Felo API PlatformFelo API Platform
بازگشت به مدل‌ها

Gemini Omni 1.2 Flash API

مدل Gemini Omni 1.2 Flash از گوگل با درک شهودی بهتر فیزیک، ویدیو را از متن و تصویر می‌سازد و از طریق گفت‌وگوی طبیعی ویرایش می‌کند.

Gemini Omni 1.2 Flash یک مدل از خانواده Gemini Omni گوگل است که ویدیو را از متن و تصویر تولید می‌کند و امکان ویرایش ویدیو را از طریق گفت‌وگوی طبیعی فراهم می‌آورد. این مدل ترکیبی از متن، تصویر، صدا و ویدیو را به عنوان ورودی می‌پذیرد و خروجی ویدیویی ارائه می‌دهد. همچنین از خلق مبتنی بر مرجع با استفاده از تصاویر شخصیت‌ها، صحنه‌ها یا طرح‌ها پشتیبانی می‌کند.

این مدل درک شهودی بهبودیافته‌ای از فیزیک، از جمله گرانش، انرژی جنبشی و دینامیک سیالات، نشان می‌دهد و از دانش Gemini در تاریخ، علم و زمینه فرهنگی بهره می‌برد. از کاربردهای آن می‌توان به پیش‌نویس‌های تبلیغات اجتماعی، کلیپ‌های معرفی محصول، تبلیغات متحرک تجارت الکترونیک، ویدیوهای نمایشی اپلیکیشن، نسخه‌های کمپین فصلی، تست خلاقیت عملکردی، ماکت‌های کوتاه به سبک اینفلوئنسر، تریلرها و پیش‌نمایش‌های گیم‌پلی و توضیحی‌های ساخته‌شده از دستورهای کوتاه اشاره کرد.

از نقاط قوت آن می‌توان به تولید و ویرایش سریع و گفت‌وگویی ویدیو، ویرایش تکراری بدون نیاز به شروع مجدد کل فرایند خلاقانه، خلق صحنه‌های واقع‌گرایانه مبتنی بر درک فیزیک و پیوند دادن واقع‌گرایی تصویری به داستان‌سرایی معنادار اشاره کرد. در زمان عرضه، Gemini Omni Flash کلیپ‌های ۱۰ ثانیه‌ای تولید می‌کرد و در پیش‌نمایش عمومی عرضه شد. در ابتدا پشتیبانی API برای ارجاع صوتی یا گسترش صحنه نداشت و در برخی تغییرات صحنه و حرکات پن، محدودیت‌هایی در ثبات شخصیت داشت.

به‌روزرسانی:

MODEL ID

gemini-omni-1.2-flash
زمینه
131.072K
حداکثر خروجی
65.536K
ورودی
text / image / video
خروجی
video

نکات برجسته

  • تولید و ویرایش سریع و گفت‌وگویی ویدیو
  • پشتیبانی از ورودی متن، تصویر، صدا و ویدیو
  • درک بهبودیافته فیزیک
  • خلق مبتنی بر تصاویر مرجع
  • ویرایش تکراری بدون شروع مجدد

ارائه‌دهندگان

1 ارائه‌دهنده

قیمت API را بین ارائه‌دهندگان مقایسه کنید. یک ارائه‌دهنده را انتخاب کنید تا همه هزینه‌ها و شرایط را ببینید.

ارائه‌دهنده · جزئیات قیمت‌گذاری
دسترس‌پذیری

بنچمارک‌ها

  • Video Arena Elo

    رتبه اول کلی؛ Gemini Omni Flash

    1404

امتیازها همان‌گونه که ارائه‌دهنده مدل منتشر کرده است.

استدلال

سطح تلاش پیش‌فرض
low
همیشه فعال
بله
سطوح تلاش موجود
high / low

مشخصات ویدیو

نسبت‌های ابعاد
16:9 / 9:16
صدا · خروجی
بله
رزولوشن‌ها
720p / 1080p / 4K / 360p

مرجع API

جزئیات پروتکل این مدل منتشر نشده است. برای الزامات یکپارچه‌سازی، مرجع API را ببینید.

مرجع API →

پارامترهای پشتیبانی‌شده

  • prompt
  • duration
  • resolution
  • aspect_ratio
  • generate_audio
  • seed
  • size
  • frame_images
  • input_references
  • user
  • session_id
  • trace

پرسش‌های متداول

معرفی مدل: Gemini Omni 1.2 Flash?

Gemini Omni 1.2 Flash یک مدل از خانواده Gemini Omni گوگل است که ویدیو را از متن و تصویر تولید می‌کند و امکان ویرایش ویدیو را از طریق گفت‌وگوی طبیعی فراهم می‌آورد. این مدل ترکیبی از متن، تصویر، صدا و ویدیو را به عنوان ورودی می‌پذیرد و خروجی ویدیویی ارائه می‌دهد. همچنین از خلق مبتنی بر مرجع با استفاده از تصاویر شخصیت‌ها، صحنه‌ها یا طرح‌ها پشتیبانی می‌کند. این مدل درک شهودی بهبودیافته‌ای از فیزیک، از جمله گرانش، انرژی جنبشی و دینامیک سیالات، نشان می‌دهد و از دانش Gemini در تاریخ، علم و زمینه فرهنگی بهره می‌برد. از کاربردهای آن می‌توان به پیش‌نویس‌های تبلیغات اجتماعی، کلیپ‌های معرفی محصول، تبلیغات متحرک تجارت الکترونیک، ویدیوهای نمایشی اپلیکیشن، نسخه‌های کمپین فصلی، تست خلاقیت عملکردی، ماکت‌های کوتاه به سبک اینفلوئنسر، تریلرها و پیش‌نمایش‌های گیم‌پلی و توضیحی‌های ساخته‌شده از دستورهای کوتاه اشاره کرد. از نقاط قوت آن می‌توان به تولید و ویرایش سریع و گفت‌وگویی ویدیو، ویرایش تکراری بدون نیاز به شروع مجدد کل فرایند خلاقانه، خلق صحنه‌های واقع‌گرایانه مبتنی بر درک فیزیک و پیوند دادن واقع‌گرایی تصویری به داستان‌سرایی معنادار اشاره کرد. در زمان عرضه، Gemini Omni Flash کلیپ‌های ۱۰ ثانیه‌ای تولید می‌کرد و در پیش‌نمایش عمومی عرضه شد. در ابتدا پشتیبانی API برای ارجاع صوتی یا گسترش صحنه نداشت و در برخی تغییرات صحنه و حرکات پن، محدودیت‌هایی در ثبات شخصیت داشت.

هزینه استفاده چگونه محاسبه می‌شود؟

صورت‌حساب شما به ارائه‌دهنده‌ای که استفاده می‌کنید، قیمت‌های آن و میزان مصرف شما بستگی دارد. ورودی‌های طولانی‌تر یا شرایط دیگر ممکن است قیمت متفاوتی داشته باشند. صورت‌حساب بر اساس هزینه واقعی تولید محاسبه می‌شود. مبلغ نهایی را در صورت‌حساب ببینید.

Gemini Omni 1.2 Flash چه نوع ورودی‌هایی را می‌پذیرد؟

این مدل ترکیبی از متن، تصویر، صدا و ویدیو را به عنوان ورودی می‌پذیرد و خروجی ویدیویی ارائه می‌دهد.

این مدل چه کارهایی می‌تواند انجام دهد؟

Gemini Omni 1.2 Flash ویدیو را از متن و تصویر تولید می‌کند و امکان ویرایش ویدیو را از طریق گفت‌وگوی طبیعی فراهم می‌آورد. همچنین از خلق مبتنی بر مرجع با تصاویر شخصیت‌ها، صحنه‌ها یا طرح‌ها پشتیبانی می‌کند.

آیا این مدل فیزیک را درک می‌کند؟

بله، این مدل درک شهودی بهبودیافته‌ای از فیزیک، از جمله گرانش، انرژی جنبشی و دینامیک سیالات، نشان می‌دهد.

تفاوت Gemini Omni 1.2 Flash با Gemini Omni 1.1 Flash چیست؟

Gemini Omni 1.1 Flash صحنه‌ها را تا مجموع ۴۰ ثانیه گسترش می‌دهد، تا ۱۰ ثانیه زمینه قبلی را تحلیل می‌کند، امکان تعیین فریم شروع و پایان را می‌دهد، خروجی تا 4K ارائه می‌کند و پیش‌نمایش‌های 360p برای تکرار سریع‌تر دارد. در حالی که Gemini Omni Flash در زمان عرضه کلیپ‌های ۱۰ ثانیه‌ای تولید می‌کرد.

محدودیت‌های اولیه Gemini Omni Flash چه بود؟

در زمان عرضه، این مدل کلیپ‌های ۱۰ ثانیه‌ای تولید می‌کرد، در پیش‌نمایش عمومی بود، پشتیبانی API برای ارجاع صوتی یا گسترش صحنه نداشت و در برخی تغییرات صحنه و حرکات پن محدودیت ثبات شخصیت داشت.

مدل‌های مرتبط