ข่าว 
ข้อมูลเหรียญ 
แนะนำสื่อ 
กูเกิล(GOOGL) เปิดตัวโมเดล AI สร้างวิดีโอ 'Gemini Omni 1.1 Flash' พร้อมฟีเจอร์อัปสเกลความละเอียดสูงสุด '4K' ต่อขยายฉากวิดีโอ และกำหนดเฟรมแรก-เฟรมสุดท้ายได้เอง สะท้อนทิศทางของ AI สร้างสรรค์ที่ขยับจากข้อความและภาพนิ่ง ไปสู่การตัดต่อและผลิตวิดีโอซ้ำ ๆ มากขึ้น
กูเกิลระบุผ่านบล็อกทางการเมื่อวันที่ 27 (เวลาท้องถิ่น) ว่า Gemini Omni 1.1 Flash พร้อมใช้งานแล้วบน Gemini API ของ Google AI Studio และแพลตฟอร์มเอเจนต์ Gemini Enterprise ส่วนบน Google Flow เปิดให้ผู้ใช้แพ็กเกจ Google AI Plus, Pro และ Ultra ใช้งานได้ทั่วโลกแล้ว ขณะที่แอป Gemini จะได้รับเฉพาะฟีเจอร์ต่อขยายฉากเพิ่มเข้ามา
โมเดลนี้เน้นรับอินพุตทั้งข้อความ ภาพ และวิดีโอ เพื่อสร้างวิดีโอใหม่หรือแก้ไขวิดีโอเดิม เอกสารสำหรับนักพัฒนาของกูเกิลระบุว่าโมเดลมีชื่อรหัสว่า 'gemini-omni-1.1-flash' และรองรับข้อมูลนำเข้าทั้งสามรูปแบบดังกล่าว
วิดีโอที่อัปโหลดเพื่อแก้ไขหรือต่อขยายมีความยาวได้สูงสุด 10 วินาที ส่วนวิดีโอที่สร้างออกมาจะมีความยาว 3-10 วินาที ซึ่งออกแบบมาให้เหมาะกับวิธีทำงานที่นำคลิปสั้น ๆ มาต่อกันหลายคลิปเพื่อปรับลำดับฉาก
จุดเปลี่ยนสำคัญคือผู้สร้างคอนเทนต์ควบคุมฉากได้ตรงจุดมากขึ้น ผู้ใช้สามารถต่อฉากใหม่ท้ายวิดีโอเดิมได้ โดยโมเดลจะอ้างอิงช่วง 10 วินาทีสุดท้ายของคลิปก่อนหน้า เพื่อให้การเคลื่อนไหว ตัวละคร และเนื้อเรื่องต่อเนื่องกัน กูเกิลระบุในบล็อกทางการว่าสามารถต่อขยายวิดีโอทีละ 10 วินาที รวมสูงสุดได้ถึง '40 วินาที'
ฟีเจอร์กำหนดเฟรมแรกและเฟรมสุดท้ายก็ถูกเพิ่มเข้ามาเช่นกัน เมื่อใส่ภาพเริ่มต้นและภาพจบเข้าไป ระบบจะเชื่อมสองฉากนั้นให้กลายเป็นวิดีโอต่อเนื่องหนึ่งคลิป เหมาะกับงานที่ต้องการความลื่นไหลระหว่างฉาก เช่น การเคลื่อนกล้อง การซูมเปลี่ยนมุม หรือวิดีโอแบบวนลูป
ฟีเจอร์ใส่วิดีโออ้างอิงใช้สำหรับงานที่ต้องการคงท่าทางของตัวละครหรือบริบทภาพเดิมไว้ ผู้ใช้ใส่วิดีโออ้างอิงความยาวไม่เกิน 3 วินาทีเพื่อสร้างวิดีโอใหม่ได้ วิธีนี้ช่วยส่งต่อข้อมูลการเคลื่อนไหวและบรรยากาศของฉากให้โมเดล ซึ่งภาพนิ่งเพียงภาพเดียวทำไม่ได้
ความละเอียดที่รองรับมีตั้งแต่ 360p, 720p, 1080p ไปจนถึง '4K' เอกสารนักพัฒนาของกูเกิลระบุว่า 720p เป็นค่าเริ่มต้น ส่วน 1080p และ 4K เป็นการอัปสเกล แม้จะชูจุดขายเรื่องเอาต์พุต 4K แต่ในทางปฏิบัติ ขั้นตอนการทำงานจริงถูกออกแบบให้แยกระหว่างการทำร่างความละเอียดต่ำกับการประมวลผลความละเอียดสูงในภายหลัง
กูเกิลระบุว่าการสร้างร่างวิดีโอที่ 360p เร็วกว่า 720p สูงสุดถึง 60% เมื่อวัดจากปริมาณงานที่ระบบประมวลผลได้ และมีต้นทุนเพียง 1 ใน 3 ผู้สร้างคอนเทนต์จึงทดลองสร้างร่างหลายเวอร์ชันในความละเอียดต่ำก่อน แล้วค่อยเลือกเฉพาะผลงานที่ต้องการไปทำเป็นความละเอียดสูงอีกครั้ง จึงมีการประเมินว่าการแข่งขันด้าน AI สร้างวิดีโอกำลังขยับจากเรื่องคุณภาพไปสู่ต้นทุนการผลิตซ้ำด้วยเช่นกัน
ค่าบริการคิดตามอัตรา API แบบเสียเงิน เอกสารนักพัฒนาของกูเกิลระบุว่าค่าเอาต์พุตวิดีโออยู่ที่ 17.50 ดอลลาร์ต่อโทเคน 1 ล้านโทเคน และวิดีโอความละเอียด 720p คิดเป็น 5,792 โทเคนต่อวินาที เท่ากับประมาณ 0.10 ดอลลาร์ต่อวินาที
สื่อ Digital Today รายงานอัตราค่าบริการ API แยกตามความละเอียดไว้ว่า 360p อยู่ที่ 0.03 ดอลลาร์ต่อวินาที, 720p อยู่ที่ 0.10 ดอลลาร์, 1080p อยู่ที่ 0.15 ดอลลาร์ และ 4K อยู่ที่ 0.30 ดอลลาร์ต่อวินาที และคำนวณตามอัตราแลกเปลี่ยนวันดังกล่าวที่ 1 ดอลลาร์ = 1,382 วอน ออกมาอยู่ที่ประมาณ 41 วอน, 138 วอน, 207 วอน และ 415 วอนตามลำดับ
โมเดลสร้างวิดีโอส่วนใหญ่ต้องทดลองพรอมป์ต์เดิมซ้ำหลายรอบแล้วคัดเลือกผลลัพธ์ที่ดีที่สุด ทำให้ต้นทุนการทำร่างและความเร็วในการทำซ้ำสำคัญไม่แพ้ความละเอียดของผลงานสุดท้าย การชูทั้งการทำร่างที่ 360p และการอัปสเกลเป็น 4K จึงถูกมองว่าเป็นความพยายามขยายขอบเขตการปรับสมดุลระหว่างต้นทุนการผลิตกับคุณภาพ
การเปิดตัวครั้งนี้สอดคล้องกับทิศทางที่ผลิตภัณฑ์ AI สร้างสรรค์ของกูเกิลขยายจากข้อความและภาพไปสู่การผลิตวิดีโอมากขึ้น ก่อนหน้านี้ TokenPost เคยรายงานว่า กูเกิลเปิดให้ปิดลายน้ำที่มองเห็นได้บนผลงานที่สร้างจาก Gemini และ Flow อย่างไรก็ตาม รายงานดังกล่าวระบุว่าผู้ใช้งานที่อยู่ในเกาหลีใต้จะถูกใส่ลายน้ำที่มองเห็นได้โดยอัตโนมัติ ขอบเขตการเปิดใช้งานฟีเจอร์นี้ในแต่ละประเทศจึงอาจแตกต่างกันไปตามภูมิภาคบัญชีและการตั้งค่าผลิตภัณฑ์
สำหรับผู้สร้างคอนเทนต์และนักพัฒนาในไทย ขอบเขตการเปิดให้ใช้งานฟีเจอร์และรูปแบบการคิดค่าบริการยังเป็นประเด็นที่ต้องติดตาม ทั้งขอบเขตการให้บริการของ Google Flow และ Gemini API ในแต่ละภูมิภาค การคิดค่าบริการตามความละเอียด รวมถึงนโยบายลายน้ำ ล้วนเป็นปัจจัยที่จะมีผลต่อการเลือกใช้งานจริง
ความคิดเห็น 0