← 返回博客
News预计阅读 10 分钟

Gemini Omni 1.2 Flash 终结了视频老虎机

发布于 2026年11月7日
Gemini Omni 1.2 Flash 终结了视频老虎机

Google 于 11 月 5 日将 Gemini Omni 1.2 Flash 正式全面开放,而定价结构比模型本身更重要。

核心规格很直接。原生片段现在最长可达 15 秒,此前为 10 秒。时长可按 1 秒步长在 3 至 15 秒之间设置,默认 10 秒。输出默认 720p、16:9,支持 9:16。你可以用 360p 或 720p 起草,再将选中的结果放大到 1080p 或 4K。所有输出都带有不可见的 SynthID 水印。

然后是数字:720p 生成每秒 0.07 美元,360p 约为 0.023 美元。在付费 API 上,即每百万视频输出 token 12 美元,720p 按每秒 5,792 个 token 计费,折算下来十秒片段约 0.70 美元,十五秒约 1.04 美元。Google 称其比 Omni 1.1 Flash 便宜 30%。

对比一年前的市场。在旗舰视频模型上重试一次的成本高到让创作者学会防御性地写提示词,并接受第三好的结果。业界称之为“抽卡”,因为事实就是如此。

重试变得可负担,重试方式也随之改变

按每秒七美分计算,一个 360p 五秒草稿约花十二美分。十五个草稿不到两美元。理性的工作流不再是“写一个完美提示词然后祈祷”,而是“生成十二个,看看它们,把可行的那个放大”。

钢桌上并排的六个空白半透明胶片画框,最后一个被从背后照亮。

这是一次伪装成价格变化的工作流变化。它把支出从生成转移到挑选,而挑选正是人类品味真正增值的地方。它也改变了要构建的工具:一个能向你展示十二个廉价草稿和一个昂贵最终渲染的浏览器,与一个每次尝试都收费的聊天框,是两种不同的产品。

Google 明确采用了这一框架。该模型提供分级工作流,更高分辨率的渲染理应留给已经选中的输出。

15 秒改变了工作单元

从 10 秒到 15 秒的跃升听起来像是渐进式改进。其实不是,因为这多出来的时间能容纳什么。

十秒片段可以展示一个产品或营造一种氛围。它无法从容地完成引入、演示和收尾。十五秒大致是标准社交广告的长度,这意味着单次生成现在可以产出最终交付物,而不是其中的一个组件。这就去掉了拼接,而拼接正是 AI 视频崩溃的地方:光线跳变、人脸漂移、物体在剪辑点之间移动。

Google 自己的例子是 15 秒虚拟试衣:由一张人物图片和三张服装图片构建,人物的身份和服装细节在动作过程中保持一致。

一致性声明很具体。在文本生成视频测试中,Google 的并排评估显示 Omni 1.2 的视觉一致性胜率为 62%,而 1.1 为 38%。在参考图生成视频的对比中,1.2 在多参考身份一致性上的胜率为 63%,1.1 为 37%。Photoroom 首席执行官 Matt Rouif 告诉记者,更长生成是用户最强烈要求的功能,而附带服务等级协议的正式全面可用,才让他的公司能把该模型投入面向卖家的生产环境。

Arena 的结论一致,这并不常见

在 Arena.ai 的文本生成视频榜单上,Gemini Omni 1.2 Flash 以 1,541 分排名第一,高于排名第二的 1.1 的 1,514 分。它还在图生视频中排名第一,在视频编辑中排名第三。随着此次发布,Google 的 Omni 系列包揽了文本生成视频的前三名。

这是一次值得注意的逆转。今年早些时候,叙事还是中国实验室已在盲测偏好上取得视频领先。就此次发布时 Arena 的数据而言,至少在文本生成视频榜首,这已不再成立。

排行榜衡量的是针对提示词的短片,这与在四十个镜头中保持角色稳定不是一回事。请把排名视为关于审美偏好的信号,而不是关于生产可靠性的信号。

实际收益在编辑

最可能改变日常工作的是对话式编辑。当某个地方不对时,不是重新生成一个新片段,而是在现有片段上继续工作:替换产品、更换背景、改变光线或天气、切换宽高比、调整相机角度。未提及的元素应当能在编辑后保留。

在技术上,这通过 `previous_job_id` 实现,该 ID 在 API 调用之间保留上下文,因此无需重新上传先前的视频。每次请求可以使用多张参考图,包括最多两个角色、每个角色三张图,一段最长三秒的运动参考片段,以及音频提示。

延长与原生生成是分开的。你可以每轮追加 3 到 10 秒,使用最后 10 秒作为上下文,总计最长 30 秒。你不能在前面添加素材,也不能在片段中间插入内容,而首尾帧插值仍限于 3 到 10 秒的输出。在有人向客户承诺一条一镜到底的 30 秒广告之前,这些限制值得了解。

音频是没人定价的部分

按秒计费的数字里有一点要注意:它们覆盖的是视频 token。Omni 1.2 Flash 在生成视频的同时生成原生音频——对白、环境声和音效——并且模型通过独立条件控制处理多个说话人。

音频通常是 AI 视频在实际制作中崩掉的地方。一个动作很有说服力、但唇形同步漂移 200 毫秒的片段是不可用的,而在后期修复它的成本比重新生成更高。如果音频在生成时确实同步,省下的不是模型账单,而是剪辑师的一下午。

Google 还表示唇形同步和对白清晰度有所提升,并且可以将不同声音准确分配给不同角色。这些在新闻稿里是小声明,在工作流里却是大声明。任何为广告评估该模型的人都应先测试对白密集的场景,因为上一代模型正是在那里失败得最明显。

迁移日期是被低估的细节

Omni 1.1 Flash 在为期四周的过渡期内仍然可用。12 月 3 日,发往 1.1 的 API 请求将自动路由到 1.2,无需更改代码,并按更低的 1.2 费率计费。

对于建立在 1.1 上的团队,这是一次免费升级,但有一个前提:你产品背后的模型会在你未参与的情况下发生变化。任何针对 1.1 行为调校过的提示词库,以及任何建立质量基线的评估集,现在描述的都是一个你不再调用的模型。请在 12 月初重新运行评估。

它仍然做不到的事

Google 对差距很坦率。快速体育动作、快速脚本变化和复杂物理仍在开发中。Gemini API 完全支持英语,尚未针对其他语言进行评估。当前 API 不支持语音编辑、上传音频输入和音频参考,音频参考在 Google Cloud 上处于允许列表控制之后。

仅支持英语这一限制会最先咬到国际团队。一个基于该模型打造的德语或日语营销活动,运行在提供商尚未评估过的语言上。

真正的转变

两年来,AI 视频定价一直围绕一个假设构建:生成很昂贵,因此很稀缺。每一个产品决策都由此而来:短片、低分辨率、激进的提示词工程、对糟糕输出的容忍。

Omni 1.2 Flash 将生成定价为一种商品,并把成本放在它该在的地方:最终渲染。花十二美分弄清楚一个想法是否可行,这会成为一种习惯,而不是一项预算条目。

Google 还在同一周铺开了分发渠道:用于场景指导和多轮编辑的 Flow、Google Vids、面向 Ultra 订阅者的 Gemini 应用,以及 Google Ads 广告系列创建。当模型变便宜、入口已经装好时,AI 视频的约束就不再是能否使用,而是有没有人有理由去看。

相关文章