- 博客
- Gemini Omni 1.2 Flash 深度解析:15 秒仅需 1.05 美元,告别盲盒式重抽 | Fanch AI
Gemini Omni 1.2 Flash 深度解析:15 秒仅需 1.05 美元,告别盲盒式重抽 | Fanch AI

Gemini Omni 1.2 Flash 现已在 Gemini API 和 Gemini 企业版中正式全面商用(GA)。其吸睛的核心数据十分直观:原生 15 秒视频片段,以及 720p 分辨率下每秒仅需 0.07 美元,相较 Omni 1.1 大幅降价 30%。
这两项都是 Gemini Omni 1.2 Flash 货真价实的升级,但它们都不是最值得重点关注的核心。
Gemini Omni 1.2 Flash 最具颠覆性的意义在于:修改视频片段不再意味着从头全量重新生成。Gemini Omni 1.2 Flash 支持针对完整的 15 秒长片段进行多轮对话式编辑(Multi-turn conversational editing)——更换画面中的产品、调整光影布局、切换画幅比例,一切都以追加对话的方式即时完成。这使视频生成从过去反复赌运气的“重抽盲盒(Re-roll)”转变成了可持续迭代的“线稿细化”,它对试错成本的削减,远比每秒标价的降低更具颠覆性。
Gemini Omni 1.2 Flash 交付了哪些核心功能
原生 15 秒生成能力:Gemini Omni 1.2 Flash 将单次生成上限从 Omni 1.1 的 10 秒提升至 15 秒,并支持在 3 到 15 秒之间以 1 秒为递增单位自由设定时长。
全长多轮对话式编辑:支持覆盖 Gemini Omni 1.2 Flash 完整 15 秒片段的多轮精细调整。
更强大的多模态参考图遵循度:Gemini Omni 1.2 Flash 支持同时融合角色图、产品图、风格图、最长 3 秒的动态视频参考以及音频提示。Google 特别声明,在复杂的机位运镜变换中,人物面孔、服装细节、包装排版字体以及品牌标准色均能保持高度一致。
更纯净的多角色多发音人对话:具备独立的音色条件控制(Voice conditioning),确保采样的每种声音都能精准绑定至对应的画面角色,并提供更清晰的唇形同步(Lip-sync)。
更精准的运镜控制:实现第一人称视角穿越(FPV flythrough)、平滑拉远(Zoom-out)和环绕运镜(Orbit)等连续运动,显著减少了不受控的异常跳切(Jump cuts)。
企业级就绪:Gemini Omni 1.2 Flash 首次在 Google Cloud 企业级基础设施上全面开放,配备**预配吞吐量(Provisioned Throughput)**保障,并在输出成品中嵌入了肉眼不可见的 SynthID 数字水印。
价格确实诱人,但成本模型的重塑更具价值
仔细研读 Google 官方对该工作流的推荐描述,其中蕴含着更深层的生产力变革:
先以 360p 或 720p 快速打样,通过追加编辑指令修正局部细节,而无需重新生成整个片段,最后将最佳成品高清放大(Upscale)至 1080p 或 4K。
这是一个标准的三阶段流水线,每个阶段都在击破传统制片中的一种浪费。
极低成本打样:360p 分辨率的存在,是为了让你把宝贵的尝试成本消耗在构图和创意探索上,而非浪费在像素渲染上。
局部编辑代替推倒重来:这是最大的杀手锏。在旧模型下,哪怕画面中只有一处细节出错,也意味着必须全额付费重新生成整个片段,而且重新抽卡还有极大几率毁掉原本完美的其他部分。在 Gemini Omni 1.2 Flash 中,你只需修正那处瑕疵,同时完整保留其余全部内容。
仅对最终胜出者进行高清放大:在 Gemini Omni 1.2 Flash 工作流中,你只需在最后阶段对已经验证成功的完美片段支付一次高分辨率放大费用。
在那份更新列表中,Gemini Omni 1.2 Flash 的每秒标价其实是边际效益最低的一项,因为它是线性的;而后两者则从根本上大幅削减了你所需生成的视频总量。
算一笔真实的账
每秒价格的换算非常清晰。
在 Gemini Omni 1.2 Flash 中,一段完整的 15 秒 720p 视频成片成本为 1.05 美元。一分钟完整视频的生成费用为 4.20 美元。
对比我们此前分析过的行业视频定价:Seedance 2.5 按公开标准费率折算,一段 5 秒 480p 片段的单价约为 每秒 0.10 美元。仅看标价,降价 30% 且以 720p 为起步基准的 Gemini Omni 1.2 Flash(0.07 美元/秒)显然在更高画质下更加便宜。
现在,把“重抽盲盒因子(Re-roll factor)”代入方程式。对比一下传统的工作方式:生成 10 段 15 秒的视频,其中 4 段因为手部畸变、Logo 变形或服装走样而被迫废弃。你实际花费了 14.70 美元,但换来的代价是每次废弃都伴随着数秒不可用的废片。
而在 Gemini Omni 1.2 Flash 中,这同样的 4 次失败可以直接通过 4 次追加编辑解决——修正手部动作、纠正商标、更换服装款式——从而完整保留你已经付费生成的 10 段可用成片。这带来的节省绝不仅仅是标价上的 30%,而是消除了以往所有原本用于试错废片的额外开销。
对于规模化量产团队而言——例如制作一部 60 集的竖屏短剧——这种复利效应极为惊人。60 集 15 秒的短片总计 900 秒,在 720p 单次通过(Single pass)的情况下仅需约 63 美元。真正决定项目预算总盘子的,根本不是这基础的 63 美元,而是中途因为返工你不得不反复重抽了多少次。

多轮连续编辑才是真正的代际飞跃
Google 的官方演示生动展现了这一范式转移。
其中一个演示案例基于一段单次生成的初始视频,通过多轮对话逐一替换背景——从条纹凉亭、橡木森林、带白马的马厩,到集市集会乃至石头城堡——同时完美锁定了角色的表演神态、盔甲上的物理反光以及原始镜头的构图机位。
另一个案例以一只波纹起伏的章鱼开场,在下一轮对话中将其替换为一位舞者,而舞者礼服的摆动节奏完美复刻了章鱼原本的流体运动轨迹。
这是一种完全不同的创作逻辑,也是 Gemini Omni 1.2 Flash 真正的立足之本。创作者不再是被动地“批量抽卡并碰运气筛选”,而是在多轮交互中主动“导演并修正同一个数字资产”,将衍生广告变体作为低成本的局部编辑来交付,而非高昂的全价重绘。
这也标志着静止图像领域的演进规律正式在视频领域上演:决定模型商业壁垒的已不再是纯粹的生图能力,而是局部编辑的精细度。
“参考图锁定”成为全新的生产范式
本次发布中商业价值最明确的突破在于对多模态参考图的严格依循,最典型的应用便是虚拟试衣(Virtual try-on)。
将一张模特照片与三套服装的正反面静止产品图结合,Gemini Omni 1.2 Flash 即可直接生成一段包含 360 度全身旋转与匹配剪辑(Match cut)的 15 秒换装试衣动态视频,既锁定了模特的五官身份,又完美还原了每件衣物的版型剪裁、垂坠褶皱与背部细节。
如果这一能力在真实生产中经得起考验,其商业意义将极其巨大:现存的静止产品图库无需重新布光拍摄,即可直接转化为高动态营销视频。这正是整个广告行业全年苦苦追寻的经济效益,如今直接通过模型底层实现。
真正需要落地严测的细节依然朴素:包装上的印刷字体能否在镜头推移中保持不糊,品牌标准色在画面重构后能否维持色准。

多发音人对白:容易被忽视的隐形王牌
干净的单人唇形同步如今已是及格线;但基于不同发音人独立音色的多人对话控制在此前仍是行业空白,而 Gemini Omni 1.2 Flash 补齐了这一版图。
Google 指出,在输入单张场景底图、角色图、嘴部参考以及 1 秒人声样本后,Gemini Omni 1.2 Flash 能够精准地将每种采样音色路由给对应的画面角色,并在 15 秒的场景中呈现富有情绪起伏的对白节奏。该能力已全面接入 Flow、Gemini 企业版与 Google Vids。
对于讲解类视频、企业培训宣传片以及任何包含两人同框交谈的场景,这项功能彻底解决了此前阻碍企业采用 AI 视频的核心痛点。
客观审视官方宣传中的边界
在拥抱这项技术前,有四个必须保持清醒的现实约束:
演示案例均出自 Google 官方精选。 所有展示样本——无论是零跳切的万神殿 FPV 穿越镜头、文字拼写完全正确的运动追踪标注,还是无瑕的虚拟试衣——均为官方在特定参数下精心挑出的最佳案例,而非随机盲测抽样。
0.07 美元仅对应 720p 分辨率。 1080p 与 4K 依赖后期的超级分辨率放大步骤,该步骤会产生额外的算力开销和画质特征。宣传的超低价处于工作流的中游,而非最终交付端。
15 秒是原生生成上限,并非无限延续。 超过 15 秒的镜头仍需通过视频扩展(Extension)操作来完成,而时序扩展正是长久以来画面崩坏与身份漂移最易滋生的温床。
目前尚无经过同行评议的独立第三方基准评测。 无论是参考图遵循度还是形变消除率,都需要第三方使用固定提示词库进行交叉盲测,而本次发布目前暂无独立测试背书。
投入生产前建议亲测的 4 个场景
在将其纳入主力管线前,花时间亲自验证这四项自测:
一次高要求的带参考图产品动效测试:产品 Logo 能否在 360 度旋转镜头中保持绝对不变形?
一次双人同框对白测试:镜头切换过程中,不同音色是否会出现串音或张冠李戴?
一条连续五轮的编辑链路:挑选一段优秀的基础片段,连续执行五次追加修改指令。密切观察画面微观纹理是否会随着编辑轮次的增加而逐渐退化。
一段 15 秒的连续单镜头长运镜:亲自去数跳切和丢帧的次数,不要盲信官方演示。
值得亲测的测试提示词
检验模型对参考细节的捕捉能力,最好的考卷是设计一个无法被模型用平庸套路随意蒙混过去的标志性细节——比如独特的印刷文字、特定的图形或特殊的物理材质:
复制并粘贴至 Fanch AI(模型选择:gpt_image_2):
A clean studio product photograph of a rectangular matte-black aluminium beverage can standing on a pale sand plinth against a seamless warm grey backdrop: subtle brushed metal texture on the body, a plain unmarked label band in deep teal wrapping the middle, condensation-free clean surface, soft directional studio light from the left with a gentle contact shadow. Precise edge definition, fine detail in the metal grain, 16:9 framing, 8K detail, no people, no brand logos, no text overlay.
将此静止画面作为参考图输入 Gemini Omni 1.2 Flash,观察那圈深水鸭青色的色带在环绕运镜后能否保持完全一致的色彩与边缘定义。这才是检验模型实战能力的金标准。
为什么选择 Fanch AI 作为创作中枢
Gemini Omni 1.2 Flash 确立了一种全新的视频工业化生产方式:一切以基准参考帧(角色表、产品大片、风格参考图)为核心。这意味着,你用来开局的那张静态图片直接决定了后续整段视频的连贯性上限,而打造完美的静态参考底图,正是整条管线中试错成本最低的一步。
Fanch AI 拥有专门优化的图像大模型,支持精准的提示词控制。你可以在此先以极低成本雕琢出构图严谨、光影稳定且风格统一的高清参考大片与角色三视图,随后再将这些资产无缝对接至后续的高阶视频生成流水线中。
