Gemini Omni 1.2 Flash 終結了影片拉霸機

Google 於 11 月 5 日讓 Gemini Omni 1.2 Flash 正式全面推出(GA),而定價結構比模型本身更重要。
重點規格很直接。原生片段長度現在可達 15 秒,高於先前的 10 秒。時長可在 3 到 15 秒之間以一秒為單位設定,預設為 10 秒。輸出預設為 720p、16:9,並支援 9:16。你可以用 360p 或 720p 先產出草稿,再將選中的結果放大到 1080p 或 4K。所有輸出都帶有不可見的 SynthID 浮水印。
接著是數字:720p 生成每秒 0.07 美元,360p 約每秒 0.023 美元。在付費 API 上,每百萬個影片輸出 token 為 12 美元,720p 每秒以 5,792 個 token 計量,換算下來十秒片段約 0.70 美元,十五秒約 1.04 美元。Google 表示,這比 Omni 1.1 Flash 便宜 30%。
把這個價格跟一年前的市場相比。在旗艦影片模型上重試一次的成本高到讓創作者學會防禦性地寫提示詞,並接受第三好的結果。業界稱之為「抽卡」,因為它本質上就是抽卡。
重試變得可負擔,重試的方式也隨之改變
以每秒七美分計算,一支 360p、五秒的草稿約十二美分。十五支草稿花不到兩美元。理性的工作流程不再是「寫出一個完美提示詞然後祈禱」,而是「生成十二支、看過一輪、把可行的那支放大」。

這是偽裝成價格變動的工作流程變革。它把花費從生成轉移到挑選,而挑選正是人類品味真正創造價值的地方。它也改變了會被打造出來的工具:一個能讓你瀏覽十二支便宜草稿與一支昂貴最終渲染的瀏覽器,和一個每次嘗試都向你收費的聊天框,是截然不同的產品。
Google 對這個定位說得很明白。該模型提供分級工作流程,較高解析度的渲染應該保留給已經選定的輸出。
15 秒改變了工作單位
從 10 秒跳到 15 秒聽起來只是遞增。但並非如此,關鍵在於這多出來的時間能塞進什麼。
十秒片段可以展示產品或建立氛圍,卻無法從容地完成開場、展示與收尾。十五秒大致是一支標準社群廣告的長度,這表示單次生成現在就能產出交付成品,而不只是成品的一個元件。這消除了接縫,而接縫正是 AI 影片崩壞的地方:光線跳變、臉部漂移、物件在剪接點之間位移。
Google 自己的範例是一支 15 秒的虛擬試穿影片,以一張人物影像和三張服裝影像構成,人物的身分與服裝細節在動作過程中保持一致。
一致性方面的說法很具體。Google 的並排評估顯示,在文字轉影片測試中,Omni 1.2 的視覺一致性勝率為 62%,1.1 則為 38%。在參考圖轉影片的比較中,1.2 在多參考身分一致性上的勝率為 63%,對比為 37%。Photoroom 執行長 Matt Rouif 告訴記者,更長的生成時間是使用者最強烈要求的單一功能,而具備服務等級協議的正式全面推出,正是讓他的公司能為賣家將該模型投入生產的關鍵。
Arena 也認同,而這並不尋常
Arena.ai 上,Gemini Omni 1.2 Flash 以 1,541 分在文字轉影片排名第一,高於 1.1 的 1,514 分,而 1.1 原本排名第二。它在圖像轉影片排名第一,在影片編輯排名第三。隨著這次發布,Google 的 Omni 系列在文字轉影片排行榜上包辦前三名。
這是一次值得注意的逆轉。今年稍早,主流說法是中國實驗室已在盲測偏好上取得影片領先。就本次發布時 Arena 的數字來看,在文字轉影片排行榜頂端,情況已不再如此。
排行榜衡量的是根據提示詞生成的短片,這和讓一個角色在四十個鏡頭中保持穩定不是同一回事。請把排名視為美學偏好的訊號,而不是製作可靠性的訊號。
實用上的增益在於編輯
最可能改變日常工作的是對話式編輯。當某個地方不對時,不是重新生成一支新片段,而是繼續編輯現有片段:替換產品、更換背景、改變光線或天氣、切換長寬比、調整攝影機角度。未被提及的元素應該能在編輯後保留下來。
技術上,這透過 `previous_job_id` 運作,該參數會在 API 呼叫之間保留上下文,因此先前的影片不需要重新上傳。每個請求可以使用多張參考影像,包括兩個角色時每個角色最多三張、最長三秒的動作參考片段,以及音訊提示。
延伸功能與原生生成是分開的。你每輪可以附加 3 到 10 秒,並以最後 10 秒作為上下文,總長最多 30 秒。你不能在前面加上片段,也不能在片段中途插入素材,而首尾影格插值仍僅限於 3 到 10 秒的輸出。在有人向客戶承諾一支一鏡到底的 30 秒廣告之前,這些限制值得先弄清楚。
音訊是沒有人定價的那一部分
看每秒價格時要注意一件事:那些數字涵蓋的是影片 token。Omni 1.2 Flash 會隨影片生成原生音訊,包括對白、環境音與音效,而模型能透過分別的條件控制來處理多位說話者。
音訊正是 AI 影片在製作中通常崩壞的地方。一支動作逼真、但對嘴同步漂移 200 毫秒的片段就是不能用,而在後期修正的成本比重新生成還高。如果音訊在生成時就真正同步,省下的不是模型帳單,而是剪輯師的一整個下午。
Google 也表示對嘴同步與對白清晰度有所提升,而且能準確地將不同聲音指派給不同角色。這些話在新聞稿裡看似小事,在工作流程中卻是大問題。任何要為廣告評估這個模型的人,都應先測試對白密集的場景,因為那正是前一代模型最明顯失敗的地方。
遷移日期是被低估的細節
在為期四週的過渡期內,Omni 1.1 Flash 仍可使用。12 月 3 日起,對 1.1 的 API 請求將在無需修改程式碼的情況下自動路由到 1.2,並採用較低的 1.2 費率。
對建立在 1.1 上的團隊來說,這是免費升級,但有一個但書:你產品背後的模型會在你不參與的情況下改變。任何針對 1.1 行為調校過的提示詞庫,以及任何建立品質基準的評估集,現在描述的都是一個你已不再呼叫的模型。請在 12 月初重新執行評估。
它仍然做不到的事
Google 對這些缺口相當坦白。快速運動動作、快速腳本變化和複雜物理仍在開發中。Gemini API 完全支援英文,尚未針對其他語言進行評估。目前的 API 不支援語音編輯、上傳音訊輸入與音訊參考,音訊參考在 Google Cloud 上則需透過允許清單開放。
僅支援英文的限制,會最先反咬國際團隊。一支以這個模型打造的德語或日語廣告活動,等於是在供應商尚未評估過的語言上運作。
真正的轉變
兩年來,AI 影片定價都建立在一個假設上:生成很昂貴,因此很稀缺。每一個產品決策都由此而來:短片、低解析度、激進的提示詞工程、對糟糕輸出的容忍。
Omni 1.2 Flash 把生成當作大宗商品來定價,並把成本放在它該在的地方:最終渲染。花十二美分來確認一個想法是否可行,是一種習慣,而不是一筆預算項目。
Google 也在同一週部署了通路:用於場景指導與多輪編輯的 Flow、Google Vids、供 Ultra 訂閱者使用的 Gemini 應用程式,以及 Google Ads 廣告活動建立功能。當模型變便宜、接觸介面又已經安裝好,AI 影片的瓶頸就不再是取用權限,而是有沒有人有理由去看。
相關文章
企業 AI 支出不是停滯,是那 1% 大戶不再加碼
企業 AI 用量成長 37.1%,支出只成長 8.9%,價差吃掉中間的成長。真正讓數字走平的是那 1% 大戶,他們每人每月支出已跌破 10,000 美元。
Claude 現在能讀你的銀行對帳單,而 Anthropic 刻意不給它一雙手
唯讀設計本身就是產品,而解除連結並不會收回已經留在聊天裡的內容。
Adobe 不再要求行銷人員開啟 Adobe
十年來,策略是掌控介面。Adobe 剛剛押注了相反的方向。
CrowdStrike 推出 AI 代理終止開關。難的是知道該終止什麼。
終止開關把猜測變成可強制執行的事。強制執行需要一份清單,而清單正是沒有人擁有的部分。