Gemini Omni 1.1 Flash'te Fotogerçekçi İnsanlar: 'Güzel' Kelimesini Silin

Üretilmiş bir insanı sahte göstermenin en hızlı yolu, çekici birini istemektir.

beautiful woman, perfect skin, flawless, stunning yazın, model itaat eder — eğitim verisinin bu altyazıların yaşadığı bölgesine uzanır ve orası rötuşlanmış ticari fotoğrafçılıktır. Gözenekler gitmiştir, asimetri gitmiştir ve bir yüzü birinin içinde yaşadığı bir şey gibi okutan küçük gerilimler de onlarla birlikte gitmiştir. Çıktıda yanlış olan hiçbir şey yok. Prompt bir güzellik reklamı istedi ve bir güzellik reklamı aldı.

Google'ın kendi prompt tavsiyesi tek bir cümleyle diğer yönü işaret ediyor: "Karakter ve ortam tariflerinizde son derece detaylı olun." Detaylı, iltifat dolu değil. Bunlar farklı talimatlar ve farklı yüzler üretiyorlar. Devamı bu farkın kendisi: yüzler, eller, kapatamayacağınız ses ve Google'ın gitmenize izin vermemeye karar verdiği yerler.

Bir yüz iltifatlar listesi değil, olgular listesidir

Her sıfat bir altyazı kümesine verilmiş bir oydur ve gorgeous, stok fotoğrafa oy verir. 8k, hyperrealistic, masterpiece görsel modeli folklorundan geliyor; orada kalite token'ı işlevi görüyorlardı. Örnekleme parametresi olmayan bir video modelinde ise yalnızca çekiminizi tarif eden kelimelerle yarışıyorlar. Yerlerine geçecekler spesifik ve sıkıcı, ki mesele de bu:

Yaş, bir sayı ya da bir onyıl olarak. "Kırklı yaşlarının sonunda bir kadın" bir kısıttır; "genç bir kadın" bir piyango biletidir.

Adı konmuş tek bir kusur. Kabarık bir yara izi, kırık bir ön diş, bir kez kırılmış ve hafif kaymış oturmuş bir burun. Bir tane yeter; üç tane bir karakter formu gibi okunur.

Ten, bir yüzey olarak. Burun ve yanaklarda görünür gözenekler, alında parlama, burun deliğinin kenarında çatlamış kılcallar. Prompt'taki en yüksek getirili değişim: "perfect skin" ile "visible pores across the nose" altyazı uzayının iki ayrı ucunda oturuyor.

Bakış, bir yönü ve bir değişimi olan. "Kameraya bakıyor" değil, "kadrajın dışında sağdan bir şey okuyor, sonra gözleri yaklaşık bir saniye lense kayıyor ve tekrar uzaklaşıyor." Bir klip boyunca kesintisiz göz teması neredeyse hiçbir insanın yapmadığı bir şey; dolayısıyla belirtilmemiş bir bakış hattı, izleyicinin ilk okuduğu şeyi modelin tahminine bırakıyor.

Zamanlanmış tek bir mikro ifade. "Ağzının kenarı bir kez geriliyor." Sahnelenmiş bir olay, "duygusal"ı yener; çünkü model bir olayı sahneleyebilir, bir soyutlamayı sahneleyemez.

Ten olmayan her şeyde yıpranma. İki yüz kez yıkanmış bir yaka, yumuşamış bir saat kayışı, kâğıtların üzerinde bir kahve halkası. Kostüm, bir insanı bir yüzden daha güvenilir biçimde satar.

Takas, somut haliyle. Önce göz kırpmayı öğrenmiş bir stok fotoğrafa benzeyen versiyon:

A beautiful young woman with perfect flawless skin sits by a window,
looking at the camera. Cinematic, photorealistic, 8k, ultra detailed,
masterpiece, stunning gorgeous eyes, professional studio lighting, sharp
focus, high quality, award winning photography, perfect symmetry, smooth
glowing complexion, elegant, breathtaking, hyperrealistic render,
trending, best quality, dramatic mood, beautiful composition.

O kelimelerin çoğu bir fotoğrafı tarif ediyor; hiçbiri bir insanı tarif etmiyor. Yeniden yazım çekimi koruyor ve her iltifatı bir olguyla değiştiriyor:

In a single continuous shot, no scene cuts. Close-up of a woman in her
late forties sitting at a kitchen table beside a north-facing window.
Faint vertical lines between her brows, a small raised scar on the left
side of her chin, uneven eyebrows, a few grey hairs escaping a loose tie.
Skin carries visible pores across the nose and cheeks and a slight shine
on the forehead, no makeup on the jawline. She reads something off frame
to the right, then her eyes flick to the lens for about a second and away
again. The corner of her mouth tightens once. Soft window light from
camera left, one dim practical behind her. Shallow depth of field, 50mm.
Sound design: a kettle settling in the next room, distant traffic.
No dialogue.

İkinci versiyonda hiçbir şey kalite istemiyor. Render edilecek bir doku, bakış hattı için bir sebep ve zamanlanmış bir olay sunuyor — modelin uygulayabileceği üç şey; oysa "stunning" uygulayamayacağı üç şey. Baştaki plan sayısı cümleciğine de dikkat edin: Omni varsayılan olarak birkaç plan kuruyor, prompt rehberinde ele aldığımız gibi, ve altı saniyede iki kez kesen bir portre bir yüzü tutamaz.

Gözler konusunda bir uyarı: "wet eyes" ve "glossy tear film", teknik kılığa girmiş kalite kelimeleri; bir sebebi değil bir parlamayı adlandırıyorlar. Göze yapacak bir şey verin ve parlamanın, zaten belirttiğiniz ışıktan doğmasına izin verin.

Eller: onlara bir iş verin

Eller, üretken videonun geleneksel utancı ve hâlâ bir çekimi bitirme ihtimali en yüksek şey. DeepMind model kartı onları ayrıca anmıyor, ama kategorilerinin adını koyuyor: "düzenlemeler boyunca tam tutarlılığı korumak, karmaşık hareket içeren sahneler üretmek ya da kusursuz doğrulukta metin render etmek hâlâ bir zorluk olmaya devam ediyor." Parmaklar, karenin küçük bir bölgesinde gerçekleşen karmaşık harekettir; çok sayıda biçimde eklemlenir ve sürekli kendi kendini kapatır.

Çözüm sezgiye aykırı. Elleri tarif etmeyin — onlara bir görev atayın. Belirtilmiş bir kavrayışla belirli bir nesneyi tutan bir elin, tutunacak bir biçimi ve bir temas noktası vardır. "Beautiful, elegant hands" ikisini de sunmaz ve parmak sayısını modelin icat etmesine bırakır.

Karşılaştırın:

• Zayıf: elleri yanlarında doğal biçimde duruyor
• Daha iyi: çentikli emaye bir kupayı iki eliyle tutuyor, başparmakları ön tarafta üst üste binmiş
• Zayıf: konuşurken el kol hareketi yapıyor
• Daha iyi: sağ elinde bir kalemi iki kez çeviriyor, sonra kâğıtların üzerine bırakıyor

Her çiftteki ikinci biçim parmak sayısını örtük olarak sabitliyor, harekete bir başlangıç ve bir bitiş veriyor ve üzerinde kesme yapabileceğiniz bir beat üretiyor.

Bu yazıdaki her üçüncü taraf rakamını yöneten bir uyarı. Bulabildiğimiz iki yayımlanmış uygulamalı inceleme — invideo'nunki ve JXP ekibinin çok turlu testi, 21 Mayıs 2026 imzalı — test edilen modeli Gemini Omni Flash olarak adlandırıyor; iki yazının hiçbir yerinde 1.1 eki yok. İkisi de bu yazının konusu olan modeli ölçmüyor; onları aileye dair kanıt olarak okuyun. JXP, bir keman çekiminin beşinci düzenleme turunda "Sol eli klavyeden hafifçe kaydı" diye aktarıyor. Her şey hâlâ yerinde dururken önce eller gitti.

Hiçbir maliyeti olmayan iki kural daha. Elleri tek bir odak düzleminde tutun — geniş bir lense doğru uzatılmış bir el, isteyebileceğiniz en zor şey. Ve elleri yüzden uzak tutun, çünkü iki zor yapı arasındaki örtüşme hatayı ortalamak yerine katlıyor.

İsteseniz de istemeseniz de bir sesi yönetiyorsunuz

Buradaki ses natif: görüntüyle aynı geçişte üretiliyor, hiçbir parametreyle kapatılamıyor ve kontrol ettiğimiz hiçbir sağlayıcı tarafından ayrıca faturalandırılmıyor. Dolayısıyla ses hakkında hiçbir şey söylemeyen bir prompt sessizlik talebi değildir — denetimsiz bir brieftir ve model onu dolduracaktır.

O yüzden sesi bilinçli olarak, kendi cümlelerinde yazın. Google'ın belgelediği diyalog biçimi tırnaksız bir iki nokta üst üste — the man says: We lost it — ve tırnak işaretlerinin bir lip-sync modunu tetiklediğine dair çokça tekrarlanan iddia hiçbir Google belgesinde geçmiyor.

Konuşan bir çekimin işe yarayıp yaramayacağına dört şey karar veriyor:

Replik uzunluğu. invideo, test edilen modeli Gemini Omni Flash olarak adlandırdığı bir incelemede, "Tek kişinin konuşması için lip-sync yaklaşık 6-7 saniyeye kadar dayanıyor, sonra düşmeye başlıyor" diyor. Bir spesifikasyondan çok bir yön göstergesi, ama tek yöne işaret ediyor: erken yerleştirilmiş dört ila on iki kelimelik bir replik, ardından sessizlik ve bir tepki, çekim boyunca uzayan bir cümleyi yener.

Kadrajda tek konuşmacı. Aynı inceleme açık sözlü: "Tek karede iki konuşmacı hâlâ zayıf bir nokta; Omni sık sık senkronu kaçırıyor ya da diyaloğu yanlış kişiye atfediyor, dolayısıyla bugün için güvenli seçenek tek konuşmacılı çekimler." İkinci kişiyi kadrajın kenarında, odak dışında bir omuz yapın ve onun replikini ayrı bir üretim olarak çekin.

Düzyazıyla ses yönlendirmesi. Bir ses parametresi bulunmuyor; dolayısıyla aksan, yaş, tını ve tempo sıradan İngilizce olarak giriyor: tired, quiet, American accent, no rise at the end.

Açıkça belirtilmiş sessizlik. No dialogue. ya da No music. yazın.

Bir diyalog çekimi için öncesi ve sonrası. Zayıf versiyon yukarıdaki bütün hataları aynı anda işliyor — kadrajda iki konuşmacı, tırnak işaretleri, her birine bir replik, yönlendirmenin yerini tutan sıfatlar:

A man in an office says "We lost the contract" to his colleague and she
replies "I know" while they talk to each other, both very emotional,
dramatic scene, cinematic dialogue, photorealistic, perfect lip sync,
realistic voices, high quality conversation, intense acting, beautiful
faces, professional film look, 4k, detailed, award winning drama scene.

Yeniden yazım bir konuşmacıyı kadraj dışına çıkarıyor, repliği dört kelimeye indiriyor ve sesi övmek yerine tarif ediyor:

In a single continuous shot, no scene cuts. Medium close-up of a man in
his early fifties in a glass-walled meeting room after hours, tie
loosened, two days of stubble, a coffee ring on the papers in front of
him. He is alone in frame; a second person's shoulder sits out of focus
at the right edge. He turns a pen over in his right hand twice, sets it
down, and looks up. The man says: We lost it. Tired, quiet, American
accent, no rise at the end. He holds the look for a beat, then glances
down. Overhead fluorescents plus city light through the glass, 50mm,
shallow depth of field. Sound design: air conditioning hum and one
distant door closing. No music.

Kadının cevabı ikinci bir üretime ait, onun üzerine kadrajlanmış halde — bir yerine iki klip, ve senkronun iki yüzde birden tutmasını umarak ikili bir çekimi sekiz kez yeniden çevirmekten yine de daha ucuz.

Belgelenmiş bir sınır: konuşan birinin yüklediğiniz videosunu alıp onu yeni diyalogla uzatamazsınız. Bu eksik değil, esirgenmiş bir yetenek ve model kartı bunu açıkça söylüyor: "Video düzenlemenin bir parçası olarak Gemini Omni Flash, insanların konuşmasını değiştirebiliyor. Şimdilik bu yeteneği kısıtlıyoruz ve onu kullanıcılarımıza güvenli ve sorumlu biçimde nasıl sunacağımızı daha iyi anlamak için çalışıyoruz." Model bir kişiyi yeniden seslendirebilir; Google buna izin vermemeye karar verdi. Dublaj, burada kurabileceğiniz bir ürün değil.

Kalabalıklar, arka plan figürleri ve nereye harcamamalı

Arka plandaki insanlar geriye ne kaldıysa onu alıyor ve yayaların dolduğu hareketli bir cadde, duraklat tuşundan sağ çıkmayacak bir yüzler dizisidir. Bir sayı verin — "dağınık masalarda dört kişi", "kalabalık bir kafe"yi yener, çünkü belirsiz nicelik yaklaşıklık davet eder. Onları odak düzleminin dışında tutun; çünkü sığ bir 50mm ile yumuşatılmış figürler inandırıcıdır, oysa aynı figürler f/11'de net olduğunda bir ıskalanmış denemeler galerisidir. Ve her birine birer eylem verin, yüzleri dönük olmasın: ensedeki saçlar bedavadır. Arka plandaki belirli bir yüz önemliyse, onu kendi çekimine terfi ettirin.

Çekimler ne tutuyor ve neden asıl rakam 4K

Üretimleri yüzlerde yakarsınız — bakış hattı için yeniden çevirirsiniz, sonra el için, sonra ses yirmi yaş genç çıktığı için. Bu işi dürüstçe fiyatlamak, klipleri değil çekimleri fiyatlamak demek. Ve sağlayıcı farkı merdivenin en üstünde en geniş halde. 29 Ağustos 2026 itibarıyla on saniyelik 4K:

Google'ın rakamı bir etiket fiyatından değil, yayımlanmış saniye başına token oranından türetiliyor; fal'inki de işin hesabına dair bağımsız bir okuma değil, Google'ın listesinin bir passthrough'u. Fark yapısal: 720p tabanından Google 4K için üç kat alırken biz iki kat alıyoruz. 4K'da %41 daha az, dört katmanımızın en genişi ve sekiz saniyelik bir çekim burada $1.44, doğrudan çağrıda $2.43. Geri kalanı sağlayıcı sağlayıcı denetimde.

Aritmetiğin diğer yarısı, nerede yineleme yaptığınız. 360p'de on arama geçişi artı bir 1080p bitiş $1.73 tutuyor; on düz 1080p geçişin $5.40'ına karşı — bir ek üretim karşılığında yüzde altmış sekiz indirim. Bir taslak geçişi bakış hattı, blokaj ve elin kupayı bulup bulmadığı için yeterli çözünürlük taşıyor; ten dokusu ya da lip-sync için yetmiyor, dolayısıyla döngü kapandıktan sonra tam çözünürlükte iki çekim bütçeleyin. Bir de çekimin bu modele ihtiyacı olup olmadığını sorun: Veo 3.1 Fast burada saniyesi bir sente çalışıyor ve devamı olmayan tek bir portre için dokuz katlık prim çok az şey satın alıyor.

Sınırlar, açıkça söylenmiş hali

Bu bir sorumluluk reddi bölümü değil. Aşağıdaki her madde birinin proje planını değiştirdi.

SynthID her karede var ve bir anahtarı yok. Google'ın ifadesi: "Üretilen bütün videolar SynthID filigranı içeriyor; izleyiciye görünmez, ama köken doğrulaması için programatik olarak tespit edilebilir." Hiçbir sağlayıcı bir açma kapama düğmesi sunmuyor ve işaret yeniden kodlama, kırpma ve renk değişikliklerinden sağ çıkacak biçimde tasarlandığı için "post prodüksiyonda temizleriz" bir plan değil. Bir teslim sözleşmesi filigranlı varlıkları yasaklıyorsa, bunu render etmeden önce çözün.

Yüklenen video düzenleme AEA, İsviçre ve Birleşik Krallık'ta kullanılamıyor. Google'ın satırı, bunun sizin için ne kadar kötü olduğuna karar veren parantezle birlikte: "Yüklenen videoları düzenlemek veya uzatmak şu anda Avrupa Ekonomik Alanı (AEA), İsviçre ve Birleşik Krallık'taki kullanıcılar için mevcut değil (model tarafından üretilen videoları düzenlemek veya uzatmak destekleniyor)." Avrupalı bir ekip yine de bir çekim üretip kendi çıktısını uzatabilir; yapamadığı şey, bir kullanıcının yüklediği görüntüyü sürdürmek. Sonuçlarını kırk saniyelik sahneler yazısında ele aldık — buradaki geç öğrenildiğinde en pahalıya patlayan madde.

Belirli kişileri içeren yüklemeler reddediliyor. Aynı sınırlamalar bölümünden iki satır daha, ikisi de o bölgelerle sınırlı: "Reşit olmayanları içeren görsellerin yüklenmesi ve düzenlenmesi Avrupa Ekonomik Alanı, İsviçre ve Birleşik Krallık'ta desteklenmiyor" ve "Tanınabilir belirli kişileri içeren görsellerin yüklenmesi ve düzenlenmesi Avrupa Ekonomik Alanı, İsviçre ve Birleşik Krallık'ta desteklenmiyor." Reddetme yüzeyi bu ifadeden daha geniş görünüyor: JXP, aynı önceki sürüm dönemine ait incelemesinde, gerçek bir markanın adını veren bir prompt'un "gönderim aşamasında genel bir politika mesajıyla engellendiğini" ve "jenerik bir yetişkin karakteri on yaş yaşlandırma" isteğinin de engellendiğini aktarıyor. Reddetmelerin gerçekleşmemesine bağlı bir hat kurmayın.

Gerçek insanlar teknik bir sorudan önce hukuki bir sorudur. Gerçek bir kişinin rızası olmadan üretilmiş tanınabilir bir benzerliği, yargı bölgesine göre değişen ve çıktı sentetik diye ortadan kalkmayan kişilik ve tanıtım haklarına çarpar. Ayrıca AB Yapay Zekâ Yasası'nın 50. maddesi uyarınca şeffaflık yükümlülükleri 2 Ağustos 2026'dan itibaren geçerli: uygulayıcılar içeriğin yapay olarak üretildiğini veya değiştirildiğini açık biçimde ve ilk temasta bildirmek zorunda. SynthID makine tarafından okunabilir bir işaretleme gereksinimini karşılıyor; izleyen kişiye söyleme yükümlülüğünü karşılamıyor. Bu, bir API çağrısındaki bir bayrak değil, hukuk danışmanıyla verilecek bir etiketleme kararı.

Üretilmiş bir yüz bir insan değildir, ama birine zarar verecek kadar yakın oturabilir. Rıza, bildirim ve çekimi yapmama isteği bu zanaata en az odak uzaklığı kadar aittir.

Sıkça sorulan sorular

Gemini Omni 1.1 Flash'te gerçekçi ten nasıl elde edilir?

Teni övmek yerine yüzeyi tarif edin. "Perfect skin", "flawless" ve "beautiful", rötuşlanmış ticari görselleri seçiyor ve dokuyu düzleştiriyor. Bunları gözlemlenebilir olgularla değiştirin — burun ve yanaklarda görünür gözenekler, alında parlama, küçük bir yara izi — ve bir yaş belirtin. Google son derece detaylı karakter tarifi istiyor, ki bu çekici bir karakter istemekle aynı şey değil.

Yapay zekâ videosunda eller neden yanlış çıkıyor ve prompt'ta nasıl düzeltilir?

Parmaklar, kendini kapatan küçük bir bölgede gerçekleşen karmaşık harekettir ve Google'ın model kartı karmaşık hareketi "hâlâ bir zorluk olmaya devam eden" şeyler arasında sayıyor. Elleri tarif etmek yerine onlara bir iş verin: belirtilmiş bir kavrayışla belirli bir nesne, ya da başlangıcı ve bitişi olan bir eylem. Onları tek bir odak düzleminde ve yüzden uzakta tutun.

Gemini Omni 1.1 Flash'te ses kapatılabilir mi?

Hayır. Ses görüntüyle birlikte natif olarak üretiliyor, hiçbir parametre onu devre dışı bırakmıyor ve saniye başına orandan ayrı faturalandırılmıyor. Onu bir "Sound design:" cümlesiyle ve açık "No dialogue." ya da "No music." cümlecikleriyle yönlendirebilirsiniz, ama reddedemezsiniz. Sessiz oynatma için oynatıcıyı susturun.

Bir Omni prompt'unda diyalog nasıl yazılmalı?

Google'ın belgelediği biçimi kullanın: konuşmacı, iki nokta üst üste, replik, tırnak yok. Ses yönlendirmesi düz düzyazıyla devam ediyor, çünkü bir ses parametresi yok — aksan, yaş, tını ve tempo hepsi İngilizce olarak geliyor. Replikleri kısa tutun, erken yerleştirin ve "duygusal" bir icra istemek yerine tonu tarif edin.

Gemini Omni lip-sync'i ne kadar süre koruyabiliyor?

invideo, test edilen modeli 1.1 değil Gemini Omni Flash olarak adlandırdığı bir incelemede, tek kişi konuşurken lip-sync'in düşmeye başlamadan önce yaklaşık altı ila yedi saniye tuttuğunu aktarıyor ve tek karede iki konuşmacıyı, modelin senkronu kaçırdığı ya da diyaloğu yanlış kişiye atfettiği zayıf bir nokta olarak niteliyor. Bir Google spesifikasyonu değil, önceki bir model üzerinde bir incelemecinin bulgusu; ama üretim başına tek konuşmacı ve erken yerleştirilmiş kısa replikler lehine bir argüman.

Gemini Omni 1.1 Flash gerçek bir kişinin benzerliğini üretebilir mi?

Güvenilir biçimde değil ve denemeden önce iyi düşünün. Google'ın dokümantasyonu, tanınabilir belirli kişileri içeren görsellerin yüklenmesi ve düzenlenmesinin AEA, İsviçre ve Birleşik Krallık'ta desteklenmediğini söylüyor ve test edenler gerçek marka adları ile sıradan karakter düzenlemeleri için reddetmeler aktarıyor. Filtrenin ötesinde, benzerlik hakları yargı bölgesine göre değişiyor ve görüntü sentetik diye ortadan kalkmıyor.

SynthID filigranı her karede görünüyor mu ve kaldırılabilir mi?

Üretilen her video SynthID taşıyor; üretim anında gömülüyor, izleyiciye görünmez ve programatik olarak tespit edilebiliyor. Hiçbir sağlayıcı bir anahtar sunmuyor ve işaret sıkıştırmadan, kırpmadan ve renk değişikliklerinden sağ çıkıyor; dolayısıyla kaldırma, üzerine plan yapabileceğiniz bir iş akışı değil. Bir teslim şartnamesi filigranlı materyali yasaklıyorsa, bunu render etmeden önce çözün.

Yüzler üzerinde düşük çözünürlükte yineleme yapmak daha mı ucuz?

Evet, hem de belirgin biçimde. 360p'de on arama geçişi artı bir 1080p bitiş E2X'te $1.73, 1080p'de on geçişin $5.40'ına karşı — bir ek üretim karşılığında yüzde altmış sekiz indirim. Taslak geçişler bakış hattı ve blokaj için yeterli çözünürlük taşıyor, ama ten dokusu ya da lip-sync için taşımıyor; dolayısıyla taslak döngüsü kapandıktan sonra tam çözünürlükte iki çekim planlayın.

Fiyatlar ve ürün koşulları değişiyor. Satın alma kararı vermeden önce her sağlayıcının güncel fiyatlandırmasını kontrol edin.

Dört yeteneğin şemaları ve canlı oranları model sayfasında duruyor. Hemen yanında: belgelenmiş prompt sözdizimi, kırk saniyelik sekansların gerçekte ne tuttuğu ve aynı ağırlıkların nerede daha pahalıya satıldığı.