ویدئو را به Gemini بده؛ خودش می‌فهمد کجای آن مهم است!

گوگل قابلیت جدید «درک ویدئویی عامل‌محور» (Agentic Video Understanding) را برای مدل‌های Gemini ارائه کرده است. مدل می‌تواند در یک ویدئوی طولانی به‌صورت پویا بین فریم‌ها، صوت و متن پیاده‌سازی‌شده جابه‌جا شود و فقط قسمت‌هایی را که برای پاسخ به سؤال لازم است بررسی کند. گوگل می‌گوید این روش برای ویدئوهای طولانی می‌تواند مصرف توکن را تا 88 درصد نسبت به پردازش ثابت کاهش دهد.

• تحلیل سریع ویدئوهای آموزشی: معلمان می‌توانند ویدئوهای طولانی آموزشی را به سرعت تحلیل کرده و بخش‌های کلیدی مرتبط با موضوع درس را استخراج کنند.
• صرفه‌جویی در زمان: به جای تماشای کل ویدئو، مدل فقط بخش‌های مرتبط با سؤال را بررسی می‌کند و زمان صرفه‌جویی می‌شود.
• کاهش هزینه پردازش: کاهش 88 درصدی مصرف توکن برای ویدئوهای طولانی، هزینه استفاده از این فناوری را به‌شدت کاهش می‌دهد.
• تولید محتوای کلاسی: امکان استخراج خودکار بخش‌های مناسب برای تدریس از ویدئوهای آموزشی و مستندات علمی.
• پشتیبانی از محتوای چندرسانه‌ای: مدل همزمان به تصویر، صدا و متن توجه می‌کند و درک جامع‌تری از محتوای ویدئویی ارائه می‌دهد.

• این قابلیت روی مدل‌های Gemini 3.7 Flash، 3.6 Flash و 3.5 Flash-Lite در دسترس است.
• مدل به‌صورت پویا در خط زمانی ویدئو حرکت می‌کند و فقط بخش‌های مرتبط را پردازش می‌نماید.
• مناسب برای محتوای ویدئویی طولانی مانند وبینارها، سخنرانی‌ها و مستندهای آموزشی.

← بازگشت به اخبار هوش مصنوعی و آموزش