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
قیمت API را بین ارائهدهندگان مقایسه کنید. یک ارائهدهنده را انتخاب کنید تا همه هزینهها و شرایط را ببینید.
| دسترسپذیری | |
|---|---|
آمار تاریخی بررسی زنده وضعیت نیست. نبود داده به معنی قطعی نیست.
بنچمارکها
- 1404
Video Arena Elo
رتبه اول کلی؛ Gemini Omni Flash
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
Gemini Omni 1.1 Flash
Googleویدیوgemini-omni-1.1-flashمدل ویدیوی چندوجهی سریع و مقرونبهصرفه Google DeepMind که متن، تصویر، صدا و ویدیو را در یک API واحد پردازش میکند و ویدیو با صدای بومی تولید میکند.
وضوح
720p / 1080p / 4K / 360p
مدت
—
صورتحساب بر اساس هزینه واقعی تولید محاسبه میشود. مبلغ نهایی را در صورتحساب ببینید.
Veo 3.1 Fast
Googleویدیوveo-3.1-fastمدل تولید ویدئوی Veo 3.1 Fast از گوگل، با پشتیبانی از تبدیل متن به ویدئو و تصویر به ویدئو، برای خلق ویدئوهای سینمایی ارائه شده است.
وضوح
720p / 1080p / 4K
مدت
—
صورتحساب بر اساس هزینه واقعی تولید محاسبه میشود. مبلغ نهایی را در صورتحساب ببینید.