ข้อมูลจำเพาะทางเทคนิคของ Gemini Omni Fast
| รายการ | Gemini Omni Fast |
|---|---|
| ตระกูลโมเดล | Gemini Omni |
| ผู้ให้บริการ | Google DeepMind |
| วันที่เปิดตัว | พฤษภาคม 2026 |
| ความสามารถหลัก | การสร้างวิดีโอมัลติโหมดแบบเนทีฟและการแก้ไขเชิงสนทนา |
| ประเภทอินพุต | ข้อความ, ภาพ, เสียง, วิดีโอ |
| ประเภทเอาต์พุต | วิดีโอความละเอียดสูงพร้อมเสียงที่ซิงโครไนซ์ |
| เวิร์กโฟลว์การแก้ไข | การแก้ไขแบบสนทนาหลายรอบ |
| สถาปัตยกรรม | โมเดลมัลติโหมดที่ใช้สถาปัตยกรรม Transformer |
| ลายน้ำ | เปิดใช้ลายน้ำ SynthID |
| รูปแบบการสร้างที่รองรับ | ข้อความเป็นวิดีโอ, ภาพเป็นวิดีโอ, การรีเมกวิดีโอ, การสร้างอวตาร |
| ความยาวคลิปสาธารณะสูงสุด | ~10 วินาที ตามรายงานปัจจุบัน |
| โมเดลที่เกี่ยวข้อง | Gemini 3 Flash, Veo 3.1, Nano Banana |
Gemini Omni Fast/Flash คืออะไร?
Gemini Omni Flash เป็นการเปิดตัวครั้งแรกของ Google DeepMind ในตระกูลโมเดล Gemini Omni ใหม่ ซึ่งออกแบบมาเพื่อ “สร้างอะไรก็ได้จากอินพุตใดก็ได้” แตกต่างจากระบบวิดีโอ AI รุ่นก่อนที่พึ่งพาพรอมป์ข้อความเป็นหลัก Omni Flash ยอมรับข้อความ ภาพ เสียง และวิดีโอที่มีอยู่เป็นอินพุตมัลติโหมดแบบเนทีฟเพื่อสร้างวิดีโอที่สอดคล้องกันพร้อมเสียงที่ซิงโครไนซ์
โมเดลนี้ผสานเหตุผลเชิงตรรกะและความรู้เกี่ยวกับโลกของ Gemini เข้ากับระบบสื่อสร้างสรรค์ของ Google ช่วยให้ผู้ใช้สามารถแก้ไขวิดีโอแบบวนรอบผ่านการสนทนา แทนการเริ่มสร้างใหม่ตั้งแต่ต้นหลังจากการเปลี่ยนแปลงทุกครั้ง
คุณสมบัติหลักของ Gemini Omni Fast/Flash
- ชุดท่ออินพุตมัลติโหมดแบบเนทีฟ: Omni Flash จัดการข้อความ ภาพ เสียง และวิดีโอในสถาปัตยกรรมเดียวกันอย่างเท่าเทียม ช่วยให้สื่ออ้างอิงกำหนดทิศทางฉากที่สร้างได้อย่างมีน้ำหนัก
- การแก้ไขวิดีโอเชิงสนทนา: ผู้ใช้สามารถปรับแก้คลิปที่สร้างด้วยคำสั่งภาษาธรรมชาติในรอบต่อ ๆ ไป โดยยังคงความต่อเนื่องของฉากและความสม่ำเสมอของตัวละคร
- การจำลองฟิสิกส์ในโลกจริง: Google เน้นว่าการจัดการแรงโน้มถ่วง การเคลื่อนไหว แสง และปฏิสัมพันธ์ของวัสดุแข็งแกร่งขึ้นเมื่อเทียบกับโมเดลวิดีโอก่อนหน้า
- การสร้างอวตารและอัตลักษณ์: ผู้ใช้สามารถสร้างอวตารดิจิทัลโดยใช้รูปลักษณ์และเสียงของตนเองสำหรับเวิร์กโฟลว์การสร้างวิดีโอแบบเฉพาะบุคคล
- ระบบลายน้ำความปลอดภัยแบบบูรณาการ: วิดีโอที่สร้างทั้งหมดมีลายน้ำ SynthID เพื่อยืนยันที่มาจาก AI และความโปร่งใส
เกณฑ์มาตรฐานและลักษณะด้านประสิทธิภาพ
Google ยังไม่ได้เผยแพร่ตารางเกณฑ์มาตรฐานสาธารณะอย่างกว้างขวางที่เทียบเคียงกับการประเมิน LLM แบบดั้งเดิม อย่างไรก็ตาม สาธิตและรายงานการทดสอบระยะแรกชี้ให้เห็นจุดแข็งที่โดดเด่นหลายประการ:
- ความสม่ำเสมอของฉากดีขึ้นเมื่อเทียบกับ Veo 3.1
- ความคงเส้นคงวาของตัวละครระหว่างการแก้ไขดีขึ้น
- การยึดโยงมัลติโหมดแข็งแกร่งยิ่งขึ้น
- การเคลื่อนไหวทางกายภาพและพฤติกรรมกล้องสมจริงยิ่งขึ้น
- เวิร์กโฟลว์แบบวนซ้ำเร็วขึ้นผ่านการปรับแต่งเชิงสนทนา
Gemini Omni Fast เทียบกับโมเดลอื่น
| โมเดล | จุดแข็ง | จุดอ่อน |
|---|---|---|
| Gemini Omni Flash | เวิร์กโฟลว์การแก้ไขวิดีโอเชิงสนทนาแบบมัลติโหมดที่ดีที่สุด | ความยาวคลิปสาธารณะยังค่อนข้างสั้น |
| Veo 3.1 | การสร้างเชิงภาพยนตร์ที่แข็งแกร่ง | การแก้ไขเชิงโต้ตอบน้อยกว่า |
| OpenAI Sora | ความสมจริงเชิงภาพยนตร์คุณภาพสูง | การวนซ้ำเชิงสนทนาที่บูรณาการน้อยกว่า |
| Runway Gen-4 | เครื่องมือสำหรับครีเอเตอร์ยอดเยี่ยม | การยึดโยงมัลติโหมดอ่อนกว่า |
| Pika Labs | การสร้างคอนเทนต์โซเชียลที่รวดเร็ว | ความสม่ำเสมอด้านฟิสิกส์ที่ล้าหลังกว่า |
กรณีการใช้งานตัวอย่าง
- คลิป YouTube Shorts และคลิปสไตล์ TikTok ที่สร้างด้วย AI
- วิดีโอการตลาดผลิตภัณฑ์
- การทำสตอรี่บอร์ดและการพรีวิชวลไลซ์
- เวิร์กโฟลว์การแก้ไขวิดีโอเชิงสนทนา
- คอนเทนต์อวตารเฉพาะบุคคล
- วิดีโออธิบายเชิงการศึกษาและบทเรียนแบบแอนิเมชัน
- การวนซ้ำครีเอทีฟโฆษณาอย่างรวดเร็ว
วิธีเข้าถึง Gemini Omni Fast/Flash ด้วย CometAPI
ขั้นตอนที่ 1: ลงทะเบียน
ลงทะเบียนบัญชี CometAPI และขอรับคีย์ API
ขั้นตอนที่ 2: เลือก Omni Flash
เลือกโมเดล Gemini Omni Flash (ID: omni-fast) และใช้งานด้วยรูปแบบแชทที่เข้ากันได้กับ OpenAI เพื่อเข้าถึง
ขั้นตอนที่ 3: สร้างหรือแก้ไขวิดีโอ
อัปโหลดข้อความ ภาพ เสียง หรือวิดีโอที่มีอยู่ แล้วปรับแต่งผลลัพธ์ที่สร้างแบบวนซ้ำด้วยคำสั่งภาษาธรรมชาติ