बहुचर्चित Google I/O इवेंट ने निराश नहीं किया। थोड़े से प्रास्तावना के बाद और Gemini 3.5 Flash तथा Gemini Spark के साथ, असली आकर्षण था: Gemini Omni — नैटिव मल्टीमोडल, "any-to-any" AI मॉडलों का नया परिवार, जिसका अर्थ है कि ये टेक्स्ट, इमेज, ऑडियो और वीडियो—जो आप कहें—को एक साथ प्रोसेस करते हैं। दूसरे शब्दों में, Nano Banana, पर वीडियो के लिए। (Google ने खुद इसे इसी तरह वर्णित किया।)
प्रारंभिक मॉडल है Omni Flash। यह व्यक्तिगत एसेट्स से एक संगठित मीडिया बनाने के लिए संवादात्मक वीडियो एडिटिंग पेश करता है। यानी आप एडिटिंग सॉफ़्टवेयर के बजाय बातचीत के जरिए वीडियो एडिट और रीमिक्स कर सकते हैं।
Gemini Omni क्या है?
आइए समझते हैं कि Omni वास्तव में है क्या।
Gemini Omni, Google DeepMind का पहला नैटिवली मल्टीमोडल जेनरेटिव मीडिया मॉडल है। इस परिवार का पहला वेरिएंट Gemini Omni Flash है, जो अब उपलब्ध है
- Gemini ऐप के भीतर,
- Google Flow में, और
- YouTube Shorts पर
Omni टेक्स्ट, इमेज, ऑडियो और वीडियो के किसी भी संयोजन को इनपुट के तौर पर लेता है और आउटपुट में एक वीडियो देता है। महत्वपूर्ण बात यह है कि अलग-अलग सिस्टम्स के बीच कोई रिले नहीं होता; यह सब एक ही मॉडल में होता है।
अब तक, Google एक स्प्लिट स्टैक चलाता था: वीडियो के लिए Veo, इमेज के लिए Imagen, और ऑडियो के लिए अलग सिस्टम्स। Omni इन्हें समेटकर एक ही मॉडल में ले आता है (यही कारण है नाम का!) जो मल्टीमॉडल तर्क कर सकता है। व्यवहार में, इसका मतलब है अधिक सुसंगत एडिट्स और पाइपलाइन आर्टिफैक्ट्स में कमी।
आगे बढ़ने से पहले, इसे प्रमुख विशेषताओं के रूप में फ्रेम करते हैं।
Gemini Omni की प्रमुख विशेषताएँ
जो चीज़ सबसे अलग दिखती है, वह है प्रक्रिया। संवादात्मक एडिटिंग और स्केच को ब्लूप्रिंट के रूप में इस्तेमाल करना—ये फीचर्स हमें इमेज जेनरेशन टूल्स जैसे Nano Banana 2 या OpenAI के ChatGPT Images 2.0 से परिचित हैं—लेकिन Omni इन्हें वीडियो जेनरेशन में भी लाता है।
संवादात्मक वीडियो एडिटिंग
सबसे बड़ा आकर्षण है संवादात्मक वीडियो एडिटिंग। आप Omni को एक क्लिप देते हैं (जो आपने जेनरेट किया हो या फोन से शूट किया हो), और आप उससे बात करके बदलाव करते हैं। "लाइट्स को डिम कर दें।" "कैमरा एंगल को उसके कंधे के ऊपर से कर दें।" "वायलिन को अदृश्य कर दें।" हर निर्देश कई टर्न्स में कायम रहता है। सीन विकसित होता है; वो रीसेट नहीं होता।
वास्तविक दुनिया का भौतिकशास्त्र और विश्व-ज्ञान
लॉन्च पर Google ने इस पर जोर दिया। Omni को गुरुत्वाकर्षण, गतिज ऊर्जा और द्रव गतिकी की सहज समझ है। मेरी प्रारंभिक टेस्टिंग में, जनरेटेड वीडियो वास्तविक दुनिया के भौतिकशास्त्र जैसा नहीं लगा—लेकिन फिर, यह Flash वर्ज़न है, और हम उम्मीद करते हैं कि जल्द ही Omni Pro मॉडल आएगा, जो Seedance 2.0 जैसे टूल्स से अधिक टक्कर दे।
स्केच और ड्रॉइंग से वीडियो
आप डूडल्स को यथार्थपरक फुटेज में बदल सकते हैं—स्केच को अंतिम विजुअल रेफरेंस की बजाय सिर्फ मूवमेंट गाइड के रूप में उपयोग करते हुए। यह प्री-प्रोडक्शन में उपयोगी होगा। बच्चे भी इसे अपनी ड्रॉइंग्स के लिए पसंद करेंगे।
SynthID वॉटरमार्किंग और C2PA कंटेंट क्रेडेंशियल्स
हर Omni आउटपुट दो परतों की स्रोत-सत्यापन के साथ आता है।
- SynthID एक अदृश्य वॉटरमार्क है जो जेनरेशन के समय सीधे पिक्सल्स में एम्बेड होता है। दर्शकों के लिए अप्रत्याक्ष। और इसे क्रॉपिंग, फ़िल्टर्स, और री-एन्कोडिंग के बाद भी टिके रहने के लिए डिज़ाइन किया गया है।
- C2PA कंटेंट क्रेडेंशियल्स इसके साथ एक साइन किए हुए क्रिप्टोग्राफिक मैनिफेस्ट के रूप में फाइल से संलग्न होते हैं। मेटाडेटा हटा दें, तब भी पिक्सल-स्तर का सिग्नल बना रहता है।
ध्यान देने योग्य: SynthID Google-विशिष्ट है। केवल Google के अपने मॉडल ही इसे एम्बेड करते हैं, इसलिए "वॉटरमार्क नहीं" का अर्थ "मानव-निर्मित" नहीं होता—सिर्फ इतना कि "Google मॉडल से नहीं।" चूँकि Omni वास्तविक फुटेज को आसानी से रीमिक्स कर सकता है, इसलिए हर आउटपुट पर टिकाऊ स्रोत-सत्यापन अब एक अच्छी-से-हो चीज़ नहीं, बल्कि बुनियादी अपेक्षा जैसा दिखता है।
Gemini Omni Flash की टेस्टिंग
मैंने Omni Flash की वीडियो जेनरेशन क्षमताओं का दो श्रेणियों में परीक्षण किया: वास्तविक दुनिया का भौतिकशास्त्र और स्टाइल ट्रांसफ़र।
फिज़िक्स और वर्ल्ड-नॉलेज की टेस्टिंग
मेरा प्रॉम्प्ट यह था:
A medieval trebuchet launching a fired clay pot at a stone castle wall, shot in slow motion. The counterweight falls, the sling whips around, the pot arcs through the air and shatters against the stone, shards and embers scattering across the courtyard. Continuous handheld camera move, golden hour light, period-accurate construction and dress. Realistic sound design — wood creaking under tension, rope strain, the whoosh of the sling, the sharp crack of impact. No music.
नोट में कहा गया था कि इसमें कुछ मिनट लगेंगे, लेकिन वास्तव में इसमें सिर्फ़ दस सेकंड लगे।
