Gemini Omni 1.2 Flash上线：文生视频登顶，360p每秒0.07美元

Google DeepMind 刚刚推出新一代视频生成模型 Gemini Omni 1.2 Flash。

据 Arena.ai 评估，这款模型在文本生成视频和图像生成视频两个项目上都排在第 1，视频编辑排第 3。

文本生成视频这一项，Gemini Omni 1.2 Flash 拿到 1541 分，位列第 1。上一代 Gemini Omni 1.1 Flash 此前以 1514 分排在第 2，两代之间差了 27 分。

这次发布之后，文本生成视频的前 3 名全部被 Google 的 Omni 系列模型占据。

谷歌本次更新的重点如下：

文生视频的时长拉到 15 秒，可编辑的源片段最长也是 15 秒。

文生视频覆盖 3 秒到 15 秒，并且带原生音频。

源视频可编辑区间为 3 至 15 秒，参考图像最多支持 7 张。

每次调用能把片段延长 3 至 10 秒，最终最长可到 30 秒。

后续调用时，可以通过 videoId 对任意输出内容重新编辑。

分辨率支持 360p、720p、1080p 和 4K，画幅可选 16:9 或 9:16。

谷歌这次没有搞「排队申请」，而是直接在 Google AI Studio 与 Gemini API 全量上线。

开发人员、企业客户和普通创作者，进后台就能直接调用。

新版本带来原生 15 秒时长，售价比上一代降了 30%。谷歌还加进了多轮对话式微调、电影级稳定运镜，以及工业级的「草稿-精修」工作流。

AI 视频的「盲盒时代」，被谷歌亲手按下了终结键。

首创「草稿流」，每秒只要 0.07 美元

过去一年，AI 视频生成领域看着很热闹，可真正拿它干活的人，心里都憋着一肚子苦水：

抽卡成本高得离谱，改一次等于重抽一次，画面也没法量产。

Gemini Omni 1.2 Flash 的几乎每一项更新，都在冲着这些痛点去。

以前的做法是：提示词写好，直接硬着头皮渲染 1080p。出来一看，人物手指多了一根，或者主角视线偏了。

这一整段算力就算全部作废，钱还是得照付。

Gemini 新模型把这套计费逻辑整个掀翻了。

它的核心解法叫「低成本打样，按需升频」：

价格更低之外，这套流程还能帮着控成本：先用 360p 或 720p 快速出初稿，再靠后续编辑修细节，不必重新生成整段视频，最后把最满意的版本升到 1080p 或 4K。

可以先让模型出低清草稿：挑 360p 或 720p 档位快速出片，这一档每秒视频的生成开销压到 0.07 美元，折合约 5 毛钱人民币。跟上一代 Omni Flash 1.1 比，价格降了 30%。

草稿出来后，如果哪处细节不对，直接对着瑕疵打补丁就行，整段视频不必重新生成。等镜头运动、人物构图、节奏都达到预期，再把选中的最佳草稿一键放大渲染到 1080p 乃至 4K。

试错成本这块，玩法完全变了。以前做一条 15 秒的商业广告 Demo，来回试 20 次，上百美元可能就没了。如今前期创意的验证全放在 0.07 美元/秒的草稿层级上，总花费压到原来的三分之一甚至更低。

对广告创意公司、出海电商卖家和独立影视创作者而言，AI 视频这回才算第一次在经济上撑得起「大批量工业化试错」。

新模型的一个特性是原生支持多轮对话编辑（Multi-turn Conversational Editing）。创作者不用离开对话框，几轮交互就能衍生出多套广告变体，分别对准不同社交媒体的受众。改动不必推倒重来，生产力才算真被放开。

多模态参考能力（Reference Adherence）也做了强化。除了提示词，现在还能同时给模型喂进多重参考锚点。

包括人物面部肖像或角色三视图；商品白底图或包装设计稿；最长 3 秒的运动参考片段；以及音频线索或节奏点。

官方称，新模型专门加强了深度电影镜头控制：无人机从狭窄拱门穿入古建筑也好，贴着地面疾速掠过也罢，镜头都稳，透视严丝合缝。

理解三维空间关系的能力同样上了一个台阶，运动过程连贯自然，镜头运动更接近专业电影工业的质感。

多角色对话场景在新模型里也有重要提升：发音口型与音节严密对齐，唇部肌肉运动更逼真。同一个画面中多个角色轮流发言时，系统能精准区分发声主体，不会出现「角色 A 张嘴、发出角色 B 声音」的混乱。

拿它配合 Google Vids 做企业员工培训短片、讲解说明片，或者制作多角色对话动画，声音与画面的结合都更贴近真实拍摄。

实测交锋：首批「实测」呈现了什么？

新模型上线才几个小时，全球的开发者和视觉创作者就陆续放出一批实测 Demo，社交平台上的讨论也随之热了起来。

把全网的实测翻一遍，有几组对比挺能说明问题。

先看斗兽场 FPV 运镜，Omni 1.2 对 1.1。

DesignArena 拿同一个提示词分别跑了最近两个版本，镜头从外部快速俯冲，穿进罗马斗兽场内圈。

上一代 1.1 版本穿过立柱阴影时，画面闪烁明显，立柱也扭曲变形；1.2 Flash 整个穿梭过程一气呵成，石砖缝隙和光影交界处没有断裂，透视稳定度比前代全面占优。另一项测试是单提示词生成野生动物纪录片。

只给一条自然语言提示词，就能生成几乎以假乱真的野生动物纪录片。

网友直呼：

逼真度、动物动作和音效都让人觉得不可思议。

第三组是动作与角色一致性的压力测试。博主 masamune_sakaki 用 Gemini Omni 1.2 Flash 试着让《三角洲行动》里的角色德尔塔蒙跳舞：

他的评价是：跳起来，角色设计也能保持住。他还补了一句，如果成本合适，可以考虑拿来做长篇动画。

德尔塔蒙的跑酷视频他也试了，设计没有崩坏，背景表现同样厉害。

更难的一项要求每个角色都用完全不同的艺术风格，Gemini Omni 1.2 Flash 完成得极其出色：哥斯拉是定格动画风，金刚是写实 3D 风，蜘蛛侠是漫画风，皮卡丘是动漫风，还有另外几个角色，全都要在同一个场景里互动。

AI 视频的「工业革命」时刻

回头看 AI 视频这几年走过的路：第一阶段，大家拼的是「能不能动」，画面里的人能转下头、眨眨眼，就能引来全网围观。

第二阶段，大家拼的是「画质惊艳」，谁能用一段提示词生成出以假乱真的几秒高清镜头，谁就能刷屏科技圈。

今天 Gemini 新模型登场，正式把 AI 视频推到第三阶段：卷价格、卷交付、卷工作流适配。

参考资料：https://blog.google/innovation-and-ai/technology/developers-tools/introducing-gemini-omni-1-2-flash/