Gemini Omni 1.2 Flash：视频生成延长至 15 秒，并支持对话式修改

Google DeepMind2026年11月5日

Google 于 2026 年 11 月 5 日发布 Gemini Omni 1.2 Flash，面向 Gemini API 和 Gemini for business 开放。模型可生成和编辑最长 15 秒的视频，支持用后续对话修改同一片段；720p 输出价格较 Omni 1.1 Flash 下调 30%。

GoogleGemini Omni视频生成多模态模型

一分钟看懂

  1. Gemini Omni 1.2 Flash 把单段视频生成和编辑时长从上一版的 10 秒提高到 15 秒，并可按秒指定 3 至 15 秒时长。
  2. 它能根据参考图和短视频维持人物、服装、商品与场景细节，也可通过多轮对话替换背景、商品、光线或画幅。
  3. Google 将 720p 视频输出价格下调 30% 至每秒 0.07 美元，并建议先用低分辨率草稿验证镜头，再放大最终版本。

15 秒片段能容纳更多镜头

Gemini Omni 1.2 Flash 支持生成和编辑 3 至 15 秒的视频，时长可以按 1 秒递增设置。上一版 Omni 1.1 Flash 的单段上限是 10 秒，因此新版多出的 5 秒可以容纳更完整的一段动作或讲解。

Google 的蜂巢科普演示把 15 秒拆成四个镜头：先展示蜂巢六边形结构，再切到蜂王、蜂卵与幼虫，最后说明花蜜如何变成蜂蜜。提示词指定了四个镜头和硬切，模型据此让科学标注跟着画面出现并保持拼写清楚。这个案例展示了单次生成容纳多段内容的能力，也说明镜头安排需要在提示中讲明。

蜂巢科普演示：先展示参考图与提示词，再播放四镜头片段。观察镜头切换和文字标注随画面的变化。

镜头连续性和参考素材都更稳定

视频镜头移动或切换时，人物和物体容易变形、漂移，画面也可能突然跳到另一个位置。Google 表示，Omni 1.2 Flash 改善了角色、物体和场景从首帧到尾帧的一致性，并减少连续运镜中的意外跳切。

万神殿演示用两张建筑参考照片引导一个连续镜头：从广场穿过青铜大门，进入室内后沿穹顶向上飞到圆形采光孔。

万神殿连续运镜：从广场穿过大门，进入室内并朝向穹顶采光孔，观察镜头路径是否连续。

海岛演示则用约 10 秒从岸边人物快速拉远至整座岛屿。两段分别展示长距离连续运动和快速改变景别时，模型怎样延续前后画面。

海岛急拉远演示：从岸边人物近景拉远到岛屿全景。演示包含提示词，生成镜头约 10 秒。

参考素材也能约束生成结果。Google 展示了以一张模特照片和三套服装的正反面商品图生成 15 秒试穿片段：模特转身展示服装时，模型保留了人物外观、衣物剪裁、垂坠感和背面细节。

虚拟试衣演示：参考素材包含模特照片与服装正反面图，观察转身和换装时的人物外观与衣物细节。

另一组相同海报与五层动画提示的对照中，1.2 比 1.1 更贴近参考设计，逐步搭出玻璃、灯丝和字样，并让阴影与排版随动画保持一致。

同一海报与动画指令的版本对照：观察 Omni 1.1 与 1.2 如何依次搭出材质、字形和阴影。

参考素材还可以控制动作而非外观。章鱼动作迁移演示先生成章鱼摆动触手，再用舞者参考图替换主体；成片中的舞者裙摆延续了触手的运动节奏。

动作迁移演示：先生成章鱼，再以舞者替换主体，观察服饰摆动如何延续前一轮的动作。

拉面馆首尾帧演示则从门外推镜进入店内，展示了模型在连接起始图与结束图时对连续运镜和场景细节的处理。

首尾帧连接对照：两版模型从拉面馆门外推入店内，观察运镜衔接与过程中出现的细节变化。

同一段视频可以在对话里逐轮修改

生成后发现背景或商品需要调整时，Omni 1.2 Flash 可以沿用同一段视频继续编辑。用户在后续轮次提出修改要求，模型尽量保留原片中已经满意的表演、构图和镜头，再替换指定元素。

Google 的骑士演示从一段王后与骑士交谈的视频开始。后续指令依次把条纹帐篷换成橡树林、马厩、集市和城堡内廷；人物表演、镜头构图和盔甲反光大体保持。官方还列出更换商品、调整光线或天气、修改画幅等用途，面向不同渠道制作变体时可在已有片段上继续调整。

多轮背景编辑：同一人物片段依次换到树林、马厩、集市和城堡，观察背景变化时人物表演与构图的延续。

对开发者而言，这种多轮编辑是 Gemini API 的工作流之一；Google 也将它用于 Flow 等创作入口。实际能使用哪些编辑操作，仍取决于具体产品所开放的功能。

对白、口型和多角色声音同步改善

Omni 1.2 Flash 还改进了视频中的自然对白、口型同步和多角色声音区分。Google 的温室动画演示提供一张场景图、四个角色的外观参考，以及每个角色约 1 秒的声音样本；生成的 15 秒片段把不同声音分配给对应角色，并呈现与台词节奏相配的口型和停顿。

多角色对白演示：前半段展示参考素材，随后播放温室动画。请开启声音，听不同角色的声线，并观察说话时的口型和停顿。

这项能力适用于多角色动画、讲解视频和带旁白的内容。Google 提到可在 Flow 中设计多角色对白，也可在 Google Vids 制作带头像、音乐和旁白的视频；这些示例说明模型的声音生成和匹配能力，不代表各产品拥有相同的音频上传或后期编辑权限。

先低分辨率试镜头，再放大成片

Google 将 720p 视频输出价格较 Omni 1.1 Flash 下调 30%，公布的单价为每秒 0.07 美元。按这个输出单价估算，一条 10 秒视频约为 0.70 美元，15 秒约为 1.05 美元；这是视频输出部分的估算，提示词和参考素材等输入费用需另计。

官方建议把低成本草稿和最终成片分开处理：先用 360p 或 720p 检查镜头调度、主体移动和转场，再对选中的结果放大至 1080p 或 4K。这样可以避免在构图和节奏尚未确定时，反复生成高分辨率版本。Google 的发布说明列出 360p、720p、1080p 和 4K 等输出档位，但具体计费应以调用时适用的 API 价目为准。

API、Vids、Flow 等入口各有定位

开发者可以在 Google AI Studio 中试用模型，或通过 Gemini API 和 Google Cloud 构建应用；Google Cloud 还提供预置吞吐量。面向日常创作的入口包括 Flow、Google Vids 和 Gemini App，Google Ads 则面向广告素材工作流。

各入口的开放范围并不相同。发布时，Google 表示模型已通过 Gemini API 和 Gemini for business 提供；Google Vids 可以生成 15 秒片段，个人 Google 账号和符合条件的 Workspace 用户可使用，但用量受限。Gemini App 的 15 秒生成功能向 Google AI Ultra 订阅用户逐步开放，Flow 也在分批推送。选用时应按具体产品确认权限，而不能把 API 的能力直接视为所有入口都已提供。

Google Cloud 的发布资料还列出 Adobe Firefly、Monks、Whering、Figma Weave、STAN、Magnific 和 Resemble AI 等合作方或早期用户，涉及虚拟试穿、视频特效、广告和创作编辑工作流。这些是客户和合作方的使用反馈，可帮助理解应用方向；它们属于发布方提供的案例，不等同于独立性能评测。

语音修改与高速动作仍有边界

Google 将高速体育动作、快速改动脚本和复杂物理列为仍在持续改进的场景。长镜头和参考素材一致性有所增强，仍不意味着复杂动作或每一处细节都能一次生成到位。

模型卡还说明，生成视频中的人物语音修改能力目前受到限制，Google 正在研究如何以负责任的方式开放。生成内容会带有不可见的 SynthID 水印，用于识别 AI 生成来源。对制作团队来说，Omni 1.2 Flash 把更长片段、素材约束和多轮修改纳入同一模型工作流；最终成片仍需按任务检查动作、画面细节与声音，并预留必要的人工剪辑和后期环节。