Google DeepMind 发布 Gemini Omni 1.2 Flash 视频生成模型

新智元报道

刚刚，Google DeepMind发布了新一代视频生成模型：

Gemini Omni 1.2 Flash

。

据Arena.ai评估，Gemini Omni 1.2 Flash，在文本生成视频和图像生成视频中均排名第 1，在视频编辑中排名第 3。

Gemini Omni 1.2 Flash 以 1541 分在文本生成视频中排名第 1。相比此前以 1514 分排名第 2 的 Gemini Omni 1.1 Flash，提升了 27 分。

随着此次发布，Google 的 Omni 系列模型包揽了文本生成视频的前 3 名。

谷歌此次更新重点：

文生视频时长提升至 15 秒，并可编辑最长 15 秒的源片段。

文生视频时长从 3 秒到 15 秒，支持原生音频

可编辑 3 至 15 秒的源视频，最多支持 7 张参考图像

每次调用可将片段延长 3 至 10 秒，最长可达 30 秒

可通过 videoId 在后续调用中重新编辑任意输出内容

支持 360p、720p、1080p 和 4K，画幅为 16:9 或 9:16

这次，谷歌不玩「排队申请」，直接全量上线 Google AI Studio 与 Gemini API。

开发人员、企业客户和普通创作者，打开后台就能直接调用。

这次更新，它带来了原生 15 秒时长，但售价比上一代直降 30%。此外，这次谷歌还新增多轮对话式微调、电影级稳定运镜，以及工业级的「草稿-精修」全新工作流等功能。

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 视频生成领域看似热闹非凡，但凡是真正拿它干活的人，心里都装着一肚子苦水：

抽卡成本极高、修改等于重抽、画面无法量产

。

这次谷歌发布的 Gemini Omni 1.2 Flash，几乎每一项更新，都在精准击破这些痛点。

以往的工作流是：写好提示词，直接硬着头皮渲染 1080p。生成出来才发现，人物的手指多了一根，或者主角的视线看偏了。

这一整段算力，哪怕完全作废，你也得全额买单。

Gemini 新模型直接掀翻了这种计费逻辑。

它的核心解法，叫「低成本打样，按需升频」：

除了价格更低，这套工作流程也能帮你控制成本：你可以先用 360p 或 720p 快速生成初稿，再通过后续编辑修正细节，无需重新生成整段视频，最后将最满意的作品提升至 1080p 或 4K。

先出低清草稿

：你可以先选择以 360p 或 720p 格式快速出片。在这个模式下，每秒视频的生成成本压到了

0.07 美元

（约合人民币 5 毛钱）。相比上一代 Omni Flash 1.1，价格直接下调了 30%。

多轮局部调试

：在草稿阶段，你发现细节不对，直接针对瑕疵打补丁，不需要重新生成整段视频。

最终一键升频

：等到镜头运动、人物构图、节奏完全符合预期后，再将选中的最佳草稿一键放大渲染至

1080p 甚至 4K 分辨率

。

这套逻辑彻底改变了团队的试错成本。

过去做一条 15 秒的商业广告 Demo，反复试错 20 次，可能要花上百美元。

现在，所有前期创意验证全部压在 0.07 美元/秒的草稿层级，总成本被压缩至原本的三分之一甚至更低。

对于广告创意公司、出海电商卖家和个人影视创作者来说，这意味着 AI 视频第一次具备了「大批量工业化试错」的经济可行性。

Gemini 新模型带来了新特性：

原生支持多轮对话编辑（Multi-turn Conversational Editing）

。

这意味着创作者不需要离开对话框，就能在几轮交互内快速衍生出多套针对不同社交媒体受众的广告变体。

改动不用推倒重来，生产力才算真正解放。

Gemini 新模型强化了

多模态参考能力（Reference Adherence）

。

现在，你可以在提示词之外，同时向模型输入多重参考锚点：

人物面部肖像或角色三视图；

具体的商品白底图或包装设计稿；

最长

3 秒的运动参考片段

；

音频线索或节奏点。

据官方公布，新模型专门强化了

深度电影镜头控制

：

无论无人机从狭窄拱门穿入古建筑，还是贴着地面疾速掠过，镜头平稳，透视严丝合缝。

在理解三维空间关系上，也有了质的飞跃，运动过程连贯自然，镜头运动更具专业电影工业的质感。

在 Gemini 新模型中，多角色对话场景迎来了重要提升：

发音口型与音节严密对齐，唇部肌肉运动更加逼真。

这次更新

，

支持同一个画面中多个角色轮流发言，系统能够精准区分发声主体，不会出现「角色 A 张嘴、发出角色 B 声音」的混乱局面。

无论是结合 Google Vids 制作企业员工培训短片、讲解说明片，还是制作多角色对话动画，声音与画面的结合都更加贴近真实拍摄。

实测交锋：首批「实测」呈现了什么？

新模型发布后短短数小时内，全球开发者与视觉创作者已经产出了一批实测 Demo，并在社交平台上展开了激烈讨论。

梳理全网实测，几组代表性对比非常说明问题：

1. 斗兽场 FPV 运镜对比（Omni 1.2 vs 1.1）

DesignArena用同提示词对比了最近的两个版本，镜头从外部快速俯冲穿入罗马斗兽场内圈。

上一代 1.1 版本在穿过立柱阴影时，出现了明显的画面闪烁和立柱扭曲变形；而 1.2 Flash 整个穿梭过程一气呵成，石砖缝隙与光影交界没有出现任何断裂，透视稳定度全面超越前代。

2. 单提示词野生动物纪录片测试

仅用单条自然语言提示词，即可生成几乎以假乱真的野生动物纪录片

网友直呼：

逼真度、动物动作和音效简直不可思议。

3. 动作与角色一致性压力测试

博主 masamune_sakaki 用 Gemini Omni 1.2 Flash 马上试着让《三角洲行动》角色的德尔塔蒙跳舞：

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。

他也试试了德尔塔蒙的跑酷视频，不仅设计没有崩坏，背景也很厉害！

每个角色都得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

回顾 AI 视频过去几年的发展轨迹：

第一阶段，大家在拼

「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，大家在拼

「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。

而今天 Gemini 新模型的登场，正式宣告 AI 视频推到了第三阶段：

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/

编辑：大卫

秒追ASI

⭐

点赞、转发、在看一键三连

⭐

点亮星标，锁定新智元极速推送！