Gemini Omni 1.1 Flash की 40-सेकंड सीन चार अलग बिल हैं

इस हफ़्ते हर सुर्ख़ी में जो नंबर है वह चालीस है। Google के नए वीडियो मॉडल से चालीस-सेकंड की सीन — जो ऐसा लगता है जैसे आप एक prompt टाइप करें और चालीस सेकंड वापस पा जाएँ।

आप नहीं पाते। gemini-omni-1.1-flash की एक कॉल तीन से दस सेकंड लौटाती है। चालीस वह है जहाँ आप उस clip को तीन बार और बढ़ाकर पहुँचते हैं — कुल चार काम, हर एक का अलग बिल। किसी ने झूठ नहीं बोला — Google की अपनी घोषणा इन continuations को साफ़-साफ़ बताती है — मगर वह नंबर उस वाक्य से बहुत दूर तक सफ़र कर गया, और बहुत लोगों तक एक-generation के आँकड़े की तरह पहुँचा।

यह वही briefing है जो कार्ड निकालने से पहले हम ख़ुद चाहते: चालीस सेकंड क्या पड़ते हैं, 360p टियर किस काम का है, और दस्तावेज़ों में दबी वे शर्तें — जिनमें से एक यूरोपीय डेवलपरों को उस सुर्ख़ी वाले फ़ीचर से पूरी तरह बाहर कर देती है।

चालीस सेकंड चार काम हैं, और चार इनवॉइस

वीडियो मॉडल output के प्रति सेकंड बिल बनाते हैं, और extension पर कोई छूट नहीं — एक continuation उतने का है जितने की एक नई generation, इसलिए चालीस सेकंड का दाम चार दस-सेकंड की clips जैसा बैठता है। हर टियर पर:

चार गुणा दस सेकंड, हर प्रति-सेकंड दर पर। हमारे आँकड़े लाइव कैटलॉग से आते हैं; अगर यह पोस्ट पुरानी पड़ जाए तो मॉडल पेजों पर मौजूदा आँकड़ा रहता है।

Google वाले कॉलम पर एक बात कहनी बनती है, क्योंकि ये दरें उम्मीद से कहीं ज़्यादा मुश्किल से मिलती हैं। दो आधिकारिक पेजों पर पूरी सीढ़ी है और टेक्स्ट सर्च दोनों में से एक भी नहीं पकड़ता। लॉन्च घोषणा में दाम एक तस्वीर के भीतर बैठे हैं — इंसान के लिए पढ़ने योग्य, Ctrl-F के लिए अदृश्य। Cloud pricing पेज पर वे प्रति सेकंड tokens की शक्ल में हैं, $17.50 प्रति दस लाख के मीटर के सामने, इसलिए गुणा करने से पहले वे दाम जैसे लगते ही नहीं। और जो पेज आप सबसे पहले खोलेंगे, यानी API pricing के दस्तावेज़, वह चार में से एक पायदान देता है: 720p पर "an effective price of approximately $0.10 per second."

दोनों एक ही बात कहते हैं, बस गोल करने की एक सिलवट के साथ — घोषणा साफ़-सुथरे $0.03 / $0.10 / $0.15 / $0.30 दिखाती है, token का हिसाब हर एक से थोड़ा ऊपर बैठता है। बिलिंग tokens के पीछे चलती है, इसलिए ऊपर वाला कॉलम भी; लॉन्च पोस्ट में टियर-दर-टियर हिसाब है।

चालीस सेकंड 1080p के लिए पाँच डॉलर चालीस, Google से छह और कुछ। और यह एक भी वैकल्पिक take से पहले का स्टिकर है — और आप takes लेंगे, क्योंकि drift आख़िरी extension पर ही सामने आता है। जिसे आप रखेंगे उसके साथ जिन दो को फेंकेंगे उनका भी बजट बनाइए, और एक तैयार चालीस-सेकंड की सीक्वेंस सोलह डॉलर की है, पाँच की नहीं।

360p वाली पंक्ति पहले वह थी जो हम हार रहे थे, और कुछ समय पहले तक हम यहाँ यही छापते थे। वह बदल गई: हमारा draft टियर अब $0.0297 प्रति सेकंड है, Google के $0.0338 के मुक़ाबले, यानी बारह फ़ीसदी नीचे। इससे बहुत कुछ मत निकालिए। fal $0.03 पर बैठा है — एक फ़ीसदी का फ़ासला, जीत के भेस में सांख्यिकीय शोर, और ठीक वह चीज़ जो कोई एक गुणक बदल दे तो पलट जाती है। नीचे दिया गया draft वर्कफ़्लो आप जिससे भी ख़रीदें, टिकता है; वह कभी इस पर निर्भर नहीं रहा कि दाम हमारा हो।

1.1 का असली अपग्रेड याददाश्त है, लंबाई नहीं

लंबाई मोटे तौर पर पहले भी पहुँच में थी। इसे इस्तेमाल-योग्य जो बनाता है वह यह है कि continue करते वक़्त मॉडल क्या देखता है।

जून का preview जिस clip को बढ़ा रहा होता, उसका आख़िरी एक सेकंड पढ़ता था। एक सेकंड बताता है कि फ़्रेम में क्या है और यह लगभग कुछ नहीं कि हो क्या रहा था, इसलिए extensions भटक जाते थे। tracking shot ने tracking छोड़ दी। एक जैकेट का रंग एक शेड खिसक गया। रोशनी हर जोड़ पर ख़ुद को नए सिरे से बनाती रही।

Gemini Omni 1.1 Flash पिछली फ़ुटेज के दस सेकंड तक पढ़ता है। दस सेकंड इतने लंबे हैं कि पता चल जाए कि dolly अब भी चल रही थी, key light किस तरफ़ से आ रही थी, और कोट का रंग मोटे तौर पर क्या था — यही वजह है कि चार हिस्सों वाली सीक्वेंस अब जुड़ी हुई लगती है। कोई कहे कि 1.1 का सुर्ख़ी वाला फ़ीचर लंबाई है, तो उसने बात उलटी पकड़ी है। लंबाई अंकगणित थी। याददाश्त मॉडल है।

1080p और 4K upscale हैं, render नहीं

Google के दस्तावेज़ का एक कोष्ठक बदल देता है कि आपको किस चीज़ के पैसे देने चाहिए। मॉडल रेफ़रेंस से, हूबहू: "1080p output (upscaled)" और "4K output (upscaled)"। मॉडल इन resolutions से नीचे render करता है और ऊपर scale कर देता है। सीढ़ी का ऊपरी सिरा ज़्यादा डिटेल नहीं है — वह एक बड़ी फ़ाइल है जो वही जानकारी ढो रही है।

इससे ऊपर वाली 4K पंक्ति का रंग बदल जाता है। बारह डॉलर और कुछ, Google से, चालीस सेकंड के upscale किए हुए output के लिए। अगर किसी क्लाइंट की स्पेक 4K आयाम माँगती है, तो चुकाइए। लेकिन अगर आपने 4K इसलिए चुना कि वह बेहतर दिखेगा, तो आप एक ऐसे resize के लिए Google की 720p दर का ठीक तिगुना चुका रहे हैं जिसे आप ffmpeg में चला सकते थे।

360p पर draft, 720p पर फ़िनिश

यही वह हिस्सा है जो पैसे बचाता है, और किसी ने इसे सुर्ख़ी में नहीं डाला।

यहाँ 360p $0.0297 प्रति सेकंड पड़ता है — चार सेकंड का draft बारह सेंट का, जबकि 720p पर $0.36 और 1080p पर $0.54। Google यह भी दावा करता है कि 360p 60% तक तेज़ चलता है — यह विक्रेता का आँकड़ा है, हमारा नापा हुआ नहीं, हालाँकि दिशा ज़ाहिर तौर पर सही है।

अब अंकगणित। मान लीजिए एक shot को सही motion तक पहुँचने में दस कोशिशें लगती हैं — किसी भी ख़ास camera move वाली चीज़ के लिए यह वास्तविक है।

• सीधे 1080p पर दस पास → $5.40
• 360p पर दस पास → $1.19, फिर जीतने वाली को 1080p पर दोबारा render → $1.73

अड़सठ फ़ीसदी की बचत, आख़िर में एक अतिरिक्त generation के बदले। इस बारे में ईमानदार रहिए कि 360p की एक पास आपको क्या बता सकती है: कंपोज़िशन, camera का चलना, और यह कि मॉडल ने कहीं ऐसे cuts तो नहीं जोड़ दिए जो आपने माँगे ही नहीं थे। बारीक texture यह नहीं आँक सकता — उसे ढोने लायक़ resolution ही नहीं है।

यहाँ वही prompt दोनों टियरों पर है, वही seed, चार-चार सेकंड। पहले draft:

फिर उसी prompt और उसी seed का 720p render:

दोनों में गहरे स्लेट पर एक पीतल की stopwatch है, camera बाईं ओर से dolly करते हुए अंदर आता है, गर्म key light धातु पर तिरछी पड़ रही है। दोनों का prompt, हूबहू:

Editorial slow-motion macro shot of a brass mechanical stopwatch resting on a dark slate table, its second hand sweeping forward in a single continuous shot with no scene cuts. Camera performs a slow dolly in from the left, shallow depth of field, one warm amber key light raking across the metal, cool blue rim light behind. Fine dust drifts through the beam. Clean dark background, no text, no logos, no people. Sound design: a soft mechanical tick and low room tone, nothing else.

(prompt अंग्रेज़ी में ही रखा गया है: मॉडल का मूल्यांकन सिर्फ़ अंग्रेज़ी के लिए हुआ है।)

बारह सेंट बनाम छत्तीस। draft ने हमें बता दिया कि dolly पढ़ी जा रही है और मॉडल ने एक ही shot थामे रखा — प्रतिबद्ध होने से पहले जितना चाहिए था, सब। अपना loop वहीं नीचे चलाइए।

Extension सिर्फ़ आगे की ओर चलता है

Scene extension पीछे जोड़ता है, और इस सीमा की शक्ल तय करती है कि आप सीक्वेंस की योजना कैसे बनाएँ। आप किसी clip के बीच में कुछ नहीं घुसा सकते। आप lead-in बनाने के लिए पीछे की ओर extend नहीं कर सकते। "अंत रखो, पहले चार सेकंड दोबारा बनाओ" जैसा कुछ नहीं है — यह capability सिर्फ़ एक दिशा में चलती है। अगर तीसरा shot ग़लत है, तो उसके बाद का सब कुछ उसी के साथ कूड़े में जाता है।

इसलिए मेहनत शुरू में लगाइए। पहली generation आगे की हर चीज़ के लिए camera की भाषा, पैलेट और रोशनी तय कर देती है, और वही इकलौता हिस्सा है जिसे आप सस्ते में बदल सकते हैं। तीसरे extension तक आप चार कामों की गहराई में हैं, और पीछे पहुँचने का कोई रास्ता नहीं।

Extension एक और काम नहीं करेगा। उसे किसी बोलते हुए आदमी का वीडियो दीजिए, नया संवाद माँगिए, और वह मना कर देता है — Google speech में बदलाव पर पाबंदी लगाता है। लॉन्च की रिपोर्टिंग इसे एक जान-बूझकर लिया गया ज़िम्मेदार-रिलीज़ वाला ठहराव मानती है, न कि कोई ग़ायब फ़ीचर; वह फ़्रेमिंग रिपोर्टर की है, मगर पाबंदी दस्तावेज़ों में है। इस मॉडल पर डबिंग का प्रोडक्ट मत बनाइए।

यूरोपीय डेवलपरो, यह पंक्ति दो बार पढ़िए

दस्तावेज़ों में एक ही वाक्य के तौर पर दबी हुई: EEA, स्विट्ज़रलैंड और यूनाइटेड किंगडम में, अपलोड किए गए वीडियो को edit और extend करना उपलब्ध नहीं है।

यह कोई नरम पाबंदी नहीं है। सुर्ख़ी वाला फ़ीचर — फ़ुटेज लो, उसे आगे बढ़ाओ — यूरोप के ज़्यादातर हिस्से में काम नहीं करता। Text-to-video और image-to-video अब भी चलते हैं। लेकिन अगर योजना ऐसा टूल बनाने की थी जो आपके यूज़र्स की अपलोड की हुई clips बढ़ाए, और वे यूज़र्स बर्लिन या मैनचेस्टर में बैठे हैं, तो योजना ख़त्म है — और घोषणा इसका ज़िक्र तक नहीं करती।

integration का एक भी line लिखने से पहले इसे अपने deployment region के सामने जाँच लीजिए। देर से पता चलने पर यह यहाँ की सबसे महँगी चीज़ है।

वे घुंडियाँ जो हैं ही नहीं

किसी टेक्स्ट मॉडल से आते हुए, आप ऐसे parameters की तरफ़ हाथ बढ़ाएँगे जो यहाँ हैं ही नहीं। Google के दस्तावेज़ पूरी sampling सतह को असमर्थित बताते हैं: कोई temperature नहीं, कोई top_p नहीं, कोई system instructions नहीं, कोई stop sequences नहीं, कोई negative prompt नहीं। कुछ भी नहीं।

आपकी इकलौती कंट्रोल सतह ख़ुद prompt है, और तीसरे पक्ष का दस्तावेज़ीकरण उसकी सीमा 40,000 अक्षर बताता है — काफ़ी लंबी रस्सी, हालाँकि वह आँकड़ा हमें Google के अपने रेफ़रेंस में नहीं मिला। जो कुछ आप आम तौर पर किसी sampling parameter से करते, वह सब यहाँ अंग्रेज़ी में लिखना पड़ता है। वह अंग्रेज़ी अच्छी तरह कैसे लिखें, यह हमने prompt syntax पर अलग पोस्ट में बताया है, tag की बनावट और scene-cut की समस्या समेत, और उसे यहाँ दोहराने का कोई मतलब नहीं।

एक चेतावनी। इस मॉडल का तीसरे पक्ष वाला schema दस्तावेज़ीकरण temperature और top_p को स्वीकार्य fields के तौर पर गिनाता है, जबकि Google का रेफ़रेंस कहता है कि वे असमर्थित हैं। हम आपको नहीं बताएँगे कि कौन सही है — हम यह बता रहे हैं कि दोनों में मतभेद है। किसी schema लिस्टिंग के भरोसे इन parameters के इर्द-गिर्द डिज़ाइन मत कीजिए; पहले परखिए कि वे कुछ बदलते भी हैं या नहीं।

आवाज़ जिसे बंद नहीं कर सकते, अंग्रेज़ी जिसे छोड़ नहीं सकते

हर clip के साथ ऑडियो नेटिव तौर पर बनता है और उसे बंद करने का कोई स्विच नहीं है। कोई parameter नहीं, कोई flag नहीं, कोई silent mode नहीं। आप उसे दिशा दे सकते हैं — एक Sound design: वाक्य सचमुच काम करता है — मगर आप उसे मना नहीं कर सकते। ब्लॉग में embed करने के लिए इसका मतलब है player में mute करना, जो ऊपर की दोनों clips करती हैं।

आप ऑडियो को reference की तरह दे भी नहीं सकते, बने हुए ऑडियो को बाद में edit नहीं कर सकते, और extension के लिए अपलोड किए गए वीडियो का ऑडियो बचा नहीं सकते। तीनों जायज़ उम्मीदें हैं। एक भी समर्थित नहीं।

भाषा का समर्थन मार्केटिंग के सुझाव से सँकरा है: अंग्रेज़ी अकेली पूरी तरह समर्थित भाषा है। जापानी और बाक़ी भाषाओं को दस्तावेज़ों में मूल्यांकित-नहीं बताया गया है — यह कहने का एक सावधान तरीक़ा कि नतीजे अनुमान से बाहर हैं। अगर आपके prompts या संवाद अंग्रेज़ी में नहीं हैं, तो हैरानियों का बजट रखिए।

input pipeline डिज़ाइन करने से पहले reference की सीमाएँ जान लीजिए। वीडियो references: तीन clips तक, हर एक तीन सेकंड की, और Google चेताता है कि एक साथ कई देने से नतीजे बिगड़ सकते हैं — तीन को छत मानिए, लक्ष्य नहीं। Aspect ratios 16:9 या 9:16 हैं, यह भी Google का है। इनके साथ उद्धृत दो और नंबर Google के नहीं हैं: 24 fps की frame rate और reference-to-video इमेजों की एक-से-सात की रेंज, दोनों तीसरे पक्ष के schema दस्तावेज़ों से आते हैं। हर frame पर SynthID वॉटरमार्क है, और हमें कोई प्रोवाइडर नहीं मिला जो उसका स्विच खोलता हो।

कुछ भी ख़र्च करने से पहले, यह कीजिए

चार जाँचें, इसी क्रम में। पहली बाक़ी तीनों के जोड़ से ज़्यादा integrations मारती है।

1. अपना region पक्का कीजिए। अगर आप EEA, स्विट्ज़रलैंड या UK में हैं और आपका प्रोडक्ट अपलोड किए गए वीडियो बढ़ाता है, तो यहीं रुक जाइए। यह मॉडल आपके लिए वह काम नहीं कर सकता।
2. clip का नहीं, सीक्वेंस का दाम लगाइए। extensions से गुणा कीजिए, फिर उन takes से जो आप सचमुच चलाएँगे। चालीस सेकंड 1080p यहाँ सबसे अच्छी सूरत में $5.40 है, और re-rolls गिनते ही वास्तव में उसका तिगुना।
3. पूछिए कि आपको Omni चाहिए भी या नहीं। Veo 3.1 Fast का एक सेकंड यहाँ एक सेंट का है, जबकि Omni का 720p पर नौ। एक shot, कोई continuation नहीं, कोई frame interpolation नहीं, और कोई ऐसा नहीं जिसे दो clips बाद भी वैसा ही दिखना हो — तब वह गुणा पैसे में आग लगाना है।
4. अपना loop draft टियर पर बनाइए। 360p पर iterate कीजिए, जीतने वाली को ऊपर चढ़ाइए। अड़सठ फ़ीसदी कोई rounding की ग़लती नहीं है।

Omni वह गुणा ठीक वहीं कमाता है जिधर 1.1 के फ़ीचर इशारा करते हैं: एक shot को आगे बढ़ाना, पहले और आख़िरी frame के बीच interpolate करना, एक स्थिर तस्वीर में जान डालना, या किसी विषय को cuts के आर-पार ले जाना। इसके बाहर, यह एक clip ख़रीदने का महँगा तरीक़ा है।

बाक़ी पहलू बग़ल में ही हैं: लॉन्च के दिन असल में क्या आया, बोर्ड क्या कहते हैं और क्या नहीं — इस हफ़्ते घूम रही arena रैंकिंग पिछले मॉडल की है — और प्लैटफ़ॉर्म-दर-प्लैटफ़ॉर्म दाम का ब्योरा। Schemas और लाइव दाम कैटलॉग में हैं।

दाम और प्रोडक्ट की शर्तें बदलती हैं। ख़रीदारी का फ़ैसला करने से पहले हर प्रोवाइडर की मौजूदा pricing जाँच लीजिए।

अक्सर पूछे जाने वाले सवाल

क्या Gemini Omni 1.1 Flash सचमुच 40-सेकंड के वीडियो बना सकता है?

हाँ, मगर एक कॉल में नहीं। एक generation 3 से 10 सेकंड लौटाती है। चालीस सेकंड वह कुल है जहाँ आप किसी मौजूदा clip को तीन बार और बढ़ाकर पहुँचते हैं — चार काम — और हर extension का बिल नई generation की उसी प्रति-सेकंड दर पर अलग से बनता है। E2X पर 1080p की एक 40-सेकंड सीक्वेंस $5.40 की है, जबकि सीधे Google को कॉल करने पर $6.08 की।

40-सेकंड की एक Gemini Omni सीक्वेंस कितने की पड़ती है?

40 सेकंड को अपनी resolution की प्रति-सेकंड दर से गुणा कीजिए; extensions पर कोई छूट नहीं। E2X पर यह 360p पर $1.19, 720p पर $3.60, 1080p पर $5.40 और 4K पर $7.20 है। सीधे Google से, उसकी छपी हुई प्रति-सेकंड token दरों से हिसाब लगाने पर, वही लंबाइयाँ $1.35, $4.06, $6.08 और $12.16 की पड़ती हैं। फेंके गए takes जोड़िए और सुर्ख़ी वाले आँकड़े से दो से तीन गुना की उम्मीद रखिए।

क्या Gemini Omni 1.1 Flash का 4K output असली 4K है?

नहीं। Google का दस्तावेज़ 1080p और 4K दोनों टियरों को "upscaled" बताता है — मॉडल नीचे render करता है और नतीजे को ऊपर scale कर देता है। फ़ाइल में 4K के आयाम हैं; तस्वीर में 4K की डिटेल नहीं। जब तक कोई डिलीवरी स्पेक वे आयाम न माँगे, सबसे ऊपरी टियर की दर ज़्यादा जानकारी नहीं, एक resize ख़रीदती है।

क्या मैं Gemini Omni 1.1 Flash EU में इस्तेमाल कर सकता हूँ?

आंशिक रूप से। Text-to-video और image-to-video चलते हैं, मगर अपलोड किए गए वीडियो को edit या extend करना EEA, स्विट्ज़रलैंड और यूनाइटेड किंगडम में उपलब्ध नहीं है। चूँकि extension ही सुर्ख़ी वाली capability है, यह यूज़र की दी हुई फ़ुटेज को आगे बढ़ाने पर बने किसी भी यूरोपीय प्रोडक्ट को रोक देता है। integration से पहले इसे अपने deployment region के सामने जाँच लीजिए।

क्या Gemini Omni 1.1 Flash temperature या negative prompts का समर्थन करता है?

Google का रेफ़रेंस पूरी sampling सतह को असमर्थित बताता है — कोई temperature, top_p, system instructions, stop sequences या negative prompt नहीं। prompt का टेक्स्ट ही आपका इकलौता कंट्रोल है, और तीसरे पक्ष के schema दस्तावेज़ उसकी सीमा 40,000 अक्षर बताते हैं। वही तीसरे पक्ष के दस्तावेज़ temperature और top_p को स्वीकार्य fields के तौर पर गिनाते हैं, जो Google से टकराता है, इसलिए उन पर निर्भर होने से पहले उन्हें परख लीजिए।

क्या मैं Gemini Omni के output में ऑडियो बंद कर सकता हूँ?

नहीं। मॉडल डिफ़ॉल्ट रूप से हर clip में एक साउंडट्रैक बना देता है, और कोई parameter उसे बंद नहीं करता। prompt में साउंड-डिज़ाइन का निर्देश यह तय करने में मदद करता है कि आपको क्या मिले, मगर आप उसे मना नहीं कर सकते, ऑडियो reference नहीं दे सकते, नतीजे को edit नहीं कर सकते, और extension के लिए अपलोड किए गए वीडियो का ऑडियो बचा नहीं सकते। ख़ामोश प्लेबैक के लिए player में mute कीजिए।

क्या Gemini Omni वीडियो को पीछे की ओर बढ़ा सकता है या सीन के बीच में edit कर सकता है?

नहीं। Extension सिर्फ़ clip के अंत में जोड़ता है — lead-in बनाने के लिए पीछे की ओर extension नहीं, सीक्वेंस के बीच में कुछ घुसाना नहीं। उसी हिसाब से योजना बनाइए: पहली generation अपने बाद की हर चीज़ के लिए camera और रोशनी की भाषा तय करती है, और शुरू में की गई एक ग़लती उस पर बने हर extension को बेकार कर देती है।

क्या Veo 3.1 Fast के मुक़ाबले Gemini Omni 1.1 Flash इसके लायक़ है?

सिर्फ़ तब जब आपको वह चाहिए जो Omni जोड़ता है। E2X पर Veo 3.1 Fast $0.01 प्रति सेकंड चलता है, जबकि Omni 720p पर $0.09। बिना extension, बिना पहले-और-आख़िरी frame के कंट्रोल और बिना shots के आर-पार निरंतरता वाली अकेली clip के लिए, Veo बड़े अंतर से जीतता है। Omni अपना प्रीमियम कई-shot वाली सीक्वेंसों और reference से चलने वाली निरंतरता के काम पर कमाता है।