut kamera.
Penyuntingan multi-putaran kali ini mencakup seluruh klip 15 detik: mengganti produk, mengganti latar, mengubah pencahayaan dan cuaca, hingga mengubah rasio gambar, semuanya bisa dilanjutkan di atas hasil putaran sebelumnya tanpa membuat ulang seluruh klip. Di sisi suara, ditambahkan kontrol bersyarat untuk banyak pembicara, yang memungkinkan suara berbeda dialokasikan ke karakter yang sesuai, dan sinkronisasi bibir juga ditingkatkan. Untuk gerak kamera, blog menyebut shot berkesinambungan seperti FPV menembus ruang, menjauh (pull-back), dan mengitari subjek (orbit), dengan klaim lebih sedikit jump cut dan rasio gambar yang lebih stabil.
Semua keluaran dibubuhi watermark tak kasatmata SynthID.
Menghitung biaya pada 720p
Google hanya mengumumkan harga per detik untuk satu tingkat, yaitu 720p; untuk 1080p dan 4K, lihat halaman harga. Alur kerja yang disarankan blog adalah membuat draf dengan 360p atau 720p, menyempurnakannya lewat penyuntingan multi-putaran, lalu baru di akhir ditingkatkan ke 1080p atau 4K.
Berdasarkan angka yang dipublikasikan, perhitungan kasarnya sebagai berikut:
| Klip | Versi 1.1 (720p, sekitar US$0,10/detik) | 1.2 Flash (720p, US$0,07/detik) |
|---|---|---|
| Satu klip 15 detik | Sekitar US$1,5, perlu perpanjangan | Sekitar US$1,05 |
| Video jadi 30 detik (dua klip) | Sekitar US$3 | Sekitar US$2,1 |
Harga per detik versi 1.1 adalah angka perkiraan yang sebelumnya kami hitung mundur dari basis token dalam dokumen harga, sedangkan US$0,07 untuk versi 1.2 adalah angka yang diberikan langsung oleh Google. Selisih keduanya kurang lebih sesuai dengan penurunan 30% yang disebut blog.
Tabel ini hanya menghitung satu kali pembuatan. Biaya mencoba berulang kali pada tahap draf, apakah setiap putaran penyuntingan ditagih ulang sesuai durasi penuh klip, dan berapa biaya tambahan untuk peningkatan ke 4K, semuanya tidak dijelaskan di blog, sehingga tagihan sebenarnya akan lebih tinggi dari angka di tabel. Bagi tim yang membuat video pendek e-commerce dengan alur "draf direvisi berkali-kali, setelah final baru ditingkatkan", biaya per video terutama ditentukan oleh jumlah putaran revisi; harga yang tercantum hanyalah titik awal.
Kekurangan yang diakui sendiri oleh Google
Blog menyebut tiga area yang masih diperbaiki: gerakan olahraga yang cepat, skrip dengan dialog yang sering berubah, dan efek fisika yang kompleks. Seluruh gambaran performa berasal dari contoh pilihan Google, termasuk rangkaian poster dan perbandingan frame awal-akhir. Tidak ada skor evaluasi kuantitatif, dan belum ada pengujian pihak ketiga.
Bagi developer di Tiongkok daratan, Gemini API dan Vertex AI tidak tersedia di sana, sehingga penggunaannya memerlukan entitas dan akun di luar negeri. Tim di Tiongkok sudah memiliki model video seperti Kling dan Jimeng; Kling 4.0, saat meluncur pada Oktober, sudah mampu menghasilkan 30 detik per klip. Tekanan dari kombinasi 15 detik dan US$0,07 per detik terutama jatuh pada API sejenis di luar negeri yang menagih per detik.
Sumber: blog resmi Google, halaman harga Gemini API, CocoLoop; angka yang diverifikasi mencakup US$0,07 per detik pada 720p, klip tunggal 3 hingga 15 detik, dan penurunan harga 30% dibanding versi 1.1.