Gemini Omni 1.2 Flash：谷歌面向企业级视频生成市场的主力模型

1. Gemini Omni 1.2 Flash是什么

Gemini Omni 1.2 Flash 是谷歌 DeepMind 推出的视频生成模型，现已全面正式商用。该模型单次可生成最长 15 秒的视频，支持 3 至 15 秒间逐秒指定时长，并具备对话式多轮编辑、参考图角色一致性保持、首尾帧插值以及原生同步音频等能力。定价方面，720p 分辨率下每秒生成成本为 0.07 美元，较上一代降低 30%。模型已接入 Gemini API、Vids、Gemini App 和 Google Ads 等渠道，核心目标场景为电商素材与广告短片的批量生产。

技术定位与领域： 属于生成式人工智能领域的视频生成（Video Generation）方向，与文本生成、图像生成共同构成多模态内容生成的技术版图。Gemini Omni 1.2 Flash 的独特定位在于将对话式编辑能力与视频生成深度整合，使视频创作从"单次生成"走向"迭代式创作"，这在当前视频生成模型中属于差异化能力。

研发背景： 由谷歌 DeepMind 团队开发，基于 Gemini 系列大模型的技术积累延伸至视频模态。谷歌在 2024 至 2025 年间密集迭代视频生成模型，从 Veo 系列到 Gemini Omni 系列，逐步将视频生成能力整合进统一的 Gemini 生态。此次推出的 1.2 Flash 版本，主打"降本"与"编辑效率"两个方向，反映出谷歌对视频生成商业化路径的明确规划。

核心价值： 解决了视频生成从"可用"到"好用"的关键问题。一方面，通过逐秒指定时长和对话式多轮编辑，将视频修改成本从"整段重做"压缩为"定点修改"；另一方面，通过多模态参考约束（角色图、产品图、动作片段、音频线索），有效缓解了视频生成中常见的身份漂移和风格不一致问题。此外，按秒计费的 token 计价模式和低清草稿工作流，为批量生产场景提供了可控的成本结构。

技术特点： 核心技术优势体现在三个方面：一是参考条件注入与时空注意力机制，实现跨镜头身份保持；二是音视频同 pass 生成，对白唇形同步精度显著提升；三是对话式编辑的状态保持机制，将多轮修改建模为条件再生成过程，而非从头生成。

2. 主要功能

• 15 秒原生生成： 单次生成最长 15 秒的视频，时长可在 3 至 15 秒间逐秒指定。这一时长覆盖了一条完整社交广告或产品讲解的体量，且逐秒控制能力让创作者可以根据投放位需求精确裁剪，避免生成后二次剪辑带来的画质损失。

• 对话式多轮编辑： 对同一段视频逐轮换背景、调光线、改画幅，无需重新生成。该功能将编辑指令作为新的上下文输入同一生成会话，模型在保留原有表演、光影与构图的基础上，仅重建被指定的元素。这大幅降低了视频修改的时间成本，使 A/B 测试和版本迭代变得高效。

• 多模态参考遵循： 组合角色图、产品图、动作片段与音频线索作为生成条件，跨镜头保持人脸、服装、包装字体和品牌色的一致性。参考条件被编码为条件信息，与文本提示共同约束生成过程，空间注意力负责单帧构图细节，时间注意力负责跨帧的身份与运动连续性。

• 首尾帧插值： 在首末画面之间自动生成连续镜头，物体与环境逐帧不漂移。该功能适用于需要精确控制起止画面的场景，如产品旋转展示、场景过渡等，能够确保生成过程中的几何一致性和运动合理性。

• 原生同步音频： 对白唇形同步精度更高，多角色场景可将不同采样声音路由到对应人物。音频与画面在同一次前向生成中输出，模型依据画面内容推理对白、音效与环境声。1.2 版本新增的多说话人条件，能够将采样声音分配给特定角色并驱动唇形同步。

• 电影化运镜： FPV 穿越、环绕、急拉远等复杂镜头运动的跳切现象显著减少。模型在时间维度上的注意力机制对镜头运动轨迹有更强的约束能力，生成的运镜更接近专业摄影设备的运动规律，减少了 AI 视频常见的"镜头跳跃感"。

• 分级降本工作流： 支持先以 360p 或 720p 分辨率生成草稿，仅对不满意片段进行修改，确认效果后再升级至 1080p 或 4K。该工作流将成本与画质解耦，在不牺牲最终输出质量的前提下，显著压缩了探索阶段的生成开支。

• 企业级配套： 输出内容携带 SynthID 隐形水印，支持 Provisioned Throughput 预留吞吐，满足企业对内容溯源和算力保障的需求。这一配套使模型能够进入对合规性和稳定性有严格要求的商业化生产环境。

3. 应用场景

• 电商素材批量生产： 商家上传产品参考图后，通过对话式指令生成多版不同背景、光线和画幅的 15 秒短片，直接适配不同投放位（如信息流、详情页、直播间引流）。多轮编辑能力使同一产品素材可以快速衍生出数十个变体，大幅缩短素材生产周期。

• 广告变体投放与 A/B 测试： 以一条母片为基础，按受众群体和投放渠道批量衍生版本。每轮修改只需用自然语言描述变化需求（如"换成夜景""改为竖屏""强调产品包装"），模型在保留核心内容的前提下完成局部重建，使 A/B 测试的素材准备成本降低一个量级。

• 虚拟试衣与产品演示： 利用参考图锁定模特身份与服装细节，生成 360 度转身和搭配序列。Whering 已将模型用于实时试穿功能，用户可以看到不同服装在同一模特身上的动态效果，为时尚电商提供了接近线下的体验。

• 社交短视频创作： 普通谷歌账号可在 Vids 中免费生成 15 秒片段，个人创作者无需付费即可低成本产出视频。对话式编辑降低了视频创作的技术门槛，非专业人士也能通过自然语言完成复杂的视频调整。

• 影视预演与 VFX 粗剪： 影视团队先用低清草稿确认复杂运镜和镜头语言，满意后升 4K 交付。Monks 已将模型接入视觉特效管线，用于前期预演和特效镜头的快速验证，减少了传统预演流程中的人力与时间投入。

4. 如何使用

1. 选择使用入口： 开发者可通过 Google AI Studio 免代码试用，企业用户通过 Google Cloud Console 接入，普通用户则使用 Flow、Vids 或 Gemini App 等消费级产品。不同入口面向不同用户群体，功能权限和计费方式有所差异。

2. 开通权限： API 和 AI Studio 的使用需要绑定付费账号，Gemini App 中的 15 秒生成功能目前仅限 AI Ultra 订阅者使用。建议开发者在正式接入前确认账号的计费状态和配额限制，避免调用中断。

3. 编写提示词： 输入画面描述文本，需要保持角色或产品一致性时，上传参考图以及最长 3 秒的动作或音频片段。提示词应包含主体、动作、环境、光线、镜头运动等要素，参考素材的清晰度直接影响生成效果。

4. 设置时长与规格： 在 3 至 15 秒之间逐秒指定视频时长，初期建议选择 360p 或 720p 分辨率以控制成本。生成成本按秒计费，草稿阶段的低分辨率选择可节省大量预算。

5. 生成并检查草稿： 先查看低清草稿的整体效果，确认构图、动作和运镜是否符合预期。输出默认携带 SynthID 水印，用于内容溯源和真实性验证。

6. 对话式修改： 对不满意之处用自然语言逐轮调整，如更换背景、调整光线、改变天气或画幅。每轮修改仅重建被指定的元素，其余画面内容保持不变。

7. 升档导出： 确认草稿效果后，将分辨率提升至 1080p 或 4K，按最终输出分辨率和秒数计费。升档后的视频画质与直接生成高分辨率相当，但探索阶段的成本已通过草稿流程压缩。

8. 集成上线： 开发者通过 Gemini API 将视频生成能力接入自有工作流，结合 Provisioned Throughput 预留吞吐保障生产环境的稳定性。建议在集成前完成提示词模板和参考素材的标准化，以提升批量生成的效率。

5. 优缺点分析

6. 同类工具对比

选型建议： 对于需要批量生产广告素材和电商视频的企业用户，Gemini Omni 1.2 Flash 的对话式编辑与分级降本工作流具备明确优势，尤其是已深度使用谷歌生态（Google Ads、Vids）的团队，接入成本更低。若项目对单镜头时长和参考输入数量有更高要求，如影视级长镜头预演或复杂多角色场景，Seedance 2.5 的 30 秒生成和 50 个多模态参考输入更具吸引力，但需接受约三倍的 API 单价。

对于国内团队或需要本地化服务的创作者，可灵 AI 在分发渠道和中文提示词理解上有天然优势，且价格介于两者之间。整体来看，三款模型在技术指标上各有侧重，选择应基于具体场景的时长需求、预算约束和生态偏好综合判断。

7. 编辑总结

Gemini Omni 1.2 Flash 的发布，标志着视频生成模型从"单次生成工具"向"迭代式创作平台"的转变。其核心技术价值在于将对话式编辑与视频生成深度融合，通过状态保持机制实现局部修改而非整段重做，这一能力直击视频生成商业化的核心痛点——修改成本过高。从技术实现角度看，参考条件注入与时空注意力的结合有效缓解了身份漂移问题，音视频同 pass 生成则解决了唇形同步这一长期难点，这两项突破对视频生成的实际可用性提升显著。

在实用价值层面，720p 每秒 0.07 美元的定价配合分级降本工作流，为电商和广告行业的批量素材生产提供了可控的成本结构。按秒计费的 token 计价模式将成本与画质解耦，使企业可以在探索阶段使用低清草稿、在交付阶段升级高清，这种成本控制思路值得行业借鉴。同时，SynthID 隐形水印和 Provisioned Throughput 预留吞吐的配套，体现了谷歌对企业级合规和稳定性需求的重视。

适用人群方面，该模型最适合电商运营团队、广告投放人员、社交媒体内容创作者以及影视预演团队。对于个人创作者，Vids 中的免费生成额度提供了低成本体验入口；对于企业用户，API 和预留吞吐则保障了生产环境的可靠性。需要指出的是，闭源生态和谷歌全家桶分发策略限制了模型的灵活性，团队在选择时需要评估供应商绑定的风险。

从发展潜力看，对话式编辑与视频生成的结合代表了该领域的重要演进方向。随着多模态参考能力的持续增强和成本的进一步下降，视频生成有望从辅助工具逐步走向主流内容生产流程。谷歌在 Gemini 生态中整合视频能力的路径，也为行业提供了模型能力平台化的参考范式。

8. 常见问题FAQ

Q：Gemini Omni 1.2 Flash 与 Veo 系列是什么关系？
A：Gemini Omni 1.2 Flash 是谷歌 DeepMind 在视频生成领域的商业化主力模型，与 Veo 系列同属谷歌的视频生成技术体系。1.2 Flash 版本更侧重于成本控制和编辑效率，面向电商素材和广告短片的批量生产场景，而 Veo 系列在部分技术指标上定位更高。

Q：免费用户能否使用 Gemini Omni 1.2 Flash？
A：普通谷歌账号可以在 Vids 中免费生成 15 秒视频片段，但功能可能受限。API 和 AI Studio 的使用需要绑定付费账号，Gemini App 中的 15 秒生成功能目前仅限 AI Ultra 订阅者使用。

Q：对话式多轮编辑与重新生成有何本质区别？
A：对话式多轮编辑将每轮修改指令作为新上下文输入同一生成会话，模型在保留原有表演、光影与构图的基础上，仅重建被指定的元素。而重新生成是从头开始，无法保留已有内容。编辑方式在成本、时间和一致性上均有明显优势。

Q：如何确保生成视频中的角色和产品保持一致性？
A：上传清晰的参考图（角色图或产品图），并可附加最长 3 秒的动作片段或音频线索。模型通过参考条件注入与时空注意力机制，在生成过程中约束人脸、服装、包装字体和品牌色的跨镜头一致性。

Q：按秒计费的具体规则是什么？
A：生成成本按视频的最终输出分辨率和秒数计算。720p 分辨率下每秒 0.07 美元，1080p 和 4K 的单价更高。建议先用 360p 或 720p 生成草稿，确认效果后再升档，以控制探索阶段的成本。

Q：生成的视频是否带有水印？
A：输出默认携带 SynthID 隐形水印，用于内容溯源和真实性验证。这是谷歌在企业级合规方面的配套措施，不影响视频的正常使用和传播。

9. 项目地址

• 项目官网：https://blog.google/innovation-and-ai/technology/developers-tools/introducing-gemini-omni-1-2-flash/ （官方发布公告）
• Google Cloud Console（企业接入）：https://console.cloud.google.com/
• Google AI Studio（免代码试用）：https://aistudio.google.com/
• Gemini App：https://gemini.google.com/
• Gemini API 文档：https://ai.google.dev/gemini-api/docs