Gemini Omni 1.2 Flash：视频生成进入更长时长与可对话编辑阶段

导语

视频生成模型的竞争，正在从“能不能生成”转向“能否稳定完成一条可用内容”。Google DeepMind 推出的 Gemini Omni 1.2 Flash，重点并不只是提高画面质量，而是围绕时长、参考内容保持、连续编辑和生成成本，完善面向创作者与企业的工作流。

核心更新

• 最长 15 秒原生视频：单次生成和编辑时长从上一版本的 10 秒提升至 15 秒，并可在 3 至 15 秒之间按一秒调整。更长的单镜头有助于制作产品说明、社交广告和短故事。
• 参考内容保持更稳定：模型可以结合人物、产品或风格图片，最长 3 秒的动作片段以及音频提示。官方展示的应用包括虚拟试穿、产品旋转展示和品牌广告。人物面部、服装版型、包装文字和品牌色彩，在镜头转换中能够更好地保持一致。
• 支持多轮对话式编辑：用户可以在同一条视频上逐步替换产品、背景、天气、灯光或画幅，而不是每次重新生成。对于需要制作不同受众版本和投放规格的广告，这种方式有望减少重复操作。
• 更自然的语音和口型同步：更新强调多角色语音分配、表达性口型同步和更流畅的对话，可用于解释视频、数字人内容及多角色动画场景。
• 连续镜头控制更强：模型能够处理更复杂的镜头运动，例如 FPV 穿越、环绕和快速拉远，并减少不必要的跳切、尺度突变和运动中断。
• 更适合规模化生产：720p 视频价格降至每秒 0.07 美元，较 Gemini Omni 1.1 下降 30%。工作流还支持先用 360p 或 720p 快速草拟，再将优选结果升级至 1080p 或 4K。

意义与局限

这次更新的价值，在于把视频生成从一次性提示，进一步推向“生成—检查—对话修改—输出多个版本”的生产流程。对营销团队和开发者来说，参考图一致性和局部修改能力，比单个演示画面的惊艳程度更直接地影响实际效率。更长的时长也能减少为完成一段完整叙事而进行的拼接工作。

不过，Google DeepMind 也明确表示，快速运动、频繁改剧本和复杂物理仍在持续改进。换言之，15 秒并不意味着所有连续动作都已稳定达到专业制作要求。该模型目前已面向 Gemini API、Google Vids、Gemini for business 以及 Google Cloud 相关场景推出，并提供企业级基础设施、安全能力和 Provisioned Throughput；生成结果带有不可察觉的 SynthID 水印。

总体看，Gemini Omni 1.2 Flash 的竞争力更多体现在可控性和单位成本，而不是单纯追求更长视频。若其参考一致性和多轮编辑能力能在真实项目中保持稳定，它可能降低短视频广告、产品展示和解释类内容的制作门槛。

来源：Google DeepMind