اگر تولیدکننده محتوا یا بازاریاب هستید، جریان کاری شما از امروز تغییر می‌کند. گوگل با معرفی Gemini Omni، ترکیب متن، صدا و تصویر را به ویدیوهای سازگار تبدیل کرده است.
این مدل یک سیستم چندوجهی (Multimodal) است — یعنی مدلی که هم‌زمان متن، عکس و صدا را می‌فهمد، درست مثل ما که با چند حس مختلف دنیا را می‌خوانیم. طبق گزارش TechCrunch در ۱۹ مه ۲۰۲۶، این مدل به جای چسباندن ساده‌ی تکه‌های رسانه‌ای، بین انواع مختلف مدیا استدلال می‌کند.
همان‌طور که در تحلیل قبلی ما درباره‌ی Genie و توانایی آن در شبیه‌سازی خیابان‌های واقعی دیدیم، گوگل حالا از پیش‌بینی پیکسل‌ها به سمت شبیه‌سازی واقعیت حرکت کرده است. بر اساس مستندات گوگل، جزئیات فنی این ابزار به شرح زیر است:
- Gemini Omni Flash از امروز در اپلیکیشن Gemini، یوتیوب شورتس و استودیوی خلاق Flow فعال می‌شود.
- مدل فعلی ویدیوهایی با مدت ۱۰ ثانیه تولید می‌کند.
- کاربران پس از طی مراحل امنیتی (ضبط صدا و چهره)، می‌توانند آواتارهای دیجیتال خود را بسازند.
- تمام خروجی‌ها برای جلوگیری از جعل عمیق (Deepfake)، دارای واترمارک دیجیتال SynthID هستند.
این ابزار فراتر از یک به‌روزرسانی ساده برای Veo است. گوگل با ادغام توانایی استدلال Gemini و رندرینگ رسانه‌ای، فاصله تا مصرف‌کننده عادی را کم کرده است. برای تبلیغ‌کنندگان، توانایی این مدل در نمایش دقیق متن‌ها و شعارها، آن را به ابزاری قدرتمند برای نمونه‌سازی سریع تبدیل می‌کند.
گام بعدی شما
- بررسی قابلیت‌های Omni Flash در یوتیوب شورتس برای تولید محتوای کوتاه.
- تست ساخت آواتارهای دیجیتال پس از طی مراحل احراز هویت.
- دنبال کردن اخبار انتشار نسخه Omni Pro که جهش عملکردی بیشتری خواهد داشت.
اما این تنها شروع مسیر است؛ اثر این مدل بر آینده تبلیغات دیجیتال را در گزارش بعدی بررسی خواهیم کرد.
گفتگو