谷歌推Gemini Omni 1.2 Flash：15秒视频可对话编辑，价格降30%

Gemini Omni 1.2 Flash

北京时间11月6日，谷歌在周四正式发布视频生成模型Gemini Omni 1.2 Flash。新模型原生支持15秒视频生成，能通过多轮对话完成编辑，价格比上一代便宜30%。

按照谷歌的说法，Gemini Omni 1.2 Flash正陆续登陆Gemini API、Google AI Studio、Google Cloud Console、Flow、Google Vids、面向Google AI Ultra订阅用户的Gemini应用以及Google Ads。每段生成的视频都嵌入了人眼难以察觉的SynthID水印，用来标明来源。

生成的视频片段时长现在可以设为3至15秒，上一代最长只有10秒。720p视频的生成价格下调30%，降到每秒0.07美元。已经生成的视频，用户还能靠持续对话来修改。

谷歌把其中一项功能叫作“对话式编辑”(Conversational Editing)，这是该模型比较突出的能力。用户不必重新生成整段视频，通过多轮对话就能一步步调整背景、光线或画面比例。谷歌称，完整的15秒视频同样可以这样编辑。

配合分层工作流，这项功能还有望压低生成成本：先用360p或720p分辨率出初稿，再靠后续编辑修补个别细节，最后只对成片做升频，把分辨率提到1080p或4K。

谷歌还提到，模型在听从参考素材方面进步明显。用户能提供人物形象图、产品照片、最长3秒的短视频片段和音频提示；拍摄角度变了，人物面部、服装、产品包装上的文字以及品牌配色也都能保持统一。

遵循素材能力显著提升

谷歌举了一个虚拟试穿的例子：只给一张模特照片和三套服装的产品图，模型就能生成一段15秒、带360度转身的连续画面，模特的identity以及每件服装的剪裁和垂坠感都保持不变。

整体视觉一致性同样有进步。谷歌表示，画面运动和镜头切换过程中，新模型出现的视觉偏移和形变比上一代更少。

另外，Gemini Omni 1.2 Flash生成的对话语音更流畅自然，口型与语音对得更准，还能分辨多个不同的说话者。

面对复杂、连续的镜头运动，例如FPV无人机飞行镜头或视觉冲击力很强的快速拉远镜头，该模型的处理能力也更强，不必要的跳切大幅减少。