Gemini Omni 1.2 Flash是什么
Gemini Omni 1.2 Flash 是谷歌 DeepMind 推出的视频生成模型，已全面正式商用。Gemini Omni 1.2 Flash 能单次生成 15 秒视频，支持逐秒指定时长、对话式多轮修改和参考图保持角色一致；720p 每秒 0.07 美元，较上一代降价 30%。目前已接入 Gemini API、Vids、Gemini App 和 Google Ads，主打电商素材与广告短片的批量生产。
Gemini Omni 1.2 Flash的主要功能
15 秒原生生成：单次生成最长 15 秒视频，时长可在 3 到 15 秒间逐秒指定。
对话式多轮编辑：对同一段视频逐轮换背景、调光线、改画幅，无需重新生成。
多模态参考遵循：组合角色图、产品图、动作片段与音频线索，跨镜头保持人脸、服装、包装字体和品牌色一致。
首尾帧插值：首末画面之间自动生成连续镜头，物体与环境逐帧不漂移。
原生同步音频：对白唇形更准，多角色场景能把不同采样声音路由到对应人物。
电影化运镜：FPV 穿越、环绕、急拉远等复杂镜头跳切显著减少。
分级降本工作流：先用 360p/720p 出草稿、只改不满意处，满意后再升 1080p 或 4K。
企业级配套：输出带 SynthID 隐形水印，支持 Provisioned Throughput 预留吞吐。
Gemini Omni 1.2 Flash的技术原理
参考条件注入与时空注意力：参考图片、动作片段、音频线索被编码为条件信息，与文本提示共同约束生成；空间注意力负责单帧构图细节，时间注意力负责跨帧的身份与运动连续性，是角色在多镜头间不漂移的机制基础。
对话式编辑的状态保持：每轮编辑指令作为新上下文进入同一生成会话，模型在既有视频条件下只重建被指定的元素，保留其余画面的表演、光影与构图，本质是把编辑建模为条件再生成。
音视频同 pass 生成：音频不与视频在同一次前向生成中与画面一起输出，模型依据画面内容推理对白、音效与环境声；1.2 新增多说话人条件，将采样声音分配给对应角色并驱动唇形同步。
工程化降本：低清草稿与 4K 升档共用同一模型的不同输出档位，配合按秒计费的 token 计价，把成本与画质解耦。
如何使用Gemini Omni 1.2 Flash
选入口：开发者打开 Google AI Studio免代码试用，企业用户走 Google Cloud Console，普通用户用 Flow、Vids 或 Gemini App。
开通权限：API 和 AI Studio 使用需绑定付费账号，Gemini App 的 15 秒生成目前限 AI Ultra 订阅者。
写提示词：输入画面描述，需要保持一致性时上传参考图和最长 3 秒的动作或音频片段。
设时长与规格：在 3 到 15 秒间逐秒指定时长，选择 360p 或 720p 分辨率起步以控制成本。
生成并检查：先看低清草稿效果，输出默认带 SynthID 水印。
对话式修改：用自然语言逐轮调整背景、光线、天气或画幅，不必整段重做。
升档导出：确认无误后提升到 1080p 或 4K，按最终输出分辨率和秒数计费。
集成上线：开发者通过 Gemini API接入自有工作流。
Gemini Omni 1.2 Flash的核心优势
时长够用：单次原生生成 15 秒视频并支持逐秒指定，覆盖一条完整社交广告或产品讲解的体量。
成本更低：720p 每秒 0.07 美元、较上一代降价 30%，配合低清草稿加定点修改的工作流，进一步压缩生产开支。
改片高效：对话式多轮编辑覆盖整条 15 秒，换背景、调光线、改画幅都不用整段重来。
一致性强：参考图、动作片段、音频线索组合约束，人脸、服装、包装字体跨镜头不漂移。
镜头电影化：FPV 穿越、环绕、急拉远等复杂运镜跳切显著减少，成片更接近专业质感。
音画同步：音频随画面同 pass 生成，多角色场景能自动分配合适的声音并驱动唇形。
Gemini Omni 1.2 Flash的项目地址
- 项目官网：https://blog.google/innovation-and-ai/technology/developers-tools/introducing-gemini-omni-1-2-flash/
Gemini Omni 1.2 Flash的同类竞品对比
| 对比维度 | Gemini Omni 1.2 Flash | Seedance 2.5 |
|---|---|---|
| 单次生成时长 | 15 秒，3–15 秒逐秒指定 | 最长 30 秒，单镜头时长更长 |
| 最高分辨率 | 4K（升档） | 原生 4K |
| 参考输入 | 图片 + 最长 3 秒动作片段 + 音频线索 | 最多 50 个多模态参考输入 |
| 音频能力 | 音画同 pass 生成，多说话人声音路由 | 支持音效与对白生成 |
| API 单价（720p） | 每秒 0.07 美元 | 约 0.225 美元/秒，约为前者三倍 |
| 对话式编辑 | 多轮编辑不重做，官方主推工作流 | 以单次生成和首尾帧为主 |
| 开放程度 | 闭源，API + 谷歌全家桶分发 | 闭源，API + 即梦等国内渠道 |
| 分发渠道 | API、AI Studio、Flow、Vids、Gemini App、Google Ads | 火山引擎 API、即梦 AI |
| 核心定位 | 企业级批量素材生产，靠降本和编辑效率取胜 | 极限单镜头规格，靠时长和参考容量取胜 |
Gemini Omni 1.2 Flash的应用场景
电商素材批量生产：同一产品参考图对话式改出多版背景、光线和画幅的 15 秒短片，直接适配不同投放位。
广告变体投放：一条母片按受众和渠道批量衍生版本，多轮编辑替代重新生成，大幅降低 A/B 测试成本。
虚拟试衣与产品演示：参考图锁定模特身份与服装细节，生成 360 度转身和搭配序列，Whering 已将其用于实时试穿功能。
社交短视频创作：普通谷歌账号在 Vids 免费生成 15 秒片段，个人创作者无需付费即可低成本出片。
影视预演与 VFX 粗剪：用低清草稿确认复杂运镜和镜头语言，满意后升 4K 交付，Monks 已将模型接入视觉特效管线。
相关文章
