Gemini Omni Flash 1.2 تازه‌ترین نسخه‌ی مدل ویدیوساز گوگل است که از متن، عکس یا ویدیوی موجود، کلیپ همراه با صدا می‌سازد. این نسخه در آغاز نوامبر ۲۰۲۶ (آبان ۱۴۰۵) آمد و کلیپ‌ها را تا ۱۵ ثانیه، با کنترل بهتر دوربین و ویرایش گفت‌وگومحور، ارزان‌تر از نسخه‌ی ۱٫۱ ارائه می‌دهد.
در این نوشته می‌خوانید این مدل دقیقاً چه کارهایی می‌کند، با نسخه‌ی قبلی و رقبا چه فرقی دارد، کجا ضعف دارد و پرامپت‌هایش را چطور بنویسید. اعدادِ فنی از مستندات رسمی گوگل برای Gemini API گرفته شده‌اند.
Gemini Omni Flash 1.2 چیست؟
این مدل بخشی از خانواده‌ی Omni گوگل است؛ مدلی که ورودی‌های گوناگون (متن، عکس، ویدیو) را می‌گیرد و خروجی ویدیویی می‌دهد. گوگل خانواده‌ی Omni را در رویداد I/O ماه مه ۲۰۲۶ معرفی کرد و «Flash» نسخه‌ی سریع و اقتصادی آن است.
برخلاف مدل‌هایی که فقط یک بار ویدیو می‌سازند و تمام، Omni Flash برای گفت‌وگو ساخته شده است. اول ویدیو را می‌سازید، بعد با جمله‌های ساده می‌گویید «نور را گرم‌تر کن» یا «دوربین آرام‌تر جلو بیاید» و مدل همان کلیپ را اصلاح می‌کند، نه اینکه از صفر شروع کند.
شناسه‌ی نسخه‌ی تازه در مستندات گوگل gemini-omni-1.2-flash است و گوگل آن را «پایدار» (stable) معرفی کرده است. نسخه‌ی ۱٫۱ هم هنوز هست، ولی طبق همان مستندات از ۳ دسامبر ۲۰۲۶ به نسخه‌ی ۱٫۲ هدایت می‌شود.
چه کارهایی می‌کند؟
مدل پنج کار اصلی انجام می‌دهد: ساخت ویدیو از متن، ساخت ویدیو از عکس، ویرایش ویدیوی موجود، ادامه‌دادنِ کلیپ و ساخت ویدیو بین دو قابِ اول و آخر.
- ساخت با صدای هم‌زمان: خروجی ویدیو همراه با صدای داخلی است؛ صدای محیط، افکت و گاهی گفت‌وگو.
- طول ۳ تا ۱۵ ثانیه: در نسخه‌ی ۱٫۱ سقف ۱۰ ثانیه بود. در نسخه‌ی ۱٫۲ هر کلیپ تا ۱۵ ثانیه می‌شود.
- ادامه‌دادن تا ۳۰ ثانیه: با ادامه‌دادنِ مرحله‌به‌مرحله (هر مرحله تا ۱۰ ثانیه) می‌توان به ۳۰ ثانیه‌ی کل رسید.
- ویرایش ویدیوی ورودی: برای ویرایش تا ۱۵ ثانیه از ویدیوی ورودی را مدل می‌بیند، و برای ادامه‌دادن ۱۰ ثانیه‌ی آخر آن را.
- کیفیت‌ها: ۳۶۰p، ۷۲۰p، ۱۰۸۰p و ۴K با سرعت ۲۴ قاب در ثانیه.
گوگل می‌گوید در این نسخه کنترل زاویه‌ی دوربین عمیق‌تر شده، ویرایش چندمرحله‌ای پشتیبانی می‌شود و «لغزش تصویری» (visual drift) کمتر است. لغزش تصویری یعنی چهره، لباس یا رنگ‌ها وسط کلیپ آرام‌آرام عوض شوند.
مثال‌های کاربردی برای کاربر ایرانی
- تبلیغ فروشگاه: از عکس محصول، کلیپ ۱۰ ثانیه‌ای بسازید که دوربین دور آن می‌چرخد و صدای محیطِ مغازه شنیده می‌شود.
- ریلز اینستاگرام: کلیپ ۹:۱۶ از صحنه‌ای که می‌خواهید، مثلاً آشپزی در آشپزخانه‌ی رستوران، با صدای تابه و شعله.
- ویدیوی آموزشی: صحنه‌های توضیحی کوتاه برای درس یا دوره، بدون فیلم‌برداری.
- اصلاح بدون ساخت دوباره: اگر کلیپی خوب بود ولی نور یا حرکت دوربین را نمی‌پسندید، همان را با یک جمله ویرایش کنید.
اگر بیشتر با عکس کار می‌کنید، راهنمای تبدیل عکس به ویدیو با هوش مصنوعی را هم ببینید.
چه فرقی با نسخه‌ی قبلی و رقبا دارد؟
مهم‌ترین فرق با نسخه‌ی ۱٫۱ طول کلیپ، خروجی صدا و قیمت است. جدول زیر فقط داده‌هایی را آورده که از مستندات رسمی گوگل وارسی شده است.
| ویژگی | Omni Flash 1.2 | Omni Flash 1.1 |
|---|---|---|
| طول خروجی | ۳ تا ۱۵ ثانیه | ۳ تا ۱۰ ثانیه |
| ادامه‌دادن | تا ۳۰ ثانیه‌ی کل | هر مرحله تا ۱۰ ثانیه |
| ویدیوی ورودی برای ویرایش | تا ۱۵ ثانیه | تا ۱۰ ثانیه |
| خروجی | ویدیو با صدای داخلی و متن | ویدیو |
| کیفیت | ۳۶۰p تا ۴K | ۳۶۰p تا ۴K |
| قاب در ثانیه | ۲۴ | ۲۴ |
نتیجه‌ی جدول: کیفیت و سرعتِ قاب یکی مانده، ولی طول و ویرایش پیشرفت کرده است. طبق اعلام لوگان کیلپاتریک از گوگل، قیمت نسخه‌ی ۱٫۲ حدود ۳۰٪ کمتر از نسخه‌ی ۱٫۱ است.
در مقایسه با رقبا، Omni Flash روی «گفت‌وگو و ویرایش» تمرکز دارد. اگر ساخت سریع و ارزان می‌خواهید، Kling 4.0 Flash گزینه‌ی دیگری است. برای ویدیوی همراه با صدا هم MiniMax H3 Max را بررسی کنید. خانواده‌ی قدیمی‌تر گوگل هم در راهنمای Veo 3 و Veo 3.1 آمده است.
نقطه‌های ضعف و محدودیت‌ها
کلیپ‌ها هنوز کوتاه‌اند و مدل برای فیلم بلند ساخته نشده است. چند محدودیت مهم:
- سقف هر کلیپ ۱۵ ثانیه است؛ ادامه‌دادنِ مرحله‌ای تا ۳۰ ثانیه ممکن است ولی هر مرحله سقف ۱۰ ثانیه دارد.
- ساخت بین قابِ اول و آخر هم سقف ۱۰ ثانیه دارد.
- کاهش لغزش تصویری به معنای نبودنش نیست؛ در صحنه‌های شلوغ و کلیپ‌های طولانی‌تر چهره و جزئیات را وارسی کنید.
- متن فارسی داخل ویدیو (تابلو، زیرنویس) هنوز در مدل‌های ویدیوساز قابل اتکا نیست؛ زیرنویس را جدا اضافه کنید.
- هر ثانیه‌ی ۴K بسیار گران‌تر از ۷۲۰p است؛ پیش‌نویس را در کیفیت پایین بسازید و فقط نسخه‌ی نهایی را بالا ببرید.
همچنین هرگز بدون دیدنِ خروجی منتشرش نکنید؛ هر کلیپ را خودتان ببینید و بعد بگذارید.
چطور امتحانش کنم؟
ساده‌ترین راه، ساخت ویدیو در ابزار ساخت ویدیوی هوش نو است. Gemini Omni Flash در منوی «مدل‌های هوش مصنوعی» هوش نو هست؛ نسخه‌ی فعال را در صفحه‌ی انتخاب مدل ببینید.
- وارد ابزار ویدیو شوید و مدل Gemini Omni Flash را از فهرست بردارید.
- پرامپت را بنویسید یا یک عکس مرجع بگذارید.
- طول و کیفیت را انتخاب کنید؛ برای آزمایش، ۵ ثانیه و ۷۲۰p کافی است.
- قیمتِ دقیق پیش از ساخت، زیرِ دکمه‌ی ساختن نشان داده می‌شود؛ نگاه کنید و بعد بسازید.
پرامپت‌نویسی برای مدل‌های گوگل را در راهنمای پرامپت‌نویسی Veo هم می‌توانید ببینید؛ اصول مشابه است.
نوشتنِ پرامپتِ خوب برای این مدل
پرامپتِ خوب موضوع، حرکت دوربین، نور و صدا را جدا و روشن می‌گوید. چند نمونه که می‌توانید همین حالا امتحان کنید:
آشپزی در آشپزخانه‌ی شلوغ رستوران، سبزیجات روی شعله در تابه بالا می‌پرند. دوربین آرام از روبه‌رو به سمت دست‌ها جلو می‌آید. نور گرم، صدای جلزولز و همهمه‌ی دور.
Slow orbit shot around a ceramic coffee cup on a wooden table at sunrise, steam rising, soft morning light, gentle ambient cafe sounds, 9:16.
بازار قدیمی در غروب، دوربین از بالا آرام پایین می‌آید و بین مردم عبور می‌کند؛ رنگ‌های نارنجی، صدای فروشنده‌ها از دور.
(برای ویرایش، پس از ساخت کلیپ) نور را کمی گرم‌تر کن و دوربین را کندتر جلو ببر؛ بقیه‌ی صحنه بدون تغییر بماند.
نکته‌ی کلیدی در ویرایش: بنویسید چه چیزی «بدون تغییر بماند». این کار لغزش تصویری را کم می‌کند.
سؤالات متداول
Gemini Omni Flash 1.2 چقدر ویدیو می‌سازد؟
عدد: ۳ تا ۱۵ ثانیه برای هر کلیپ. با ادامه‌دادنِ مرحله‌ای می‌توان تا ۳۰ ثانیه‌ی کل رفت، ولی هر مرحله‌ی ادامه حداکثر ۱۰ ثانیه است. نسخه‌ی ۱٫۱ فقط تا ۱۰ ثانیه می‌ساخت.
Omni Flash 1.2 صدا هم می‌سازد؟
بله. طبق مستندات گوگل، خروجی ویدیو همراه با صدای داخلی است. برای گفتارِ فارسی، کیفیت را خودتان وارسی کنید و در صورت نیاز صدا را جداگانه با ابزار گویندگی بسازید.
نسخه‌ی ۱٫۲ چقدر ارزان‌تر است؟
طبق اعلام لوگان کیلپاتریک از گوگل حدود ۳۰٪ ارزان‌تر از نسخه‌ی ۱٫۱. قیمت رسمی را از صفحه‌ی قیمت Gemini API ببینید؛ قیمتِ دقیق در هوش نو پیش از ساخت زیرِ دکمه‌ی ساختن نشان داده می‌شود.
چه کیفیت‌هایی دارد؟
۳۶۰p، ۷۲۰p، ۱۰۸۰p و ۴K با ۲۴ قاب در ثانیه. هرچه کیفیت بالاتر باشد هزینه بیشتر می‌شود.
با نسخه‌ی ۱٫۱ چه فرقی دارد؟
بله، فرق دارد: کلیپ بلندتر (۱۵ ثانیه)، ویرایش چندمرحله‌ای، کنترل دوربین عمیق‌تر، لغزش تصویری کمتر و قیمت پایین‌تر. کیفیت و قاب در ثانیه یکی است.
جمع‌بندی
Gemini Omni Flash 1.2 برای کسانی خوب است که کلیپ کوتاهِ همراه با صدا می‌خواهند و دوست دارند آن را با جمله‌های ساده اصلاح کنند، نه از صفر دوباره بسازند. برای ریلز، تبلیغ محصول و صحنه‌های آموزشی مناسب است؛ برای فیلم بلند و متن فارسی داخل ویدیو هنوز محدودیت دارد. پیشنهاد عملی: با کیفیت پایین و ۵ ثانیه شروع کنید، پرامپت را اصلاح کنید و فقط نسخه‌ی خوب را در کیفیت بالا بسازید.
منبع‌ها
- مستندات رسمی Gemini Omni Flash، Google AI Studio (آخرین بررسی: آبان ۱۴۰۵)
- اعلام انتشار نسخه‌ی ۱٫۲ توسط لوگان کیلپاتریک، گوگل
