AI 资讯速递 (2026/11/6)： 谷歌推出最新视频生成模型 Gemini Omni 1.2 Flash

资讯详情

谷歌于 11 月 6 日发布 Gemini Omni 1.2 Flash 视频生成模型，并同步开放 API 接口。该模型延续了 Gemini 系列在多模态处理上的优势，在视频生成速度与成本控制方面实现突破性优化。

• 【多轮对话式编辑】：支持通过自然语言指令进行迭代修改（如调整镜头角度/添加特效），系统可解析连续上下文指令并保留前序编辑状态。
• 【首末帧强一致性】：采用改进的时空对齐算法（Temporal-Spatial Alignment v3），确保视频起始与结束画面在语义连贯性和视觉风格上保持统一。
• 【成本结构重构】：720p 分辨率视频每秒生成费用降至 0.07 美元（较 1.1 版本下降 30%），支持按需付费模式与批量处理折扣机制。

---

AI-ALL 深度点评

Gemini Omni 1.2 Flash 的发布标志着 AI 视频生成进入工业化生产阶段。其 多轮对话式编辑 功能将显著降低交互成本，在广告制作与游戏开发场景中形成差异化竞争力。首末帧强一致性 的实现解决了长序列生成中的语义漂移问题，为影视后期提供可信赖的技术底座。

值得注意的是该模型对 音频引导 的强化处理——通过声纹特征提取与口型运动建模的耦合训练（Speech-Visual Coupling Module），使虚拟主播与数字人开发门槛进一步降低。而每秒 0.07 美元的价格策略或将冲击现有视频创作工具链（如 Runway Gen-3 / Pika v4），尤其在短视频内容生产领域形成价格优势。

开源社区已开始关注其 API 的可组合性设计（Modular API Architecture），开发者可通过拼接文本/图像/音频模块构建复杂工作流（Agentic Workflow）。但需警惕云端部署模式对本地化推理场景的覆盖不足问题——当前版本仅支持 Google Cloud Platform 部署架构。