Google apresentuje Gemini Omni - model sztucznej inteligencji, który potrafi konwertować obrazy, audio i tekst bezpośrednio na spójne materiały wideo. To znaczący skok w rozwoju multimodalnych systemów AI, które do tej pory radziły sobie raczej z pojedynczymi typami danych. Nowy model łączy zdolności przetwarzania i generowania różnych formatów w jedną zintegrowaną platform, otwierając całkowicie nowe możliwości dla twórców i technologów.
Poprzednie generacje narzędzi AI wymagały zwykle osobnych systemów do obsługi tekstu, obrazów czy dźwięku - każdy z nich pracował oddzielnie. Gemini Omni zmienia tę logikę, pozwalając jednocześnie przyjmować wiele typów danych wejściowych i łączyć je w spójny materiał wideo. Oznacza to, że użytkownik może dostarczyć fotografie, nagrania głosowe i instrukcje tekstowe, a model przekształci to wszystko w gotowy film. Google podkreśla jednak, że to dopiero początek - firma widzi znacznie większy potencjał tej technologii w przyszłości.
Praktyczne zastosowania mogą być ogromne. Producenci treści zyskają możliwość szybszego tworzenia filmów bez konieczności ręcznego montażu, edukacja może się zmienić dzięki automatycznemu generowaniu materiałów dydaktycznych dostosowanych do indywidualnych potrzeb, a komunikacja biznesowa stanie się bardziej elastyczna i multimodalna. To jednak także spora odpowiedzialność - pojawią się pytania o bezpieczeństwo deepfake'ów i etyczne wykorzystanie takiej mocy generatywnej.