Gemini Omni 支持15秒视频，价格降三成

生成式视频最麻烦的，往往是第一版之后的修改：人物换个角度就变脸，背景改了，动作也跟着变。Google 这次发布 Gemini Omni 1.2 Flash，主打的正是这些制作环节：原生生成最长 15 秒视频，增强参考素材的一致性，并支持围绕同一片段连续对话编辑。

按原文说法，新版的 720p 视频价格比 Gemini Omni 1.1 降低 30%，来到每秒 $0.07。它值得关注的地方，是尝试把视频生成变成可以逐步修改、挑选和放大的工作流。不过，官方展示能说明能力方向，还不足以证明日常生产的成功率。

15 秒和降价，究竟改变了哪笔账

Omni 1.1 的原生片段上限是 10 秒，新版提高到 15 秒，并允许在 3 到 15 秒之间，以 1 秒为单位指定时长。这里的「原生」是指模型直接生成或编辑完整片段，不需要先生成几个短片再拼接。

多出的 5 秒，对产品讲解、社交广告和简单情节都有用。一个动作有了展开和收尾的空间，镜头之间也少了一次拼接需求。但片段更长，也要求模型在更多帧里持续记住人物、产品和场景。

价格方面，原文给出的明确口径是：720p 每秒 $0.07，比 Gemini Omni 1.1 降低 30%。按这个单价计算，一条 15 秒视频是 $1.05。这只是按时长计算的金额；原文没有展开编辑、放大和失败重试分别如何计费，不能直接拿它当完整成片成本。

Google 推荐的流程是先用 360p 或 720p 快速出草稿，通过后续编辑修正细节，再把选中的结果放大到 1080p 或 4K。省钱的逻辑成立：减少高分辨率试错，把预算留给最终版本。

判断成本时，应该看拿到一条可用成片总共花了多少，而不是只看每秒单价。

参考一致性，决定素材能不能变成成片

新版允许组合人物、产品或风格图片，最长 3 秒的短动作片段，以及音频提示来引导生成。它强调的「参考遵循」，就是让模型在运动和切换机位时，继续保留输入素材里的关键细节。

原文的试衣演示用了 1 张模特照片，以及 3 套服装各自的正反面产品图，生成包含 360 度转身和匹配剪辑的 15 秒视频。Google 声称，人物身份、服装剪裁、垂坠感和背面细节都能保持一致。

对商品内容而言，这比单纯画面漂亮更关键。包装文字、品牌色或衣服背面一旦变样，视频就可能失去使用价值。参考遵循解决的是「像不像输入素材」，跨帧一致性则解决「动起来以后还像不像同一个东西」。

官方还展示了 Omni 1.1 Flash 与 1.2 Flash 的海报动画对比：在相同静态参考图和五层动画提示下，新版逐层组装底座、玻璃、灯丝、水晶和线缆字形，并维持 HALO、GLOW、LUMEN 的文字与材质细节。

但一致性还没有变成绝对保证。原文在首尾帧衔接案例中，也提到屋顶上的猫、汤勺变成筷子等细微变化。这提醒我们：一段视频整体连贯，不代表每个局部都能通过逐帧检查。

连续编辑能减少返工，但还不能理解为精确修改

多轮对话编辑支持围绕同一条最长 15 秒的视频继续提要求，例如替换产品或背景、改变光照和天气、调整画幅比例。它的价值在于保留已有成果，减少每次修改都重新描述整个场景的负担。

原文给出的例子，是把同一个片段的背景从条纹帐篷，依次换成橡树林、带白马的马厩、集市和石头城堡，同时保留两个人物的表演、盔甲反光和镜头构图。另一个例子先生成起伏运动的章鱼，再替换成舞者，让裙摆沿用原来的流体运动。

这说明编辑不只是在替换画面内容，也尝试保留动作关系。不过，原文没有解释底层实现，不能据此认定它具备像视频工程文件那样的图层控制，也不能保证修改背景时其他像素完全不动。

声音和镜头同样是这次更新的重点。Google 宣称，新版具有更自然的对话、更清晰的口型同步，以及区分多个说话人的条件控制。示例结合 1 张温室场景图、4 个角色的形象与嘴部参考，以及 1 秒语音参考，在 15 秒动画里让采样声音对应到正确角色。

镜头控制则包括 FPV 第一视角穿行、拉远和环绕。官方展示了根据 2 张建筑参考照片，连续穿过万神殿广场、铜门和穹顶直至顶部圆洞的镜头，称其没有跳切；另有一条 10 秒视频，从海岸近景连续拉远到岛屿航拍。它们展示了连续运镜的潜力，但没有提供重复生成后的成功比例。

我的判断

我认可这次更新的产品方向。专业制作需要的是保留人物、商品和动作，再逐步调整结果；参考素材、多轮编辑、低分辨率试稿组合起来，比单独延长片段更接近实际需求。

但「更快、更一致、更便宜」目前仍主要来自官方展示。原文没有给出生成耗时、批量成功率、修改次数分布，也没有提供与常见替代流程的完整成本对照。它展示了部分与 1.1 的对比，却不足以推导所有任务都能稳定受益。

尤其要区分连续对话编辑和传统剪辑。前者适合修改生成内容，后者在字幕、时间线、镜头排序等确定性操作上仍有价值。对于必须准确呈现的包装文字、价格和品牌信息，也可以保留后期叠加的做法，避免把全部准确性要求交给生成模型。

原文称模型已在 Gemini API 和 Google Cloud 正式可用，支持 Provisioned Throughput，输出带有不可感知的 SynthID 水印。这些提供了生产接入相关能力，但水印不是画面质量保证。Google 自己也承认，快速体育动作、快速脚本变化和复杂物理效果仍在改进。

能拿来做什么

• 如果要做商品演示或广告素材工具，可以先固定人物图、商品正反面图和风格参考，再检查转身、遮挡和镜头切换后的细节，验证素材是否真的被保留下来。
• 如果准备通过 Gemini API 接入 Node 服务，可以先在 Google AI Studio 验证生成和多轮修改流程，并记录每条可用成片的总费用、耗时与返工次数，再决定是否批量接入。
• 如果要围绕同一片段生成不同投放版本，可以先测试改背景、改画幅是否影响人物动作和商品外观。成本评估应覆盖修改与放大，不能只套用 720p 每秒 $0.07。
• 如果只是制作讲解或演示视频，可以按原文列出的入口尝试 Flow、Google Vids 或 Gemini for business；其中 Google Vids 的 15 秒生成被描述为无需额外费用，Gemini app 则向 Google AI Ultra 订阅者逐步开放，不能把它们视为相同的使用条件。