2026 年 11 月 5 日，Google 宣布 Gemini Omni 1.2 Flash 正式可用（GA）。在 720p 分辨率下，单秒视频生成成本降至 0.07 美元，较上一代降低 30%。更关键的突破体现在制作流程上。模型支持原生 15 秒时长，允许通过自然语言对话对整段素材进行多轮定向修改。
商业视频制作长期受困于单次生成的随机性。商品文字扭曲或布光偏离时，创作者只能全量重跑。算力与制作排期在盲抽中被白白耗尽。修改素材的成本一旦低于重新生成新片，AI 视频便具备了转向工业化生产素材库的基础条件。
单秒 0.07 美元撕开商业化切口
Omni 1.2 Flash 将 720p 视频调用单价定为每秒 0.07 美元。一段 15 秒的高清视频片段，纯计算成本约为 1.05 美元。这个定价让高频测试视频创意成为常规预算内的可行操作。
按秒计费的粒度为预算控制提供了确定性。过去模型往往要求以固定秒数阶梯扣费。如今支持以 1 秒为步进自由调节，广告团队能精确匹配投放时长，避免为多余帧买单。
价格优势依赖全渠道的产品矩阵铺开。该模型同步接入 Gemini API、Vertex AI Studio、Flow 以及 Google Ads。营销团队为了验证不同开头，往往需要准备几十种甚至上百种切片变体。在单条成本压至 1 美元区间后，大规模 A/B 测试的试错门槛被实质性拉低。
图：Google 官方发布页头图，展示 Gemini Omni 1.2 Flash 界面与生成能力。来源：Google 官方博客。
以往高昂的单价，迫使团队耗费工时做防御性提示词调试。现在的低单价留出了充裕的容错空间。即便初版构图存在偏差，团队也能承受多次定向修正的算力成本。
整段 15 秒多轮对话替代单帧盲抽
模型原生支持 3 到 15 秒时长。生成步进设定为 1 秒。时长扩展对视频的时序连贯性提出了严格要求。扩散模型在长序列生成中容易失稳，往往在第 5 秒后出现主体结构崩解。
Omni 1.2 Flash 依托 Interactions API 构建了多轮对话机制。编辑指令不再局限于首帧范围，而是在整段 15 秒内协同生效。制作人员发送自然语言指令，即可更换背景、调整光照或微调画幅比例。
多轮编辑重塑了传统生成管线的容错逻辑。在原视频潜空间上定向微调，能完整保留原有镜头轨迹与物理动态。局部微调的确定性显著优于全量重洗，剪辑师不再需要拿成片率碰运气。
这种多轮交互还支持局部元素置换。保持角色奔跑姿态时，可单独替换其手中的饮料罐或鞋子。多轮修改的开销远低于重渲，为素材版本裂变提供了技术支点。
多模态锚点压制角色与商品漂移
商业视觉要求实体高度一致。模型支持角色、商品与风格参考图，以及最长 3 秒的动作参考片段。官方强调，人物面容、服装纹理、包装排版与品牌色系在编辑中均可保持连贯。
图：电商试穿演示的封面帧，一张模特照加三套服装正反面参考图，生成 15 秒连续试穿序列。来源：Google 官方博客。
在电商试穿演示中，一张模特照搭配三套服装正反视图，能输出连贯换装序列。多说话人口型同步技术的接入，让解说对白与唇形精准咬合。视觉锚点与音频提示形成双重约束，阻断了生成扩散中的特征发散。
音频条件控制在 Google Vids 与企业套件中同步落地。多角色对白支持语音条件输入，唇形与语音对齐。这种音画协同机制，让短片无需后期重新配音即可直接送审。
图：FPV 无人机穿行长镜头的封面帧，展示运镜连贯与跳切减少效果。来源：Google 官方博客。
运镜控制同样有明确约束。系统支持 FPV 穿梭、拉远与环绕运镜，减少非预期跳切。动作参考片段为复杂运镜划定基准，避免高速运动中背景发生几何形变。
两阶段上采样重构管线成本
商业管线始终面临画质与算力的博弈。Omni 1.2 Flash 推荐采用分级验证流程。团队先以 360p 或 720p 生成动态草稿，确认构图无误后再上采样至 1080p 或 4K。
分级验证显著压缩了前期试错开销。低分辨率草稿输出更快，单位成本更低，团队可以在这一阶段对叙事节奏、分镜构图和对白做高频校准。
高分辨率上采样仅在交付前执行一次。构图验证与高分辨率渲染解耦，大幅降低了无效算力消耗。 中小制作团队也能以可控成本，跑通高质量商业短片。
上采样模块在放大分辨率时，会补充一致纹理细节。这种分工避开了端到端 4K 扩散的算力负担。制作周期从按天计算压缩到按小时交付，生产管线周转效率大幅提升。
从一次性成片走向可迭代资产库
分发矩阵体现了平台化意图。Flow 面向 Google 账号和 Workspace 用户提供免费 15 秒试用。Ultra 订阅者在应用内调用，企业用户则在 Vertex AI 和 Google Ads 部署。多层级入口让不同规模的创作者，都能接入同一底层模型。
技术方案依然存在清晰边界。面对复杂手部动作与密集物理交互，高速运动下偶有轻微穿模。专业管线在落地时仍需人工把关，防止局部瑕疵流入交付成片。
AI 视频进入生产环境的分水岭，在于修改的边际成本。15 秒高清素材压至每秒 0.07 美元，并支持全段自然语言持续演进。修改成本一旦低于重跑，内容生成便摆脱了不可控的随机状态。视频生成系统正式走出抽卡时代，成为可复用的生产资产库。
参考链接：
- Google 官方博客：Gemini Omni 1.2 Flash 正式商用
- Google DeepMind 模型卡：Gemini Omni 1.2 Flash
