عکس مرجع می‌تواند ظاهر را راهنمایی کند، اما فریم آغاز و پایان، دو لحظه مشخصِ شات را تعیین می‌کنند. قبل از تولید، نقشِ هر عکس را مشخص کنید؛ اگر فقط هویت سوژه مهم است، عکسِ مرجع را با مقصدِ حرکت اشتباه نگیرید.
نکات کلیدی KEY TAKEAWAYS
- Gemini Omni Flash علاوه بر ساخت ویدیو، از ویرایش و ادامه‌دادن کلیپ با دستور متنی پشتیبانی می‌کند.
- عکس مرجع (Reference Image) می‌تواند ظاهر یا حرکت را راهنمایی کند؛ در حالت Interpolation، دو تصویر نقش قاب آغاز و پایان را دارند.
- برای ادامه شات، ویدیوی قبلی را به Extension بدهید؛ نتیجه باید در محل اتصال، حرکت و نور پیوستهای داشته باشد.
- خروجی هر بار تولید، ۳ تا ۱۰ ثانیه است؛ راهنمای گوگل برای ادامه‌دادن مرحله‌ای، سقف ۴۰ ثانیه را ذکر می‌کند.
Gemini Omni Flash چیست و چه ویدیویی می‌سازد؟
Omni Flash برای ساخت یک نمای تازه، حرکت‌دادن عکس و اصلاح ویدیوی کوتاه به کار می‌آید. تفاوت این کارها در ورودی آن‌هاست: متن، صحنه را توصیف می‌کند؛ عکس، ظاهر یا حرکت را راهنمایی می‌کند؛ و کلیپ موجود، پایه ادامه یا ویرایش می‌شود. اگر ویدیوی خودتان را برای ویرایش یا ادامه‌دادن در API گوگل بارگذاری می‌کنید، مدت آن باید حداکثر ۱۰ ثانیه باشد.
نمونه کوهستان مه‌آلود در راهنمای گوگل، از مسیر متن به ویدیو آمده است. این نمونه نشان می‌دهد برای ساخت یک نمای منظره، لازم نیست حتماً عکس اولیه داشته باشید.
یک نمای کوهستان، با ورودی متنی
موضوع این نمونه، ساخت صحنه از توصیف است؛ هنگام تماشا، به حرکت دوربین در کنار شکل و فضای منظره توجه کنید.
دیدن نمونه اصلیهر قابلیت چه ورودی و خروجی‌ای دارد؟
| قابلیت | ورودی و خروجی | نکته عملی |
|---|---|---|
| Text-to-Video | متن → ویدیوی تازه | وقتی عکس اولیه ندارید، این حالت صحنه را از توصیف شما می‌سازد. |
| Image-to-Video | تصویر + متن → ویدیوی متحرک | متن مشخص می‌کند مدل از عکس، ظاهر سوژه را بگیرد یا از آن برای حرکت کمک بگیرد. |
| Reference-to-Video | تصویرهای مرجع + دستور → ویدیوی دارای سوژه‌های مشخص | هر تصویر می‌تواند یک سوژه را معرفی کند؛ نقش آن را در دستور بنویسید. |
| Interpolation | فریم آغاز + فریم پایان → گذار ویدیویی | تصویر دوم مشخص می‌کند ویدیو باید به چه قابی برسد. |
| Extension | ویدیوی موجود → ادامه شات | پیوستگی صدا، نور و جهت حرکت را جدا بررسی کنید. |
| Editing | ویدیوی قبلی + دستور تغییر → ویدیوی اصلاح‌شده | بعد از تولید، تغییر دلخواه را با یک دستور تازه روی همان ویدیو اعمال می‌کنید. |
| مدت خروجی | ۳ تا ۱۰ ثانیه در هر بار تولید | ادامه‌دادن مرحله‌ای می‌تواند طول کلیپ را تا ۴۰ ثانیه افزایش دهد. |
در نسخه فعلی Gemini API، بارگذاری فایل صوتی به‌عنوان مرجع پشتیبانی نمی‌شود. مدل می‌تواند برای ویدیو صدا بسازد؛ نوع موسیقی یا صدای دلخواه را باید در متن درخواست توضیح دهید.
نسخه پایدار و پیش‌نمایش Omni Flash چه فرقی دارند؟
نسخه پایدار؛ gemini-omni-1.1-flash
گوگل این شناسه را برای نسخه پایدار Omni Flash معرفی کرده است. اگر مدل را از طریق API به برنامه‌تان وصل می‌کنید، این شناسه به نسخه مشخصی اشاره می‌کند و برای استفاده مستمر انتخاب پیش‌فرض مناسب‌تری است.
نسخه پیش‌نمایش؛ gemini-omni-flash-preview
گوگل این شناسه را با برچسب Preview عرضه می‌کند. نسخه‌های پیش‌نمایش ممکن است محدودیت درخواست بیشتری داشته باشند و زودتر جایگزین شوند؛ این برچسب به معنی حالت سریع‌تر یا کیفیت بالاتر ویدیو نیست.
قبل از تولید، چه چیزی را باید ثابت نگه دارید؟
دستور شما باید نقش عکس و تغییر موردنظر را روشن کند. عکس می‌تواند ظاهر سوژه را مشخص کند یا فقط راهنمای حرکت باشد؛ در مثال گوگل، یک نقاشیِ ماهی، حرکت ماهی در ویدیوی واقع‌گرایانه را هدایت می‌کند. اگر می‌خواهید ظاهر عکس حفظ شود، همان را در دستور بنویسید و حرکت سوژه و دوربین را جدا توضیح دهید.
از چه ورودی‌ای شروع کنم؟
حالت تولید را با توجه به چیزی که از صحنه آماده دارید انتخاب کنید:
فقط ایده دارید
Text-to-Video را برای ساخت شات از متن انتخاب کنید و سوژه، عمل و قاب را بنویسید. اگر ظاهر دقیقی می‌خواهید، تصویر آن را آماده کنید و به Image-to-Video بروید.
یک تصویر دارید
در Image-to-Video، عکس را وارد کنید و بگویید مدل از آن چه چیزی بگیرد. برای جان‌دادن به همان عکس، جزئیات ثابت را مشخص کنید و حرکت سوژه یا دوربین را توضیح دهید.
چهره یا شکل محصول را در آغاز، میانه و پایان ببینید؛ تغییر ناخواسته آن یعنی شات هنوز آماده نیست.
چند سوژه مشخص دارید
در تولید با مرجع (Reference-to-Video)، نقش هر تصویر را در دستور بنویسید. در مثال گوگل، یک عکس گربه و یک عکس کلاف نخ، دو سوژه ویدیوی تازه را تعیین می‌کنند؛ این دو عکس، قاب آغاز و پایان نیستند.
در خروجی، حضور و ظاهر هر دو سوژه را با عکس مربوط به خودش مقایسه کنید.
آغاز و پایان مشخص است
دو تصویر را به‌عنوان فریم آغاز و پایان بدهید. حالت Interpolation حرکت میان این دو قاب را می‌سازد.
بخش میانی را ببینید؛ رسیدن به قاب آخر کافی نیست و حرکت نباید وسط راه بپرد.
شات قبلی را دارید
در حالت Extension کلیپ قبلی را وارد کنید و بگویید اتفاق بعدی چیست تا ادامه همان شات ساخته شود.
دو کلیپ را پشت سر هم پخش کنید؛ تغییر ناگهانی نور، جای سوژه یا جهت حرکت، محل اصلاح است.
وقتی شات قبلی آماده است، حالت Extension از همان ویدیو ادامه می‌سازد. گوگل نسخه ادامه‌یافته یک کلیپ را برای توضیح این قابلیت منتشر کرده است.
وقتی ویدیو باید ادامه پیدا کند
کلیپ پایه در راهنمای گوگل آمده است؛ با مقایسه آن و این خروجی می‌توانید پیوستگی جای سوژه، نور و جهت حرکت را در محل اتصال بررسی کنید.
دیدن نمونه اصلینمونه رسمی: گذار از جنگل روز به جنگل شب
در راهنمای گوگل، دو تصویر از جنگل برای روش Interpolation استفاده شده‌اند: یکی سبز و در نور طلوع است و دیگری، جنگلی برفی را زیر آسمان شب نشان می‌دهد. این بار، پایان ویدیو هم از ابتدا معلوم است.
-
دو قاب را به ترتیب بدهید
در مثال API گوگل، تصویر جنگل سبز اولین ورودی و تصویر جنگل برفی دومین ورودی است. مدل gemini-omni-1.1-flash همین ترتیب را به‌عنوان آغاز و پایان گذار می‌گیرد.
-
گذار میان آن‌ها را توضیح دهید
بازگویی کوتاه دستور منتشرشده: گذار سینمایی و روانی از جنگل سبز هنگام طلوع به جنگل برفی زیر آسمان پرستاره بساز. در درخواست API، این متن پس از دو تصویر در input می‌آید.
-
حرکت میانی را بررسی کنید
خروجی این درخواست یک ویدیو است. هنگام دیدن آن، فقط قاب اول و آخر را بررسی نکنید؛ تغییر نور و شکل صحنه در میانه هم باید پیوسته باشد. اگر گذار ناگهانی است، توضیح همان تغییر را در دستور دقیق‌تر کنید.
ویدیوی زیر، نمونه منتشرشده گوگل برای همین گذار میان دو تصویر است. دو قاب، ابتدا و انتها را تعیین می‌کنند و مدل باید تغییر میان آن‌ها را بسازد.
گذار میان دو قابِ مشخص
نکته قابل‌بررسی، بخش میانی ویدیو است: تغییر فصل و نور باید میان دو تصویر اتفاق بیفتد، بدون اینکه صحنه ناگهان بپرد.
دیدن نمونه اصلیدر برابر مدل‌های هم‌رده چه فرقی دارد؟
برای یک شات کوتاه که باید چند بار اصلاح شود یا میان دو قاب مشخص گذار بسازد، Omni Flash گزینه مرتبطی است. اگر یک کلیپ طولانی‌تر را در یک بار تولید می‌خواهید، Seedance 2.5 سقف اعلام‌شده ۳۰ ثانیه دارد؛ Omni Flash در هر بار تولید، ۳ تا ۱۰ ثانیه خروجی می‌دهد و برای طول بیشتر به ادامه‌دادن مرحله‌ای نیاز دارد.
اگر به‌جای اصلاح یک شات، چند نما با شخصیت‌های ثابت می‌خواهید، Kling VIDEO 3.0 Omni را هم بررسی کنید. در O3 می‌توانید شخصیت‌ها را به‌صورت عناصر نام‌دار تعریف کنید و مدت و اتفاق هر نما را جدا بنویسید. این تفاوت به کنترل روایت مربوط است، نه اثبات کیفیت بالاتر یک مدل در همه کارها.
در جنارا از کجا شروع کنید؟
در جنارا، ابتدا حالتِ فعالِ متناسب با ورودی را بررسی کنید: عکس برای حرکت‌دادن قاب، دو فریم برای شروع و مقصد، یا ویدیو برای ادیت و ادامه. دسترسی به همه این حالت‌ها در این بازبینی اجرا و تأیید نشده است. اگر صفحه ورودیِ موردنیاز را ندارد، قابلیتِ API گوگل را به آن نسبت ندهید؛ برای کار فعلی، مسیرِ سازگارِ فعال را انتخاب کنید.
جمع‌بندی
Omni Flash برای کاری مناسب است که قرار است یک شات کوتاه را بسازید و با چند اصلاح به نتیجه دلخواه برسانید. اگر دو قاب مشخص دارید، با Interpolation شروع کنید؛ اگر کلیپ نیمه‌تمام دارید، Extension را انتخاب کنید. اولین خروجی را از نظر همان چیزی بسنجید که کنترلش برایتان مهم بود: حرکت میان دو قاب یا ادامه طبیعی شات.
سؤال‌های رایج
آیا می‌شود ویدیوی بلند یک‌جا ساخت؟
خیر؛ هر بار تولید، ۳ تا ۱۰ ثانیه خروجی دارد. راهنمای گوگل برای ادامه‌دادن مرحله‌ای، طول کل تا ۴۰ ثانیه را ذکر می‌کند؛ برای روایت‌های طولانی‌تر باید چند کلیپ بسازید و تدوین کنید.
فریم آغاز و پایان همان تصویر مرجع‌اند؟
خیر. دو تصویر ممکن است دو سوژه یک صحنه را معرفی کنند یا قاب آغاز و پایان باشند. نقش آن‌ها را در دستور مشخص می‌کنید؛ فقط در حالت Interpolation، مدل باید میان دو قاب گذار بسازد.
آیا می‌توانم فایل صوتی خودم را مرجع قرار بدهم؟
در نسخه فعلی Gemini API، خیر. تولید صدا پشتیبانی می‌شود، اما بارگذاری مرجع صوتی پشتیبانی نمی‌شود؛ صدای ویدیوی مرجع هم در مسیر reference نادیده گرفته می‌شود.
