Ngày 5/11, Google ra mắt mô hình tạo và chỉnh sửa video Gemini Omni 1.2 Flash, đồng thời chuyển sang trạng thái phát hành chính thức ngay trong ngày. Bài blog công bố đặt ba thay đổi lên đầu: giới hạn tạo gốc cho mỗi đoạn tăng từ 10 giây lên 15 giây, độ bám sát ảnh tham chiếu cao hơn, và giá video 720p giảm xuống 0,07 USD mỗi giây, thấp hơn bản 1.1 là 30%.
Bài blog do Anish Nangia, quản lý sản phẩm của Google DeepMind, ký tên. Nhà phát triển có thể gọi mô hình qua Gemini API trong Google AI Studio; khách hàng doanh nghiệp dùng Vertex AI của Google Cloud, kèm tùy chọn thông lượng dành riêng (Provisioned Throughput). Với người dùng phổ thông, các cổng truy cập gồm Flow, Google Vids và ứng dụng Gemini: video 15 giây trên ứng dụng Gemini hiện chỉ mở dần cho người đăng ký Google AI Ultra; trong Google Vids, tạo đoạn 15 giây bằng tài khoản Google hoặc gói Workspace không mất thêm phí. Google Ads cũng đã tích hợp phiên bản này để tạo hàng loạt chất liệu quảng cáo video.
Thời lượng và tính nhất quán
Thời lượng có thể chọn từ 3 đến 15 giây, mỗi bước 1 giây. Bản 1.1 hồi tháng 8 giới hạn mỗi đoạn ở 10 giây, muốn làm phim dài hơn phải dùng tính năng nối tiếp để ghép từng đoạn. Bản 1.2 kéo dài mỗi đoạn gốc, vẫn giữ tính năng nối tiếp và nội suy khung hình đầu–cuối; theo blog, nhân vật, vật thể và cảnh nền ít bị trôi hay biến dạng hơn từ khung hình đầu đến khung hình cuối.
Đầu vào tham chiếu gồm ba loại: ảnh nhân vật, sản phẩm và phong cách; đoạn clip chuyển động tham chiếu dài tối đa 3 giây; và gợi ý âm thanh. Google nêu ví dụ như thử đồ ảo và trình chiếu sản phẩm 360 độ, cho biết phiên bản mới giữ được sự nhất quán về khuôn mặt, trang phục, phông chữ trên bao bì và màu thương hiệu ở các góc máy khác nhau.
Chỉnh sửa nhiều lượt lần này áp dụng cho cả đoạn 15 giây: đổi sản phẩm, đổi nền, chỉnh ánh sáng và thời tiết, đổi tỷ lệ khung hình, tất cả đều có thể sửa tiếp trên kết quả của lượt trước mà không cần tạo lại toàn bộ đoạn. Về giọng nói, mô hình bổ sung điều khiển theo nhiều người nói, gán các giọng khác nhau cho từng nhân vật, đồng thời cải thiện đồng bộ khẩu hình. Về chuyển động máy quay, blog nêu tên các cảnh liên tục như bay FPV xuyên không gian, lùi xa và xoay quanh chủ thể, cho biết ít cắt cảnh đột ngột hơn và tỷ lệ khung hình ổn định hơn.
Mọi đầu ra đều được gắn hình mờ vô hình SynthID.
Tính một khoản theo 720p
Google chỉ công bố đơn giá theo giây cho một mức duy nhất là 720p; muốn biết 1080p và 4K phải xem trang bảng giá. Quy trình blog khuyến nghị là tạo bản nháp ở 360p hoặc 720p, chỉnh sửa nhiều lượt đến khi ưng ý, rồi mới nâng lên 1080p hoặc 4K.
Tính ước lượng theo thông tin công khai:
| Đoạn video | Bản 1.1 (720p, khoảng 0,10 USD/giây) | 1.2 Flash (720p, 0,07 USD/giây) |
|---|---|---|
| Một đoạn 15 giây | Khoảng 1,5 USD, cần nối tiếp | Khoảng 1,05 USD |
| Phim 30 giây (hai đoạn) | Khoảng 3 USD | Khoảng 2,1 USD |
Đơn giá khoảng 0,10 USD/giây của bản 1.1 là con số xấp xỉ mà trang chúng tôi suy ra trước đó từ cách tính theo token trong tài liệu bảng giá, còn 0,07 USD của bản 1.2 là số liệu do Google trực tiếp đưa ra; mức chênh lệch giữa hai con số về cơ bản khớp với mức giảm 30% mà blog nêu.
Bảng trên chỉ tính một lần tạo. Blog không nói rõ việc thử đi thử lại ở giai đoạn nháp, việc mỗi lượt chỉnh sửa nhiều lượt có bị tính phí theo toàn bộ thời lượng đoạn hay không, và phụ phí khi nâng lên 4K là bao nhiêu, nên hóa đơn thực tế sẽ cao hơn con số trong bảng. Nếu các nhóm làm video thương mại điện tử đi theo quy trình “nháp sửa nhiều lượt, chốt bản rồi mới nâng độ phân giải”, chi phí mỗi video chủ yếu phụ thuộc vào số lượt chỉnh sửa; dòng giá niêm yết chỉ là điểm xuất phát.
Những hạn chế do chính Google nêu
Blog liệt kê ba hướng vẫn đang được cải thiện: các pha thể thao chuyển động nhanh, kịch bản có lời thoại thay đổi liên tục và hiệu ứng vật lý phức tạp. Toàn bộ mô tả về hiệu năng đều đến từ các mẫu do Google chọn, gồm một chuỗi poster và phần so sánh khung hình đầu–cuối; không có điểm đánh giá định lượng và cũng chưa có đánh giá của bên thứ ba.
Với nhà phát triển ở Trung Quốc đại lục, Gemini API và Vertex AI không cung cấp dịch vụ tại đó, muốn dùng phải thông qua pháp nhân và tài khoản ở nước ngoài. Các nhóm trong nước đã có sẵn các mô hình video như Kling và Jimeng; khi Kling 4.0 ra mắt hồi tháng 10, mỗi video đã tạo được tới 30 giây. Bộ số liệu 15 giây cùng 0,07 USD chủ yếu đặt áp lực lên các API cùng loại ở nước ngoài tính phí theo giây.
Nguồn tham khảo: blog chính thức của Google, trang bảng giá Gemini API, CocoLoop; đã đối chiếu mức 0,07 USD mỗi giây cho 720p, thời lượng mỗi đoạn từ 3 đến 15 giây và mức giảm giá 30% so với bản 1.1.