Google DeepMind 于2026年11月5日宣布推出 Gemini Omni 1.2 Flash，这是其视频生成模型的升级版本，引入了原生15秒视频创作、更强的参考保持能力和多轮对话式编辑功能。该公司还将模型价格相较 Gemini Omni 1.1 下调30%，720p 视频成本降至每秒0.07美元。

该模型即日起在 Gemini API 和 Google Cloud 上全面可用，可满足生产需求，同时也可通过 Gemini for business 使用。据 Google DeepMind 产品经理 Anish Nangia 的公告，此次更新在降低成本的同时为专业项目提供了更好的一致性，这些能力可通过 Gemini API、Google Vids 和 Gemini for business 使用，以大规模产出高质量视频内容。

本次发布的主要变化包括：

• 原生支持15秒视频创作，较 Gemini Omni 1.1 的10秒有所提升
• 多轮对话式编辑，可更快进行调整而无需从头开始
• 对角色、产品和风格的参考保持能力得到改善
• 价格下调30%，720p 视频降至每秒0.07美元
• 在 Gemini API 和 Google Cloud 上全面可用

大规模应用下更快、更省成本

除了每秒价格的降低，Google 表示整个工作流的设计也有助于控制成本：用户可以在360p或720p分辨率下快速生成草稿，通过后续编辑修正细节而不必重新生成整个片段，然后将最满意的作品放大至1080p或4K。该公司将更低的价格与“先编辑”工作流的结合定位为以更低总成本产出高质量视频内容的方式。对于需要预算输出的团队，这些数字可以直接换算：下调30%意味着 Gemini Omni 1.1 的价格为每秒0.10美元，即1.1版本下最长10秒片段的成本为1.00美元，而1.2版本15秒的上限现在成本为1.05美元——在封顶时长下多获得50%的时长，仅多支出5%。由于计费按输出时长计算，通过后续编辑对现有片段进行微调而非重新生成，是 Google 指出的控制总制作成本的另一途径。

更长的片段，最长可达15秒

Gemini Omni 1.2 Flash 可以原生生成和编辑最长15秒的视频，较 Omni 1.1 的10秒上限有所提升。时长可以按3到15秒以一秒为增量进行指定，Google 表示这为用户提供了空间，可以在单次生成中讲述完整故事、制作产品讲解视频或完整的社交媒体广告片段。

更强的参考保持能力

用户可以通过组合角色、产品或风格图片、最长三秒的短动作片段以及音频提示来引导生成。据 Google 称，Omni 1.2 Flash 从头到尾都能保持这些细节：面部、服装、包装字体和品牌色彩在不同镜头角度下保持一致。该公司表示，这使得将现有产品摄影或角色设定图转化为虚拟试穿片段、目录旋转展示和品牌视频广告变得更加容易。

在博文中描述的一个示例中，将一张模特照片与三套服装的正反面产品照相结合，模型可以生成一段跨360度转身和匹配剪辑的15秒虚拟试穿序列，同时保持模特的身份特征以及每件服装的剪裁、垂坠感和背面细节的一致性。

更加一致的结果

Google 表示，该模型在首帧到末帧之间保持了更强的角色、物体和场景一致性，在动作和镜头转换中的视觉漂移或形变更少。无论是在首尾关键帧之间进行插值，还是延伸片段以构建更长的序列，产品、角色、道具和环境都能在镜头之间保持一致。

该公司通过基于同一张静态影棚布光展览海报和五层动画提示的对比展示了差异。据博文所述，Gemini Omni 1.1 Flash 对参考图像的还原程度不及1.2版本。Gemini Omni 1.2 Flash 在灰粉色环形背景上逐层依次构建海报，升起六边形基座，组装出拼出 HALO、GLOW 和 LUMEN 字样的罗纹玻璃、暖色灯丝、多面水晶和螺旋绳灯泡字母造型，并将每一种材质、阴影和排版细节一致地锁定至最后一帧。

对话式编辑更轻松

用户可以对同一片段逐轮进行精细化调整——例如更换产品或背景、改变光照或天气，或切换画幅比例——而无需从头重新开始。多轮对话式编辑适用于完整的15秒片段，Google 表示这使得针对不同受众和投放渠道制作广告变体变得轻松，无需重新撰写需求或重新生成。

在公告引用的一次演示中，从一个已生成的片段开始，一系列对话提示逐轮更换背景——从条纹凉亭帐篷到橡树林、有白马的马厩、集市集市，再到石砌城堡——同时保持两个角色的表演、盔甲反射和镜头取景完好无损。

更自然的语音

据 Google 称，该模型生成的场景具备更流畅、更自然的对话、更清晰的口型同步以及更鲜明的多说话人条件控制。该公司表示，无论用户是在 Flow 中指导多角色对话、在 Gemini for business 中制作视频讲解，还是在 Google Vids 中利用数字人、音乐和旁白制作精致的专业视频，都能体验到这些改进。

在一个示例中，基于一张温室场景图像以及四个角色、嘴部和一秒语音参考，Gemini Omni 1.2 Flash 在一段15秒的动画场景中，将每个采样的语音路由到正确的角色，并呈现出富有表现力的口型同步和自然的喜剧节奏。

更可控、更具电影感的画面

Google 表示，用户可以指导复杂、连续的镜头运动——从大范围 FPV 穿越飞行到戏剧性的拉远和环绕—— unwanted 跳切显著减少，比例更稳定，画面更具电影质感。

在一个展示示例中，在两张建筑参考照片的引导下，模型指导了一段连续的 FPV 无人机飞行，穿越广场、穿过青铜大门，并沿万神殿的藻井穹顶上升至中央圆孔，全程零跳切。

更长片段带来更流畅的运动与更紧密的一致性

Gemini Omni 1.2 Flash 可生成最长15秒的片段，对参考的保持能力比以往更强。Google 表示，角色、文字和镜头运动在更长的镜头、多轮转换以及无剪辑过渡中保持一致，并重点展示了以下演示：

• 15秒长片段： 将单个风格帧转化为一个四镜头、15秒的微距科学讲解视频，标注文字拼写准确并带有运动跟踪。
• 多轮动作迁移： 模型在第一轮生成一只波动的章鱼，然后在第二轮将其替换为一位舞者，其长裙精确复现了相同的流体运动。
• 首尾帧一致性（1.1 对比 1.2）： 在1.2 Flash 中，模型通过一次连续的镜头推进将室外起始帧与室内结束帧连接起来。Google 指出仍存在一些细微差异，例如屋顶上的猫以及汤勺变成筷子等变化。
• 不间断的急速拉远： 摄像机在单个10秒镜头中从紧贴海岸线的特写连续拉远至岛屿的航拍全景，比例自然且零剪辑。

实际应用与企业级可用性

据 Google 称，企业、初创公司和创作者已经在他们的工作流中使用 Gemini Omni 1.2 Flash。Gemini Omni 首次全面可用，背后有 Google Cloud 企业级基础设施和安全的支持。Provisioned Throughput——Google Cloud 为持续工作负载保障承诺模型容量的选项——现已可用，且输出内容带有不可察觉的 SynthID 水印，这是 Google DeepMind 用于标识 AI 生成内容的技术。

上手使用

Google 表示，开发工作仍在继续，以进一步改进快速体育动作、快速脚本变更和复杂物理效果等领域——这是该公司自己对尚需改进之处的评估，也为团队在将模型应用于严苛生产场景时提供了具体参考。该公司将 Gemini Omni 1.2 Flash 定位为非常适合需要大规模产出视频的企业、开发者和创作者，可用范围正逐步覆盖 Google 的产品和开发者平台：

• 使用 Gemini API 的开发者可以在 Google AI Studio 中进行原型开发，探索交互式入门应用，并查阅开发者文档和定价。
• 企业用户可以在 Google Cloud 控制台中试用该模型，并使用 API 构建企业级解决方案。
• Google 应用用户可以在 Flow 中指导场景和多轮编辑，使用 Google 账号或 Google Workspace 订阅在 Google Vids 中免费生成15秒片段，在 Gemini 应用中创建15秒视频（正逐步向 Google AI Ultra 订阅用户推出），并在 Google Ads 中扩展视频广告活动。

完整公告可在 Google DeepMind 博客上查阅：Gemini Omni 1.2 Flash: Fast and cost-effective with longer clips。