Google hat in dieser Woche das neue KI-Modell Gemini Omni 1.2 Flash veröffentlicht, das viele Verbesserungen in den Bereich der KI-Videogenerierung bringt und dabei auch die maximale Länge der Clips um 50 Prozent abhebt. Mit dem neuem Modell lassen sich jetzt kostensparend Videos mit einer Länger von 15 Sekunden erstellen. In einer Reihe von Beispielen inklusive Prompts zeigt man, was damit möglich ist.
Wir haben euch hier im Blog gerade erst die starken Neuerungen von Gemini Omni 1.2 Flash vorgestellt, die hauptsächlich daraus bestehen, sowohl die Qualität als auch die Effizienz in neue Höhen zu bringen. Das Kontextfenster wurde vergrößert, Objekte, Personen und Hintergründe bleiben über die gesamte Länge konsistent und man erstellt die Videos sowohl schneller als auch kostengünstiger. Aber das ist längst nicht alles.
Die maximale durchgehende Videolänge wurde von 10 auf 15 Sekunden angehoben. Dieser Sprung ist gerade für die professioneller Medienproduktion besonders wichtig, da 15 Sekunden als das absolute Standardformat für Social-Media-Clips gelten – etwa für YouTube Shorts, Instagram Reels oder auch TikTok. Aber auch für klassische Online- und TV-Werbespots in Form von Bumper Ads ist das wohl die Länge, die erreicht werden sollte.
Entwickler und Creator sind mit diesem Update nicht mehr an feste Längen-Presets gebunden. Die Dauer des zu generierenden Clips lässt sich präzise in 1-Sekunden-Schritten definieren. Dies verhindert, dass unnötige Frames berechnet werden müssen, wenn beispielsweise exakt ein 7-Sekunden-Clip für eine bestimmte Schnittlücke oder Website-Animation benötigt wird. Das spart direkt Rechenleistung, Wartezeit und API-Kosten. Schaut euch einmal die folgenden Beispiele an, die Google veröffentlicht hat.
15 Sekunden lange Clips
Verwandelt ein einzelnes Standbild in eine 15 Sekunden lange Makro-Wissenschaftserklärung mit 4 Einstellungen und korrekt geschriebenen, bewegungsverfolgten Hinweisen.
Bewegungsübertragung in mehreren Runden
Erzeugt in Runde 1 einen sich wellenförmigen Oktopus und ersetzt ihn in Runde 2 durch eine Tänzerin, deren Kleid die fließende Bewegung exakt widerspiegelt.
Konsistenz vom ersten bis zum letzten Bild
Verbindet das Startbild im Außenbereich und das Endbild im Innenbereich in einem einzigen, durchgehenden Kamera-Push bei Blitz 1.2. Man erkennt subtile Unterschiede, wie die Katzen auf dem Dach, die Suppenkelle, die sich in Essstäbchen verwandelt, und einige andere kleinere Änderungen.
Ununterbrochener Zoom-out
Ein kontinuierlicher Wechsel von einer Nahaufnahme der Küstenlinie zu einer Luftaufnahme einer Insel in einer 10-sekündigen Einstellung mit natürlicher Proportion und ohne Schnitte.
Ich denke, obige Beispiele wissen für sich allein zu begeistern. Laut der Ankündigung werden alle Clips nun bis zu einer Länger von 15 Sekunden in einem Durchgang berechnet. Bisher mussten längere KI-Videos oft aus mehreren kurzen Clips zusammengefügt oder künstlich verlängert werden, was zu sichtbaren Qualitätsverlusten, flackernden Hintergründen oder veränderten Gesichtern (visuelles Driften) im späteren Verlauf des Videos führte.
Durch die Berechnung an einem Stück bleibt die visuelle und physikalische Logik vom ersten bis zum letzten Frame komplett stabil. Die zusätzliche Zeit ermöglicht es der KI, komplexere Aktionen innerhalb einer einzigen Kameraeinstellung darzustellen. Anstelle von kurzen, statischen Momentaufnahmen kann ein 15-Sekunden-Clip nun einen vollständigen kleinen Handlungsbogen (Anfang, Mitte, Ende) abbilden – etwa eine Person, die einen Raum betritt, ein Objekt aufhebt, es betrachtet und eine sichtbare Emotion dazu zeigt.