Sapo: Việc Google chính thức đưa mô hình Gemini Omni 1.2 Flash lên trạng thái sẵn sàng thương mại (General Availability – GA) trên Gemini API và Google Cloud Vertex AI đánh dấu bước đột phá quan trọng trong tiến trình công nghiệp hóa truyền thông tạo sinh (Generative Media). Bằng việc hợp nhất quy trình xử lý thị giác, âm thanh và chuyển động trong một mạng nơ-ron đa phương thức tự nhiên (Native Multimodal Architecture) với chi phí thấp hơn 30%, Google đang mở đường cho các doanh nghiệp tự động hóa sản xuất nội dung quy mô lớn.
Kiến trúc đa phương thức tự nhiên và bước tiến đồng bộ âm thanh – thị giác
Đa số các giải pháp sinh video hiện hành trên thị trường hoạt động theo cơ chế ghép tầng rời rạc (cascaded pipeline): mô hình khuếch tán sinh hình ảnh, sau đó chuyển giao cho một mô hình TTS lồng tiếng và một thuật toán hậu kỳ khớp khẩu hình. Kiến trúc chắp vá này không chỉ tạo độ trễ suy luận lớn mà còn thường xuyên gây ra hiện tượng mất đồng bộ pha giữa chuyển động cơ học và âm thanh phát ra.
Gemini Omni 1.2 Flash giải quyết căn bản hạn chế này bằng kiến trúc xử lý nguyên bản đa phương thức do Google DeepMind thiết kế. Mô hình tiếp nhận đồng thời dữ liệu văn bản, hình ảnh tĩnh và video đầu vào lên tới 131.072 tokens, sau đó giải mã trực tiếp ra luồng video độ phân giải từ 720p đến 4K (24 khung hình/giây) cùng âm thanh vòm đồng pha trong cùng một tiến trình tính toán. Sự tích hợp sâu này cho phép AI hiểu được các định luật vật lý cơ bản, từ đó mô phỏng chuyển động của chất lỏng, khói bụi, va chạm và biểu cảm vi mô trên gương mặt con người với độ chính xác cao.
Chuẩn hóa giao thức điều khiển qua Interactions API và kiểm soát tham chiếu
Điểm nhấn kỹ thuật mang tính thực tiễn cao cho môi trường doanh nghiệp là giao diện lập trình Interactions API mới. Khác với mô hình stateless truyền thống của các API sinh ảnh/video trước đây, Interactions API duy trì trạng thái ngữ cảnh (context state) của cảnh quay qua nhiều phiên làm việc. Điều này cho phép các kỹ sư phần mềm xây dựng các giao diện làm việc cộng tác, nơi người dùng có thể thực hiện tinh chỉnh nội suy khung hình đầu – cuối (frame interpolation) và phân nhánh cảnh quay mà không làm suy hao chất lượng tệp tin gốc.
Đồng thời, hệ thống hỗ trợ chỉ định tham chiếu đối tượng (Subject Reference) với tối đa 6 hình ảnh đầu vào (3 ảnh cho mỗi nhân vật trên tối đa 2 nhân vật). Thuật toán trích xuất đặc trưng không gian sâu (spatial feature extraction) giúp bảo toàn nguyên vẹn trang phục, kiểu tóc, đường nét nhận diện thương hiệu và logo sản phẩm qua các góc chiếu máy quay khác nhau – yếu tố then chốt cho các chiến dịch quảng cáo truyền hình kết nối (CTV) và tiếp thị số tự động hóa.
Tối ưu hóa hiệu năng kinh tế đơn vị: 7 cent cho mỗi giây video
Bài toán hóc búa nhất ngăn cản video AI thâm nhập sâu vào các quy trình kinh doanh truyền thống là chi phí GPU đắt đỏ. Với Gemini Omni 1.2 Flash, Google đã tối ưu hóa thuật toán nén trọng số và phân luồng trên hệ thống chip TPU v5p thế hệ mới, cho phép giảm tới 30% chi phí vận hành so với phiên bản tiền nhiệm. Mức giá chính thức chỉ 7 cent (khoảng 1.800 VNĐ) cho mỗi giây video chất lượng 720p biến việc tạo hàng triệu biến thể quảng cáo cá nhân hóa theo thời gian thực trở nên khả thi về mặt tài chính.
Sự kiện thương mại hóa Gemini Omni 1.2 Flash không chỉ khẳng định vị thế dẫn đầu của Google trước các đối thủ cạnh tranh trong cuộc đua đa phương thức mà còn định hình lại toàn bộ chuỗi giá trị của ngành truyền thông, giải trí và quảng cáo kỹ thuật số trong kỷ nguyên trí tuệ nhân tạo toàn diện.
