Ngày 27 tháng 8, Google phát hành mô hình video Gemini Omni 1.1 Flash cho các nhà phát triển. Google AI Studio mở quyền truy cập ngay trong ngày, API của nền tảng Gemini Enterprise Agent cũng được tích hợp đồng thời, còn Google Flow và ứng dụng Gemini lên sóng cho người dùng gói Plus, Pro và Ultra. Trong bài blog, Google đưa ra một nhận định về phiên bản này:
"Omni 1.1 is production-ready for professional use via the Gemini API."
(Omni 1.1 thông qua Gemini API đã đạt mức sẵn sàng đưa vào sản xuất chuyên nghiệp.)
Cửa sổ nối cảnh tăng từ một giây lên mười giây
Thay đổi thực chất nhất nằm ở việc nối tiếp cảnh quay. Ở bản cuối tháng 6, khi nối cảnh, mô hình chỉ đọc giây cuối cùng của video, lượng thông tin nhận được gần như tương đương một khung hình tĩnh: máy đang đẩy về hướng nào, tay nhân vật đã làm động tác đến đâu, mô hình đều không thể phán đoán. Đoạn tiếp theo vì vậy thường trông như đổi bối cảnh — tính nhất quán của nhân vật xuyên cảnh không giữ được, điều mà chính Google từng thừa nhận trong tài liệu của phiên bản trước.
Bản 1.1 kéo cửa sổ này lên mười giây trước đó. Việc nối cảnh vẫn tiến theo từng đoạn mười giây, nhưng tổng độ dài có thể cộng dồn tới bốn mươi giây. Tính năng mới đi kèm là có thể chỉ định cả khung hình đầu và khung hình cuối, chuyển cảnh từ chỗ 'tạo xong rồi chọn' thành 'chốt cứng hai đầu, phần giữa để mô hình lấp vào'. Người làm storyboard không lạ gì logic này: khung hình chính được chốt sẵn thì chuyển động ở giữa mới có điểm tựa để suy ra.
Chế độ nháp, phóng lớn 4K và video tham chiếu ba giây
Vài thay đổi khác đều nhắm vào quy trình làm việc: bổ sung chế độ nháp 360p, tốc độ xuất bản nhanh hơn tối đa 60% so với 720p, dùng để rà bố cục nhanh; sau khi chốt được bản dựng, có thể phóng lớn lên 4K; ở đầu vào đa phương thức, bổ sung video tham chiếu, mỗi đoạn dài tối đa ba giây, trước đây chỉ nhận văn bản và hình ảnh. Đầu ra cuối cùng có hai mức 1080p và 4K.
Video tham chiếu thay đổi cách biểu đạt ở phía đầu vào. Trước đây muốn mô hình học một kiểu chuyển động máy, chỉ có thể mô tả bằng chữ 'lia ngang chậm sang trái, rung nhẹ kiểu cầm tay', còn mô hình hiểu đến đâu thì tùy may rủi; giờ có thể ném thẳng một đoạn mẫu ba giây vào. Ba giây không đủ chứa một cảnh, nhưng đủ chứa một lần chuyển động máy trọn vẹn hoặc một chu kỳ động tác, với những series cần thống nhất ngôn ngữ hình ảnh, cách này đỡ tốn công hơn nhiều so với viết mười dòng prompt. Chế độ nháp 360p đi cùng với nó thành một cặp: dùng độ phân giải thấp để chốt trước nhịp điệu, bố cục, chuyển động máy — những yếu tố mang tính cấu trúc — rồi mới chuyển sang độ phân giải cao để bổ sung chi tiết, không cần trả giá đầy đủ ở mỗi vòng thử.
Một đoạn phim bốn mươi giây tốn bao nhiêu tiền
Lần này Google không niêm yết riêng đơn giá theo giây cho từng độ phân giải, mà chỉ để lại một cách quy đổi trong tài liệu giá: đầu ra video tính phí theo token, mỗi giây ở 720p tương đương 5792 token, đầu ra video mức chuẩn giá 17,50 đô la Mỹ trên một triệu token, quy đổi ngược lại khoảng 0,10 đô la Mỹ mỗi giây. Con số này bằng với bản cuối tháng 6, không đổi suốt hai tháng.
Tính sơ theo mức 720p, một đoạn phim liền mạch bốn mươi giây tốn khoảng 4 đô la Mỹ. Chi phí ở chế độ nháp phải tính riêng: nếu dùng 360p để lọc mười bố cục xuống còn ba, rồi đưa ba bố cục còn lại qua 720p hoặc 1080p để ra bản hoàn chỉnh, cùng một ngân sách có thể thử thêm hai vòng ngôn ngữ hình ảnh. Đơn giá thực tế của 1080p và 4K, Google chưa công bố; theo quy tắc tính phí bằng token mà suy rộng ra, độ phân giải càng cao thì số token trên mỗi đơn vị thời gian càng nhiều, giá càng đắt, còn bội số cụ thể phải chờ tài liệu bổ sung.
Đường độ dài liên tục bị đẩy lùi về sau
Nhìn xuyên suốt dòng sản phẩm Omni, nhịp điệu khá rõ. Bản preview cuối tháng 6 giới hạn mỗi đoạn tối đa mười giây, giá 0,1 đô la Mỹ mỗi giây, điểm yếu được nêu rõ ràng. Hai tháng sau, độ dài mỗi đoạn không đổi, nhưng có thể nối tiếp thêm ba lần, tổng thời lượng tăng gấp bốn, cửa sổ ngữ cảnh tăng gấp mười. Google đi theo hướng ghép từng đoạn: không dồn sức vào việc kéo dài một lần tạo, mà dựa vào việc mỗi đoạn được đoạn sau nối chuẩn xác để gom thành tổng thời lượng. Hướng đi này thân thiện hơn với bộ nhớ đồ họa và chi phí suy luận, cái giá phải trả là độ ổn định ở mối nối phải dựa hẳn vào cửa sổ ngữ cảnh để gánh — cửa sổ từ một giây lên mười giây chính là để vá lỗ hổng này.
Bốn mươi giây chưa dựng được một clip quảng cáo hoàn chỉnh, nhưng với lô video ngắn mười mấy đến hai mươi giây trên các nền tảng mạng xã hội, một đoạn là đủ dùng, hai đoạn thì có dư để dựng. Google viết câu 'sẵn sàng đưa vào sản xuất chuyên nghiệp' trong bài blog, cũng là đặt cược vào lô công việc này: số lượng lớn, giá trị mỗi đoạn không cao, nhưng đòi hỏi cơ bản về tính liền mạch.
Nguồn tham khảo: Blog nhà phát triển Google, Google DeepMind, CocoLoop, tài liệu định giá Gemini API; đối chiếu cách quy đổi đơn giá theo giây dựa trên mức 5792 token mỗi giây ở 720p và giá 17,50 đô la Mỹ trên một triệu token cho đầu ra video mức chuẩn.