跳到正文

Google 发布 Gemini Omni 1.2 Flash:视频生成正式商用,最长 15 秒、能对话改片,720p 每秒约 0.07 美元

美国时间 11 月 5 日,Google 宣布 Gemini Omni 1.2 Flash 正式商用:视频最长 15 秒、支持多轮对话改片、参考图遵循更强,Gemini API 官方定价 720p 约 0.07 美元每秒(Google 称比 1.1 便宜 30%);1.1 将在 12 月 3 日起自动路由到 1.2。

小杜

约 4 分钟读完

Google 发布 Gemini Omni 1.2 Flash:视频生成正式商用,最长 15 秒、能对话改片,720p 每秒约 0.07 美元

美国时间 11 月 5 日(东京时间 11 月 6 日凌晨),Google 宣布 Gemini Omni 1.2 Flash 正式可用:这是 Gemini Omni 系列第一次进入 GA(正式商用),已经在 Gemini API 付费层和 Google Cloud 上线。这一版把单段视频的原生时长从 10 秒拉到 15 秒,支持用多轮对话反复修改同一段视频,参考图的遵循度更高,同时按 Google 的说法价格比 Omni 1.1 Flash 低了 30%。对要把视频生成接进产品的开发者来说,更长的片段、更低的单价加上正式商用的状态,才是这次发布里最实在的部分。

Gemini Omni 1.2 Flash 发布主视觉(图源:Google 官方博客)

这次更新了什么

按 Google 官方博客和 Google Cloud 博客,主要变化有这几项:

  • 更长的片段:原生生成和编辑最长 15 秒,上一代 Omni 1.1 Flash 是 10 秒;时长可以在 3 到 15 秒之间按 1 秒步进指定。
  • 对话式编辑:同一段视频可以一轮一轮地改,比如换产品、换背景、换光线和天气、改画幅,不用每次从头重新生成。官方称这在完整的 15 秒片段上同样可用。
  • 更强的参考遵循:可以同时给角色、产品、风格图,最长 3 秒的动作短片和音频线索,模型会尽量让人脸、服装、包装文字和品牌色在整段里保持一致。
  • 更自然的语音:对白更流畅,口型更准,支持多说话人分别条件化。
  • 更可控的镜头:官方强调连续的 FPV 穿越、大幅拉远、环绕等运镜,意外硬切更少。
  • 先出草稿再放大:可以先用 360p 或 720p 快速试,再把满意的放大到 1080p 或 4K。

需要注意的是,Google Cloud 博客写明音频参考目前需要申请白名单;模型卡还提到,编辑视频时「改变人物所说的话」这项能力暂时被限制。官方也承认快速运动的体育画面、剧本快速切换和复杂物理仍在改进。

价格和接入:开发者最关心的数字

价格以 Gemini API 官方定价页为准。它按输出 token 计费:视频输出 12 美元每百万 token,输入(文本、图片、视频)1.5 美元每百万 token,文本输出 9 美元每百万 token;720p 视频每秒折合 5,792 个 token。官方页面给出的折算单价如下:

  1. 360p:约 0.023 美元每秒(每秒 1,931 token)。
  2. 720p:约 0.07 美元每秒,15 秒约 1.04 美元,这也是博客里「比 1.1 便宜 30%」对应的口径。
  3. 1080p(含放大):约 0.104 美元每秒(每秒 8,688 token)。
  4. 4K(含放大):约 0.209 美元每秒(每秒 17,376 token)。

按这些公开的每秒 token 数自己换算,一段 15 秒的 1080p 视频大约 1.56 美元,4K 大约 3.13 美元,这是我按官方 token 数算的估值,不是官方报价。草稿阶段用 360p 或 720p,满意后再放大,成本会明显低于每次都直接出高分辨率。

官方示例:同样的参考图下,Omni 1.1 与 1.2 对参考的还原对比(图源:Google 官方博客)

接入层面,开发文档给出的模型代码是 gemini-omni-1.2-flash,输入支持文本、图片和视频(编辑时视频最长 15 秒,延长时回看 10 秒),输出是带原生音频的视频和文本。输入 token 上限 131,072,输出 65,536。输出为 24 FPS,3 到 15 秒,首尾帧插值和单轮视频延长是 3 到 10 秒,延长后总长最多 30 秒。对话式编辑走 Interactions API。另外,gemini-omni-1.1-flash 会在 2026 年 12 月 3 日起自动路由到 1.2,预览版 gemini-omni-flash-preview 已经下线,用老版本的项目要留意这个时间点。

谁能用,怎么用

除了 API,Google 的产品线也同步接入:Vertex AI 和 Gemini for business 提供企业版,并支持预留吞吐;Google Vids 里任何 Google 账号每月可以免费生成 3 条 15 秒视频;Flow 支持对话式导演和改片;Gemini 应用里的 15 秒视频先对 Google AI Ultra 订阅用户开放;Google Ads 也在接入。所有输出都带不可见的 SynthID 水印。

Google Cloud 博客列了不少合作方的使用反馈,包括 Artlist、FLORA、invideo、Krea、Picsart、Runway、Photoroom 和 QuickFrame AI。这些是厂商和合作方自己的评价,主要用来说明应用场景,集中在商品视频、虚拟试穿、广告片和电商素材,不能当作独立评测。比如 QuickFrame 提到,15 秒、1080p 的单次生成让它能一次做出完整的电视广告素材。

官方示例:用角色、口型和语音参考生成 15 秒带对白动画(图源:Google 官方博客)

小杜点评

作为算法工程师,我看这次发布有三点。第一,它主要是产品化而不是架构升级:模型卡写明 1.2 基于 Gemini Omni Flash,训练数据和架构细节都指回原版,Google 在博客里也没有给出公开的基准分数,主要靠示例视频和客户评价来说明进步。所以「更一致、更少漂移」目前只能当作厂商的说法,要不要信,得拿自己的素材跑一遍。

第二,GA 加价格下调对落地更重要。视频生成过去的问题常常不是不够好看,而是单价和稳定性让业务算不过账;720p 每秒 0.07 美元、能先低分辨率出草稿再放大、还能用对话改局部,这套工作流更接近做广告和电商素材的真实需求,比单纯多出 5 秒更有价值。

第三,几个坑要提前看:音频参考要白名单,改人物说话被限制,快速运动和复杂物理仍是弱项,另外 15 秒内的多轮编辑也会累计输出 token 成本,上线前最好用自己的真实素材估一下每条成片的平均花费。

参考来源

评论

正在确认登录状态…