Spoločnosť Google predstavila technológiu Gemini Omni, ktorá funguje ako komplexný nástroj pre prácu s natívne multimodálnym obsahom.
Nejde o bežný generátor obrázkov, ale o pokročilý systém, ktorý zjednocuje schopnosť logického uvažovania s tvorbou videa na základe rôznorodých vstupov.
Technológia stavia na základoch minuloročného modelu Nano Banana, no prechádza k priamej práci s videom a ku komplexnému spracovaniu dát. Architektúra tohto riešenia umožňuje používateľom kombinovať text, obrázky, video aj zvuk do jedného celku. Systém následne tieto informácie vyhodnocuje a vytvára videá, ktoré sú pevne ukotvené v reálnych vedomostiach modelu o svete.
Konverzačné úpravy a zachovanie kontextu scény
Gemini Omni mení spôsob editácie vizuálneho obsahu, keďže úpravy neprebiehajú v klasických softvérových rozhraniach, ale prostredníctvom plynulej konverzácie v prirodzenom jazyku. Každá nová inštrukcia priamo nadväzuje na tú predchádzajúcu. Ak do natočeného videa pridáte nové objekty alebo upravíte prostredie, systém si zachováva pamäť o predchádzajúcom deji.
V praxi to znamená, že pôvodné postavy zostávajú konzistentné a celková fyzika scény naďalej funguje bez nežiaducich anomálií. Používateľ tak môže vziať existujúci záznam a prostredníctvom textového pokynu upraviť jeho vizuálny štýl, zmeniť uhol kamery alebo úplne transformovať dej. Model dokáže spracovať aj vysoko špecifické požiadavky, kedy napríklad požiadate, aby sa zrkadlo po dotyku zmenilo na vlniace sa tekuté skupenstvo a ruka postavy získala reflexný povrch.
Chápanie fyzikálnych zákonov a vizualizácia vedy
Všetky tieto funkcie sú poháňané integrovaným chápaním reálneho sveta, kedy model čerpá z obsiahlych poznatkov z histórie, vedy a kultúry. Tieto vedomosti spája s vylepšeným intuitívnym porozumením fyzikálnych síl. Systém korektne interpretuje vplyv gravitácie, kinetickej energie či dynamiky tekutín na objekty vo vygenerovanej scéne.
Vďaka tomuto prístupu dokáže Gemini Omni presne vizualizovať aj zložité koncepcie. Systém zvládne napríklad vygenerovať inštruktážne video o skladaní bielkovín vo forme stop-motion animácie z virtuálnej plastelíny, pričom presne dodrží podmienku, aby v zábere neboli prítomné žiadne ľudské ruky.
Syntéza viacerých vstupov a bezpečnosť obsahu
Kľúčovým prvkom pre prácu s modelom je jeho schopnosť spájať rôznorodé referenčné materiály do jedného súdržného výstupu. Do systému môžete vložiť statický obrázok, pridať vlastné video, doplniť ho zvukovým súborom a celok usmerniť textovým pokynom požadujúcim špecifický, napríklad retro futuristický vzhľad. Model Omni následne zosynchronizuje vizuálne prvky s rytmom audia a vytvorí plynulé video. Pri zvukových vstupoch je zatiaľ podporovaný výhradne hovorený hlas, pričom kompatibilita s ďalšími formátmi audia je naplánovaná na neskôr.
Bezpečnosť a transparentnosť sú zabezpečené prostredníctvom neviditeľného digitálneho vodoznaku SynthID, ktorý je trvalou súčasťou každého vygenerovaného výstupu. Prítomnosť tohto označenia si používatelia môžu priamo overiť v aplikácii Gemini, prostredníctvom vyhľadávača Google alebo v prehliadači Chrome. Súčasťou platformy je aj funkcia Avatars, ktorá umožňuje vytvorenie digitálnej verzie samotného používateľa pre tvorbu videí s vlastnou podobou a identickým hlasom. Širšie možnosti úprav cudzieho zvuku a reči sú zatiaľ vo fáze interného testovania.
Dostupnosť a integrácia do služieb
Z hľadiska dostupnosti zavádza spoločnosť prvý model z tejto rodiny pod označením Gemini Omni Flash. Aktuálne je tento nástroj sprístupnený v globálnom meradle pre všetkých platiacich používateľov predplatného Google AI Plus, Pro a Ultra, a to priamo v aplikácii Gemini a v službe Google Flow.
Bezplatný prístup k technológii získavajú používatelia na platforme YouTube Shorts a v aplikácii YouTube Create. Nasadenie technológie pre vývojárov a firemných zákazníkov prostredníctvom rozhraní API bude nasledovať v priebehu nasledujúcich týždňov. V neskorších fázach vývoja sa počíta aj s podporou generovania samostatných obrázkov a zvukových stôp.
Tento článok napísala umelá inteligencia Gemini od Google. Článok bol skontrolovaný redakciou TECHBOX.
TECHBOX.sk môže za predaj produktu v článku získať províziu formou affiliate programov.