Google Omni: zapowiedziane, wydane i gotowe dla enterprise to trzy różne rzeczy

Najpierw proszę nazwać to poprawnie, bo marketing to zaciera. Rodzina nazywa się Gemini Omni, a pierwszy model to Gemini Omni Flash. Przyjmuje jako wejście tekst, obraz, audio i wideo, a przy starcie generuje jedno wyjście: wideo, w klipach około 10-sekundowych z natywnie zsynchronizowanym dźwiękiem. Google opisuje go jako krok w stronę modelu świata, to znaczy, że próbuje utrzymać spójność fizyki, grawitacji i koherencji przestrzennej w wygenerowanej scenie, i działa na TPU 8. generacji Google, podzielonych na warianty treningowe i inferencyjne.

Uczciwa korekta liczy się dla technicznego czytelnika: Omni jest reklamowany jako any-to-any, ale w formie, w jakiej został wydany, jest to każde-wejście-do-wideo. Wyjścia w postaci obrazu i audio są na mapie drogowej, nie w produkcie. Nie jest to więc konwersacyjny asystent omni działający w czasie rzeczywistym, i nie jest to jeszcze uniwersalny system any-to-any, na który wskazuje nazwa. To bardzo zdolny, elastyczny co do wejścia generator wideo, co jest węższą i bardziej użyteczną rzeczą, wokół której można planować.

Najbardziej użyteczne rozróżnienie dla nabywcy polega na tym, że te trzy stany nie są tym samym, a Omni znajduje się w różnych z nich w zależności od tego, kim Państwo są. Jest wydany dla konsumentów i twórców, a dla wszystkich, którzy budują na API, jedynie zapowiedziany.

Praktyczna interpretacja dla firmy z UE jest prosta. Jeśli potrzebują Państwo dziś zgodnej z RODO rezydencji danych w UE dla generowania wideo, Omni nie może jej zapewnić, ponieważ jego ścieżka enterprise jeszcze nie istnieje. Wspieraną opcją na własnym stosie Google pozostaje Veo 3.1 na Vertex AI, który mogą Państwo przypisać do regionu UE. To ten sam wzorzec, który wciąż widzimy przy nowych premierach modeli, gdzie demo i produkt gotowy do wdrożenia dzieli wiele miesięcy.

Proszę traktować Omni jako sygnał do obserwowania, a nie narzędzie do wdrożenia w tym kwartale. Trzy konkretne kroki.

• Proszę już dziś korzystać z Veo 3.1 przypisanego do regionu do wideo produkcyjnego. Ma prawdziwe API Vertex, regiony UE i SLA. Omni nie ma na razie nic z tego, więc obecnie nie ma miejsca w pipeline produkcyjnym.
• Proszę zaplanować wcześnie historię pochodzenia treści. Omni osadza znak wodny SynthID w każdym klipie. Dla treści regulowanych lub publicznych proszę wbudować w swój proces oczekiwanie, że wideo wygenerowane przez AI jest oznaczone i możliwe do prześledzenia, niezależnie od tego, który model wygra.
• Proszę obserwować dwa ryzyka, nie tylko możliwości. Testerzy rozpoznawalnie odtworzyli chronione znakiem towarowym postacie w wynikach Omni, co stanowi realne ryzyko praw własności intelektualnej dla użytku komercyjnego, a spójność wizualna wciąż dryfuje przy szybkim ruchu. Limit 10 sekund to granica UX, a nie górny limit modelu, więc należy się spodziewać, że się przesunie.

Trwały punkt jest ten, który start czyni mimochodem: model, który można zobaczyć podczas keynote, nie jest modelem, który można wdrożyć na podstawie umowy. Należy rozdzielić te dwie rzeczy, a hype stanie się punktem na mapie drogowej zamiast błędem zakupowym.