Edycja wideo w rozmowie w Gemini Omni 1.2: jak działa i dlaczego w dniu premiery mi nie wyszła

👁 116 przeczytań

Edycja wideo w rozmowie to funkcja, od której Google zaczyna opis Gemini Omni 1.2 Flash, obok 15-sekundowych klipów i niższej ceny. Generujesz klip, a potem piszesz jak do montażysty: zmień tło, podmień produkt, zrób z dnia noc, przestaw na pion. Model nie robi wszystkiego od nowa, tylko poprawia to, o co prosisz, a resztę zostawia. W 1.2 działa to na całych 15 sekundach.

Chciałem to pokazać na własnych klipach w dniu premiery. Nie udało się i uważam, że to też jest informacja warta tekstu. Poniżej: jak ta edycja działa według Google, co zrobiłem, co nie zadziałało i gdzie w Polsce trafisz na ograniczenia.

Jak to działa według Google

W aplikacji Gemini, Flow i Google Vids edycja to po prostu kolejna wiadomość w rozmowie. W API mechanika wygląda tak:

• Każda generacja to „interakcja” z własnym identyfikatorem. Żeby ją poprawić, wysyłasz nowe polecenie z parametrem previous_interaction_id. Nie musisz drugi raz wgrywać wideo.
• Każda tura daje nowy klip, zbudowany na poprzednim. Możesz poprawiać krok po kroku: najpierw tło, potem światło, potem pogoda.
• Jeśli wyłączysz zapisywanie (store=false), klipu nie da się później edytować.
• Google radzi pisać krótko i dodawać „resztę zostaw bez zmian” (po angielsku „Keep everything else the same”).
• Edytować można też własne nagrania, do 15 sekund.

Przykłady z zapowiedzi: podmiana produktu albo tła, zmiana światła i pogody, przełączenie proporcji obrazu. Do tego przedłużanie klipu o kolejne sekundy (łącznie do 30) i przejście między pierwszą a ostatnią klatką.

Uwaga: w Polsce tylko na wygenerowanych klipach

To najważniejsza informacja dla polskich użytkowników. W Europejskim Obszarze Gospodarczym, Szwajcarii i Wielkiej Brytanii edycja i przedłużanie wgranych przez siebie filmów są niedostępne. Możesz edytować i przedłużać tylko to, co wygenerował sam Omni. Do tego obrazów z nieletnimi nie wgrasz do edycji nigdzie w tym regionie.

W praktyce oznacza to, że nagrania z telefonu nie przerobisz w Omni na noc ani zimę. Klip wygenerowany od zera, owszem. To samo ograniczenie dotyczyło wersji 1.1 i nic się tu nie zmieniło.

Mój test: pięć prób, pięć błędów

Klipy generowałem przez OpenRouter, który wystawił model google/gemini-omni-1.2-flash w dniu premiery. Zrobiłem 4-sekundowy klip z rudym kotem na parapecie krakowskiej kamienicy w deszczu i spróbowałem go edytować: „zmień porę dnia na noc, za oknem świeci żółta latarnia, deszcz zostaje, kot się nie zmienia”. Wysłałem wideo na pięć sposobów, z różnymi wartościami parametru zadania i jako adres publiczny. Za każdym razem: „Video generation failed”. Na szczęście bez opłaty.

Nie jestem z tym sam. Testerzy z Segmind, którzy też mieli model w dniu premiery, piszą, że funkcja poprawiania („refine”) zwracała u nich „not available yet”, a jako obejście wysyłali poprzedni klip do zwykłej edycji wideo. Wygląda na to, że edycja w rozmowie na premierę działa przede wszystkim w produktach Google i bezpośrednio w Gemini API, a pośrednicy dopiero ją podłączają.

Obejście przez obraz: nie działa tak, jak byś chciał

Spróbowałem drogi naokoło. Wziąłem pierwszą klatkę gotowego klipu z działkowcami przy grillu i podałem ją jako obraz referencyjny z poleceniem: ta sama scena, ci sami ludzie, ale zimą, pada gęsty śnieg, obaj w czapkach i szalikach.

Wynik jest pouczający. Postacie, ubrania, grill, nawet kadr są niemal identyczne jak w oryginale, a dialog tym razem wypadł w całości. Ale zimy nie ma: zielone drzewa, letnie światło, żadnych czapek. Model uznał obraz za ważniejszy od polecenia. Do zachowania postaci między ujęciami to zaleta. Do edycji to ślepa uliczka.

Czytasz Promptowego częściej? Dodaj go do preferowanych źródeł w Google, a nowe teksty będą wyżej w Twoich wynikach.

Kiedy edycja w rozmowie ma sens

Mimo wpadki w dniu premiery uważam to za najciekawszą funkcję Omni na dłuższą metę. Przy innych modelach każda poprawka oznacza losowanie od nowa: inna twarz, inne tło, inny ruch. Jeśli edycja w rozmowie zadziała tak, jak opisuje Google, to przy reklamach i rolkach zmienia rachunek. Robisz jedno dobre ujęcie, a wersje na lato, zimę, noc i pion dostajesz poprawkami, nie loterią.

Gdzie spróbować dziś:

• Google Vids - 15-sekundowe klipy bez dodatkowych opłat w ramach konta Google albo Workspace;
• Flow - narzędzie Google do reżyserowania scen i edycji w kilku turach;
• Aplikacja Gemini - 15-sekundowe klipy trafiają stopniowo do subskrybentów Google AI Ultra;
• Gemini API i Vertex AI - pełna edycja z previous_interaction_id.

Wrócę do tego testu, gdy pośrednicy podłączą edycję, i dopiszę wyniki tutaj. Inne funkcje, które działały od pierwszego dnia, pokazuję w tekście mój test Gemini Omni 1.2 Flash, a całą premierę w hubie Gemini Omni Flash.