Gemini Omni 1.2 বনাম 1.1 Flash: 15 সেকেন্ডের ক্লিপ, আর সংলাপে অকারণ কাট নেই

একই প্রম্পটে Gemini Omni 1.2 বনাম 1.1 Flash: কাট ছাড়া এক টেকের FPV শট, দুজনের সংলাপ দৃশ্য, 15 সেকেন্ডের ক্লিপ আর দাম। আসলে কী ভালো হয়েছে।
5 নভেম্বর Google Gemini Omni 1.2 Flash সবার জন্য উন্মুক্ত করেছে। ঘোষণায় একগাদা আপগ্রেডের কথা আছে: 15 সেকেন্ড পর্যন্ত ক্লিপ, রেফারেন্স ইমেজ আরও নিখুঁতভাবে মেনে চলা, আরও স্বাভাবিক সংলাপ ও লিপ-সিঙ্ক, লম্বা ক্যামেরা মুভমেন্টে অনাকাঙ্ক্ষিত জাম্প কাট কম, আর দাম 1.1-এর চেয়ে প্রায় 30% কম। সবচেয়ে গুরুত্বপূর্ণ লাইনটা ডেভেলপারদের চেঞ্জলগে: 3 ডিসেম্বর থেকে Omni 1.1-এ পাঠানো প্রতিটি অনুরোধ স্বয়ংক্রিয়ভাবে 1.2-এ চলে যাবে।
অর্থাৎ 1.1-এর কাউন্টডাউন শুরু হয়ে গেছে। ZOOOP অপেক্ষা করেনি। Gemini Omni 1.2 Flash চালু হওয়ার সঙ্গে সঙ্গেই আমরা 1.1 সরিয়ে দিয়েছি, আর 1.1-এর পুরোনো পেজ এখন 1.2-এ রিডাইরেক্ট করে। বন্ধ করার আগে আমি দুটো ভার্সনেই একই প্রম্পট চালিয়েছি, দেখতে যে আপগ্রেডটা আসলে কোথায় চোখে পড়ে।
Gemini Omni 1.2-এ কী বদলেছে
আগে স্পেসিফিকেশন। এগুলো আপনি এআই ভিডিও জেনারেটর-এ সঙ্গে সঙ্গে দেখতে পাবেন:
- দৈর্ঘ্য: 3–10 সেকেন্ড থেকে বেড়ে 3–15 সেকেন্ড, প্রতি সেকেন্ড ধরে বেছে নেওয়া যায়। শেষ ফ্রেম দিলে সর্বোচ্চ 10 সেকেন্ড।
- এডিটিং: সোর্স ভিডিও এখন 10-এর বদলে 15 সেকেন্ড পর্যন্ত লম্বা হতে পারে।
- এক্সটেন্ড করা: সোর্সের দৈর্ঘ্যে আর কোনো সীমা নেই। মডেল শেষ 10 সেকেন্ড পড়ে এবং আরও 3–10 সেকেন্ড চালিয়ে যায়।
- অপরিবর্তিত: শুধু 16:9 আর 9:16, 360p থেকে 4K, আর অডিও সবসময় চালু। আপনি এটাকে দিক দেখাতে পারবেন, কিন্তু বন্ধ করতে পারবেন না। সর্বোচ্চ 10টি রেফারেন্স ইমেজ এবং প্রতিটি 3 সেকেন্ডের সর্বোচ্চ 3টি রেফারেন্স ভিডিও।
দামের দিক থেকে, ZOOOP-এ Gemini Omni 1.2-এর প্রতি সেকেন্ডের দাম প্রতিটি রেজোলিউশনে 1.1-এর মতোই।
আমরা কীভাবে পরীক্ষা করেছি: দুটি প্রম্পট, দুটি ভার্সন
দুটি প্রম্পট, সেই জায়গাগুলোকে লক্ষ্য করে যেখানে Google বলছে সবচেয়ে বেশি উন্নতি হয়েছে। প্রথমটি কাট ছাড়া এক টেকের FPV ড্রোন শট: ভোরে কুয়াশাঢাকা হ্রদের ওপর দিয়ে নিচু হয়ে উড়ে, দুটো পাইন গাছের মাঝখান দিয়ে গলে, একটা কেবিনের ছাদ পেরিয়ে পেছনের বরফঢাকা পাহাড় দেখানো, আর প্রম্পটে লেখা ছিল "কোনো কাট নয়"। দ্বিতীয়টি দুজনের সংলাপ দৃশ্য: একটা কফি শপে কোঁকড়া চুলের এক বারিস্তা একটা লাতে এগিয়ে দিয়ে একটা লাইন বলেন, আর ধূসর কোট পরা এক খদ্দের উত্তর দেন। দুটোই 720p, 6 সেকেন্ড, 16:9।
প্রথম পার্থক্য: এক টেকের ক্যামেরা মুভে ড্র
আমি ভেবেছিলাম 1.2 এটা সহজেই জিতবে। কিন্তু দুটো ভার্সনই ভালো করেছে। আমি দুটো ক্লিপেই ফ্রেম ধরে ধরে সিন ডিটেকশন চালিয়েছি, আর কোনোটিতেই হার্ড কাট নেই। দুটোতেই ফ্রেম থেকে ফ্রেমে সবচেয়ে বড় পরিবর্তনটা স্রেফ স্বাভাবিক ক্যামেরা মুভমেন্ট।

পার্থক্যটা ওড়ার পথে। 1.1 হ্রদের পাড় থেকে কেবিনের সামনে পর্যন্ত উড়ে যায়, তারপর সোজা ছাদের ওপর দিয়ে উঠে যায়। 1.2 সত্যিই দুটো পাইনের মাঝখান দিয়ে ওড়ে আর শেষে আরও উঁচুতে ওঠে, বরফঢাকা চূড়া আর উপত্যকায় মেঘের সমুদ্র দেখায়, যা প্রম্পটের আরও কাছাকাছি। ল্যান্ডস্কেপের লম্বা টেক দরকার হলে 1.1 আগেই সেটা পারত; 1.2 শুধু নির্দেশনা একটু ভালো মানে।
দ্বিতীয় পার্থক্য: সংলাপে 1.2 আর নিজে থেকে কাট করে না
পার্থক্যটা সবচেয়ে স্পষ্ট এখানেই।
1.1 এটা শট/রিভার্স-শট হিসেবে শুট করেছে: কাপ এগিয়ে দেওয়া বারিস্তার একটা মিডিয়াম শট, তারপর 4.6 সেকেন্ডে খদ্দেরের ক্লোজ-আপে হার্ড কাট। এডিটটা নিজে ঠিকই আছে, অনেক লাইভ-অ্যাকশন দৃশ্য এভাবেই কাটা হয়, কিন্তু প্রম্পট চেয়েছিল একটাই মিডিয়াম শট, আর কাটের পর বারিস্তা ফ্রেমের বাইরে চলে যান। Gemini Omni 1.2 পুরো সময় একটাই টু-শটে থাকে। দুজনেই ফ্রেমে থাকেন, আর কাপ এগিয়ে দেওয়া, নেওয়া আর কথা বলাবলি সবই একটা টানা শটে ঘটে, নড়াচড়া স্বাভাবিকভাবে বয়ে যায়।


একটা খুঁটিনাটিতে অবশ্য 1.1 জিতেছে: প্রম্পটে লেখা ছিল "ধূসর কোট", আর 1.1 ধূসরই দিয়েছে। 1.2-এর ক্লিপে কোটটা এত গাঢ় যে প্রায় কালো। দুটো ক্লিপেই বলা সংলাপ আর কফি শপের পরিবেশের শব্দ আছে, কিন্তু আমি সংলাপ শব্দে শব্দে লিখে দেখিনি, তাই কোনটার লিপ-সিঙ্ক ভালো তা বলব না।
তৃতীয় পার্থক্য: 15 সেকেন্ডে একটা পুরো মুহূর্ত বলা যায়
10 থেকে 15 সেকেন্ড শুনতে মাত্র পাঁচ সেকেন্ড বেশি, কিন্তু এতে মডেলটা ব্যবহারের ধরন বদলে যায়। দশ সেকেন্ডে সাধারণত একটা অ্যাকশন ধরে। পনেরো সেকেন্ডে শুরু, উন্মোচন আর শেষ তিনটেই এঁটে যায়, তাই সোশ্যাল অ্যাডের জন্য আর টুকরো জোড়াতালি দিতে হয় না। লঞ্চের পরীক্ষার সময় আমরা একবারের জেনারেশনেই 15 সেকেন্ডের একটা ভার্টিক্যাল ক্লিপ বানিয়েছি, আর অডিও শুরু থেকে শেষ পর্যন্ত জোড়া লেগে ছিল, কোনো জোড়ের দাগ চোখে পড়েনি।
লম্বা ক্লিপে একটা বিষয় খেয়াল রাখুন: শুরু / শেষ ফ্রেম থেকে ভিডিওতে শেষ ফ্রেম যোগ করলে সীমা এখনও 10 সেকেন্ড, আর 11 সেকেন্ড বা তার বেশি বাছলে শেষ ফ্রেমের স্লট লক হয়ে যায়।
গতি আর দাম
গতি প্রায় একই। 720p, 6 সেকেন্ডের এই পরীক্ষায় দুটো ভার্সনই প্রায় 50 সেকেন্ডে শেষ হয়েছে। প্রতি সেকেন্ডের দাম 1.1-এর মতোই, আর 1.1 সরিয়ে নেওয়ার পর পুরোনো ভার্সনে থাকার এমনিতেও কোনো কারণ নেই।
রায়: সরাসরি 1.2 ব্যবহার করুন
এখানে সবচেয়ে গুরুত্বপূর্ণ আপগ্রেড দুটি: 15 সেকেন্ড পর্যন্ত ক্লিপ আর সংলাপ দৃশ্য যা আর নিজে থেকে কাট করে না। প্রতি সেকেন্ডের দাম আগের মতোই। এক টেকের ল্যান্ডস্কেপ মুভে 1.1 আগেই ভালো ছিল; 1.2 শুধু প্রম্পট একটু বেশি কাছ থেকে মেনে চলে।
আপনি যদি 1.1-এ একগুচ্ছ ভিডিও বানিয়ে থাকেন আর নতুন শট যোগ করতে হয়, তাহলে Gemini Omni 1.2-এর কাছ থেকে ছোটখাটো স্টাইলের পার্থক্য আশা করুন, যেমন পোশাকের রং, তাই প্রম্পটে নির্দিষ্ট করে লিখুন। কোনো ক্লিপের স্টাইল বদলাতে ভিডিও সম্পাদনা করুন আর ক্লিপকে এগিয়ে নিতে ভিডিও প্রসারিত করুন ব্যবহার করুন। দুটোই এখন 1.2-এ চলে।
সাধারণ প্রশ্ন
আমি কি এখনও Gemini Omni 1.1 ব্যবহার করতে পারি?
ZOOOP 1.1 সরিয়ে দিয়েছে, আর এর পেজ 1.2-এ রিডাইরেক্ট করে। Google-ও 3 ডিসেম্বর থেকে 1.1-এর প্রতিটি অনুরোধ স্বয়ংক্রিয়ভাবে 1.2-এ পাঠাবে।
Gemini Omni 1.2-এর ক্লিপ কত লম্বা হতে পারে?
টেক্সট-টু-ভিডিও, রেফারেন্স-টু-ভিডিও আর প্রথম ফ্রেম থেকে জেনারেশনে 3 থেকে 15 সেকেন্ড পর্যন্ত ক্লিপ হয়। শেষ ফ্রেম দিলে সর্বোচ্চ 10 সেকেন্ড।
Gemini Omni 1.2-এ কি অডিও বন্ধ করা যায়?
না, অডিও সবসময় তৈরি হয়। "কোনো সংলাপ নয়" বা "কোনো ব্যাকগ্রাউন্ড মিউজিক নয়" এর মতো প্রম্পট দিয়ে আপনি একে দিক দেখাতে পারেন, অথবা পরে ক্লিপটা মিউট করে দিতে পারেন।
1.2 কি 1.1-এর চেয়ে দামি?
না। ZOOOP-এ Gemini Omni 1.2-এর প্রতি সেকেন্ডের দাম প্রতিটি রেজোলিউশনে 1.1-এর মতোই।





