720p 视频每秒 $0.07，15秒原生生成，多轮对话式编辑——Google DeepMind 和 Google Cloud 同步宣布 Gemini Omni 1.2 Flash 全面可用（GA），将 AI 视频生成模型正式定位为企业级批量视频的基础设施。这一次的升级清单不长，但每一项都精准指向同一个问题：企业能不能用 AI 模型大规模、低成本地量产商业视频？

Google DeepMind 博客称，模型已在 Gemini API 和 Google Cloud 上全面可用（GA）；Google Cloud 博客称，业务用户现在可以在 Google Vids 里使用，Gemini for business 中的入口即将上线（coming soon）。Google Cloud 官方博客进一步明确了这一模型的目标场景：”Built for the everyday videos businesses make in volume — like product videos, virtual try-ons, and ads.” 产品视频、虚拟试穿、广告——这3个用例的共同特征是高频、批量、对一致性和成本极度敏感。理解了这个定位，才能理解 1.2 Flash 的每一项升级为何如此设计。

从10秒到15秒：原生时长的提升

Gemini Omni 1.1 Flash 的原生视频时长上限是10秒。Gemini Omni 1.2 Flash 将这一上限提升至15秒，提升幅度为50%。据 Google DeepMind 官方博客，用户可以在3到15秒之间以1秒为增量精确指定视频时长。

Google DeepMind 在博客中直接点出了这一时长升级的应用价值：用户有空间讲完一个完整故事、制作产品讲解视频，或在一次生成中完成一条完整的社交广告。

Google DeepMind 博客称，从第一帧到最后一帧的角色、物体和场景一致性更强，运动和镜头转换中的漂移、变形更少：”whether you’re interpolating between a first and last keyframe, or extending a clip to build a longer sequence, products, characters, props, and environments stay consistent from shot to shot.” 无论是在首尾关键帧之间插值，还是延长片段以构建更长的序列，产品、角色、道具和环境在镜头之间都保持一致。

据 Google DeepMind 博客，1.2 Flash 在首尾帧一致性对比中，用一个连续推镜头把外景起始帧和室内结束帧连接起来。DeepMind 也指出画面中仍有细小差异，比如屋顶上的猫、汤勺变成了筷子等。

每秒 $0.07、降价30%：价格信号指向批量生产

据 Google Cloud 官方博客，Gemini Omni 1.2 Flash 的720p 视频定价为每秒 $0.07，较 Gemini Omni 1.1 Flash 降低30%，其他分辨率同样有类似幅度的降价。

按 Google Cloud 公布的价格计算，一条15秒的720p视频约1.05美元。

价格的意义不仅在于绝对值，更在于它所支撑的工作流。Google DeepMind 博客描述了一个分层成本控制机制：用户可以先以360p或720p快速起草，通过后续编辑修复细节而不必重新生成整条片段，然后将最满意的作品升级到1080p或4K。这种”先草稿后精修”的流程设计，将视频生成的成本结构从”每次尝试都是全价”变为”只为最终产出付高价”。

Google Cloud 博客还提到模型提供 Provisioned Throughput（预留吞吐量）。

参考图一致性：从”大致像”到”跨镜头精确保持”

Google Cloud 官方博客将 1.2 Flash 的一致性改进描述为”stronger adherence to image and video references keeps products, characters, and brand details consistent from shot to shot”，即对图片和视频参考的遵循更强，产品、角色和品牌细节在镜头之间保持一致。

Google DeepMind 博客对这一能力的技术细节给出了更具体的说明。首先，1.2 Flash 支持多模态参考输入的组合：用户可以组合角色、产品或风格图片、最长3秒的短动态片段以及音频线索来引导生成，1.2 Flash 会从头到尾保持这些细节。据 Google DeepMind 博客，面部、服装、包装排版和品牌色在不同摄像机角度之间保持一致。

据 Google DeepMind 博客，有了这项能力，可以把现有的产品照片或角色设定图做成虚拟试穿短片、商品目录旋转展示和品牌视频广告。

博客中给出了一个具体的应用示例：仅需1张模特照片和3套服装的正反面产品图，Gemini Omni 1.2 Flash 即可生成包含360度旋转和匹配剪辑的15秒试穿视频，同时保持模特身份和每件服装的剪裁、垂感、背面细节的一致。

博客还直接对比了1.1和1.2版本在一致性上的差异：给定相同的静态工作室灯光展览海报和5层动画提示词，Gemini Omni 1.1 Flash 对参考图的匹配程度不如1.2。DeepMind 在博客里把这组对比放在「更一致的结果」（More consistent results）一节。

Google DeepMind 博客进一步描述了1.2 Flash 能够在尘粉色无缝背景上按层逐步构建海报——升起六角形底座、组装棱纹玻璃、暖色灯丝、多面水晶，以及 HALO、GLOW 和 LUMEN 的螺旋线字母造型，并在整段视频中锁定每一种材质、阴影和排版细节直到最后一帧。材质、阴影、排版细节在全片中保持锁定。

多轮对话式编辑：视频制作工作流的范式转换

Gemini Omni 1.2 Flash 引入的多轮对话式编辑（multi-turn conversational editing），据 Google DeepMind 博客，用户现在可以逐轮精修同一条片段——比如替换产品或背景、改变灯光或天气、切换画面比例——而不必从头开始。

Google DeepMind 博客给出了一个示例：从一个生成的视频片段出发，通过多轮对话逐步更换背景——从条纹帐篷到橡树林、马厩里的白马、集市、石头城堡——同时保持两个角色的表演、盔甲反光和镜头构图不变。原文为：”while keeping both characters’ performances, armor reflections, and camera framing intact.”

这一能力对企业广告制作的意义尤为突出。Google DeepMind 博客明确指出，多轮对话式编辑适用于完整的15秒片段，可以轻松为不同受众和投放位置制作广告变体，而无需重新下达创意简报或重新生成。

Google Cloud 博客中，FLORA 的产品营销经理 Andrew Taco Zhang 的评价直接印证了这一能力的实用价值：创意团队需要能够持续依赖的模型，Gemini Omni 1.2 Flash 精确编辑你要求改的部分——配色或背景——而保持产品不变，即使是从细节丰富的图片和已完成的视频出发也是如此；它的视频转视频功能能把素材变成全新风格。

语音与口型同步：多说话人场景的自然度提升

Google Cloud 官方博客将语音能力的改进描述为”more fluid, natural-sounding dialogue, clearer lip-sync, and distinct multi-speaker conditioning”，即更流畅自然的对话语音、更清晰的口型同步、以及独立的多说话人条件控制。

多说话人条件控制意味着模型可以在同一个视频中为不同角色生成具有区分度的语音，并分别同步各自的口型。

据 Google DeepMind 博客，在一个示例中，给定一张温室场景图，加上4个角色、嘴部参考和各1秒的声音参考，1.2 Flash 在一段15秒的动画场景里把每个声音分配给对应角色，口型同步、喜剧节奏自然。DeepMind 称这些语音改进会体现在 Flow 里的多角色对话、Gemini for business 里的视频讲解，以及 Google Vids 里带虚拟形象、音乐和旁白的视频中。

据 Google Cloud 博客，Picsart 的产品与合作伙伴关系负责人 Narek Hayrapetyan 提到：角色看起来和听起来都真实，而且速度能让制作持续推进；现在全面可用了，可以把这种质量带给超过1亿 Picsart 创作者。Picsart 还提到了一个具体的应用场景：用4K分辨率渲染可用于电视播出的 AI 剧集。

运镜控制与分辨率分层：从草稿到4K的完整生产管线

Google Cloud 博客在编辑功能描述中提到了”changing camera angle”作为多轮编辑可调整的参数之一。Google DeepMind 博客中的背景替换示例也明确提到了摄像机构图在多轮编辑中保持不变。DeepMind 列出的多轮编辑项还包括替换产品或背景、改变灯光或天气、切换画面比例。

据 Google DeepMind 博客，用户可以指挥复杂、连续的镜头运动，例如穿越式 FPV 飞行、戏剧性的拉远和环绕，不想要的跳切明显减少。博客中的一个示例是：根据两张建筑参考照片，生成一段穿过广场、铜门，再上升穿过万神殿藻井穹顶直到圆孔的连续 FPV 无人机镜头，没有跳切。另一个示例是从海岸线特写一路拉远到海岛鸟瞰的10秒连续镜头。

分辨率方面，Google Cloud 博客描述了一个完整的分层工作流：360p和720p用于快速起草，然后将最佳作品升级到1080p或4K。

invideo 的工程副总裁 Shivam Rastogi 在 Google Cloud 博客中的评价提供了一个第三方视角：他们在 invideo 内部对 Gemini Omni 1.2 Flash 做了评估，模型对提示词的遵循度高，物理和声音感觉真实；如果需要大规模快速生成视频，这是他们测试过的最好的模型之一；15秒意味着一次生成就能完成一个完整场景。

生态布局：三类用户的覆盖

按两篇官方博客的说法，模型面向三类用户提供：

第1层：开发者。 据 Google DeepMind 博客，企业用户可以在 Google Cloud 控制台中试用，并通过 API 构建企业解决方案。DeepMind 称开发者可以在 Google AI Studio 中做原型。Google Cloud 博客称模型提供 Provisioned Throughput（预留吞吐量）。

第2层：业务用户。 据 Google DeepMind 博客，普通用户可以在 Google Vids 中用 Google 账号或 Google Workspace 订阅生成15秒视频、不额外收费，在 Gemini 应用中生成15秒视频（正向 Google AI Ultra 订阅用户推出），也可以在 Flow 中做多轮编辑；Google Cloud 博客称 Gemini for business 即将上线。据 Google Cloud 博客，Google Vids 里的团队可以把生成的片段与虚拟形象、音乐和旁白组合，做产品讲解、预告、社交帖子和销售演示；Gemini 中即将支持业务用户在对话里用一句提示词或一张产品照片生成短视频；企业也可以通过 API 把能力嵌入自己的应用和 Agent。DeepMind 称用户也可以在 Google Ads 里扩大视频广告投放规模。

第3层：第三方创意平台。 Google Cloud 博客明确提到”Design and creative platforms are building Gemini Omni 1.2 Flash directly into their products.” 博客中列举了多个已经集成或正在集成该模型的第三方平台：

  • Artlist：CPTO Roee Peled 表示该模型帮助客户从实验走向大规模专业内容生产。Peled 称，1.2 Flash 在基于参考的生成、视频延长和创意一致性上有新能力。
  • FLORA：产品营销经理 Andrew Taco Zhang 强调了精确编辑能力，称其视频转视频功能能把素材变成全新风格。
  • invideo：工程副总裁 Shivam Rastogi 将其评为他们测试过的最好的模型之一。
  • Krea：创意专家 Numan Khan 提到输出保留了惊人的细节水平，模型只改要求改的部分，其他保持一致，他们准备用于角色和场景替换。
  • Picsart：产品负责人 Narek Hayrapetyan 提到将把该模型的能力带给超过1亿 Picsart 创作者。
  • Runway：Google Cloud 博客介绍 Runway 为创作者提供 AI 视频工具、为企业提供协作工具，并展示了 Runway 用 Gemini Omni 1.2 Flash 制作的内容；博客没有说明双方合作的具体方式。

以上评价都出自 Google Cloud 博客引用的合作伙伴。

SynthID 水印与企业安全

Google Cloud 博客明确指出：”Outputs carry an imperceptible SynthID watermark.” 所有由 Gemini Omni 1.2 Flash 生成的视频都会携带不可感知的 SynthID 水印。

Google Cloud 博客还将该模型描述为”production-ready and backed by Google Cloud’s enterprise-grade infrastructure and security”，即已达到生产就绪状态，并由 Google Cloud 的企业级基础设施和安全体系支撑。

产品视频与商品目录：Google Cloud 博客里的客户用法

Google Cloud 博客写道，零售商和电商平台用 Gemini Omni 把已有的产品照片做成产品旋转展示、生活场景短片、试穿视频和视频广告。

Photoroom 首席执行官兼联合创始人 Matt Rouif 在博客中说，Photoroom 选 Gemini Omni Flash 驱动其 Video Ad Maker 和 Product Animator，是因为它在质量、速度和成本之间取得了平衡；1.2版带来的15秒视频是用户呼声最高的需求，有了全面可用和 SLA，就能放心用于面向卖家和企业客户的生产环境。

QuickFrame AI 首席技术官 Richard Girges 说，1.2 Flash 支持1080p下生成15秒视频，用户一次生成就能做出一条完整的 CTV（联网电视）广告。

Google 自己写明的限制

Google DeepMind 博客写明，快速的体育动作、频繁的脚本改动和复杂物理等方面仍在继续改进；它对这一版的定位是适合大规模制作视频的企业、开发者和创作者。另外，Google Cloud 博客注明，音频参考目前需要申请白名单（allowlisting）才能使用。

从”能生成”到”产品就绪”：GA 的真正含义

Gemini Omni 1.2 Flash 的全面可用（GA）标志着 Google 正式将 AI 视频生成模型从实验性功能推向生产级产品。Google DeepMind 博客称，这是 Gemini Omni 第一次全面可用，背后是 Google Cloud 的企业级基础设施与安全，并提供 Provisioned Throughput。

这一版的变化可以归结为：原生时长从10秒提到15秒，720p每秒0.07美元、比1.1 Flash 便宜30%，支持多轮对话式编辑，参考图一致性更强。

接下来需要观察的关键变量包括：音频参考功能（目前仍需白名单）何时全面开放；企业客户在实际批量生产中的一致性和可靠性表现是否符合预期；以及第三方平台集成后的实际使用量和独立用户反馈。这些数据将决定 AI 视频生成是否真正从”产品就绪”走向”商业常规”。

参考资料

  1. Gemini Omni 1.2 Flash: Fast, cost-effective, and reliable video generation and editing now generally available — Google Cloud Blog, 2026-11-06
  2. Gemini Omni 1.2 Flash: Fast and cost-effective with longer clips — Google DeepMind Blog, 2026-11-05
  3. Gemini Omni 1.2 Flash: Fast and cost-effective with longer clips — Google Blog, 2026-11-05
  4. Google’s Gemini Omni 1.2 Flash Reaches General Availability — Unite.AI, 2026-11-05
  5. Google is giving AI video creators longer clips, better editing, and fewer frustrating mistakes — Digital Trends, 2026-11-05

主题分类：技术突破