Google Veo 3 i Gemini łączą wideo, audio i obraz w jedno
- Google udostępnił nowy model Gemini zdolny do przetwarzania i generowania dowolnych kombinacji tekstu, obrazu, wideo i dźwięku w jednym przepływie pracy.
- Dziennikarz The Verge użył go do stworzenia deepfake'a pluszowego jelenia swojego dziecka, odtwarzając scenariusz z reklamy Gemini.
- Model łączy możliwości Veo 3 i innych narzędzi Google w jeden interfejs bez konieczności przeskakiwania między aplikacjami.
Google odpalił model Gemini zdolny przyjąć dowolny typ danych na wejściu i wypluć dowolny typ na wyjściu — wideo, audio, obraz, tekst, w dowolnej kombinacji. Branża nazywa to architekturą „anything-to-anything” i przez długi czas było to raczej hasło marketingowe niż rzeczywistość. Teraz wygląda na to, że Google naprawdę to dostarcza.
Pluszowy jeleń jako benchmark
Dziennikarz The Verge, Casey Newton, rok temu próbował odtworzyć scenariusz z reklamy Gemini — w reklamie animowany pluszak wyglądał jakby podróżował po świecie. Efekt był wtedy kiepski. Tym razem ten sam test z nowym modelem dał wyniki, które Newton opisuje jako „dzikie”. Buddy the Deer pojechał na wakacje i wyglądało to przekonująco.
To nie jest przypadkowy benchmark. Reklama Google pokazywała konkretną obietnicę produktową. Fakt, że dopiero teraz dało się ją spełnić, dużo mówi o tym, jak szybko skoczyły możliwości generatywnego wideo w ciągu 12 miesięcy.
Co konkretnie potrafi nowy model?
Gemini w nowej wersji integruje Veo 3 — model wideo Google — z możliwościami rozumienia i generowania obrazu, tekstu i dźwięku. W praktyce oznacza to:
- Wrzucasz zdjęcie fizycznego obiektu, dostajesz wideo z tym obiektem w nowej scenie
- Możesz dodać dźwięk ambientowy lub dialog bez osobnego narzędzia
- Model rozumie kontekst wizualny i dopasowuje oświetlenie, perspektywę i ruch
Wcześniej taki pipeline wymagał żonglowania między Runway, ElevenLabs i kilkoma innymi serwisami. Teraz ma się to dziać w jednym miejscu.
Czy deepfake pluszaka to dobry argument sprzedażowy?
Google używa uroczego case study — dziecięcy pluszak, nie ludzka twarz. To nieprzypadkowe. Demonstracje deepfake’ów ludzi natychmiast uruchamiają alarm regulacyjny i etyczny. Jeleń z pluszaku jest bezpieczny wizerunkowo, ale technika stojąca za nim jest identyczna.
Unia Europejska w AI Act wymaga znakowania treści generowanych przez AI. Stany Zjednoczone nie mają federalnego odpowiednika, ale kilkanaście stanów wprowadziło własne przepisy dotyczące syntetycznych mediów. Google buduje narzędzie, które będzie działać w tym środowisku regulacyjnym — i na razie nie wiadomo, jak model radzi sobie z wymogami oznaczania treści w praktyce.
Veo 3 kontra Sora i Runway
OpenAI wypuściło Sorę w lutym 2024 roku z dużym hukiem, ale dostęp był ograniczony, a jakość nierówna. Runway wykręca kolejne wersje swojego Gen-3 i ma solidną bazę profesjonalnych użytkowników. Google wchodzi z integracją w ekosystem, którego większość ludzi już używa — Android, Workspace, YouTube.
Przewaga nie polega na samej jakości wideo. Polega na dystrybucji. Jeśli Gemini z Veo 3 trafi jako funkcja do Google Photos albo YouTube Studio, zasięg będzie nieporównywalny z żadnym startupem.
Ile to kosztuje i kiedy dla zwykłych użytkowników?
Google nie ogłosił jeszcze pełnego cennika dla funkcji anything-to-anything w Gemini. Veo 3 jest dostępny przez Google AI Studio dla deweloperów, ale masowy rollout dla konsumentów ma dopiero nastąpić. Subskrypcja Gemini Advanced kosztuje 19,99 USD miesięcznie — pytanie, czy nowe możliwości wideo będą w tej cenie czy w osobnym tierze.
Dla porównania: Runway Gen-3 Alpha kosztuje od 15 USD miesięcznie za 625 kredytów, co przy generowaniu wideo kończy się szybciej niż myślisz. ElevenLabs za pełne możliwości głosowe bierze od 22 USD. Jeśli Google spakuje to wszystko w jeden abonament, zmienia ekonomię całego rynku kreatywnego AI.
Casey Newton ostatecznie nie pokazał filmiku synkowi. Model zadziałał — ale właśnie to go powstrzymało.”, “coverImageAlt”: “Ilustracja przedstawiająca model AI zamieniający zdjęcie pluszowego jelenia w wideo”, “toolSlug”: “gemini
