Google发布Gemini Omni 1.2 Flash：原生生成编辑15秒视频

摘要：Google 发布 Gemini Omni 1.2 Flash，面向创意工作流加入原生 15 秒视频生成与编辑能力，并强化跨帧一致性。官方同时将价格下调 30%，试图以更低调用成本推动短视频素材生产。不过，现有披露仅给出时长、一致性与降价幅度，尚未说明模型架构、分辨率、帧率、生成延迟、编辑接口及质量评测。对开发者而言，其核心价值在于把文本到视频与轻量编辑进一步整合到 Gemini API，但生产落地仍需实测单位成片成本、失败率及人物和运动稳定性。

---

15秒视频生成进入原生工作流

Google 发布 Gemini Omni 1.2 Flash，将最长 15 秒的视频生成与编辑纳入 Gemini，并称新版在跨帧一致性上有所增强，价格则下调 30%。这意味着开发者不必再把单帧生成、素材拼接和后期剪辑拆成多个独立工具，可直接从提示词或输入素材生成短片，并继续执行编辑操作。

不过，公告没有披露模型采用 DiT、视频自回归建模还是混合架构，也没有说明训练分辨率、目标帧率、原生音频能力及推理所使用的加速器。因此，“15 秒”目前更准确地描述输出时长上限，不能直接等同于 15 秒实时生成，也不能据此推断长视频的一致性已经解决。

核心工程价值：短片生产的单位成本

视频生成 API 的真实成本不能只看单次请求价格。生产系统还需要计算重试、失败请求、内容审核、素材转码和存储：

[ C_{minute}=\frac{C_{request}+p_{fail}C_{retry}+C_{transcode}+C_{storage}}{L_{usable}\times60} ]

其中，(L_{usable}) 是最终可用的视频秒数。若生成 15 秒片段的失败率较高，或其中只有部分内容能进入成片，标称单价下调并不必然转化为实际制作成本下降。30% 的降价对高频原型、内容测试和社交素材批量生产尤其有价值，但最终应按“可用成片分钟”核算，而不是按请求数计算。

一致性提升仍需按场景验证

短视频生成最常见的问题并非单帧画质，而是时间维度的身份漂移、背景跳变、运动对象形变和镜头切换不一致。所谓“更强一致性”需要拆成可测指标：

• 主体一致性：人物、服装、Logo 和关键道具是否跨帧保持；
• 运动一致性：手部、镜头运动和物理轨迹是否连续；
• 语义一致性：动作顺序是否符合提示词与时间轴；
• 编辑一致性：插入、替换或删除元素后是否产生新的闪烁与边界泄漏。

评价时还应固定分辨率、时长、种子和参考素材，并报告失败率与最佳样本，避免只展示挑选后的成功案例。

编辑能力的关键工程接口

对开发者而言，编辑 API 是否支持非破坏性操作，比“能否编辑”本身更重要。理想接口应允许调用方分别保存源视频、编辑指令、模型版本、生成种子和输出版本，并通过时间码定位修改区域。这样才能在内容审核不通过或角色一致性下降时回滚，而不是重复消耗视频生成推理资源。

生产链路还应设置确定性护栏：对品牌资产、人脸和关键文字使用模板与校验层；对背景、运镜和氛围变化使用生成模型。涉及版权、肖像权及深度伪造标识的内容，则需要在输出阶段自动写入元数据和可见水印，并把审核拒绝原因结构化返回，避免只提供一个布尔状态。

部署建议：先建立小规模质量—成本基线

建议先选取人物口播、产品广告、动态图形和镜头运动四类场景，每类测试不同长度与提示词，并记录以下指标：

1. API 端到端延迟与每秒输出 token/帧成本；
2. 生成失败、超时及审核拒绝比例；
3. 可用片段长度和每分钟成片综合成本；
4. 主体、背景、运动和语义一致性；
5. 编辑后视觉退化与版本回滚成功率。

如果工作流允许异步处理，可采用“低分辨率预览—人工选片—高质量重生成—局部编辑”的分层管线，以减少昂贵渲染的无效消耗。若服务强调稳定交付，还应为供应商端点设置超时、重试上限、熔断和替代模型路由；30% 的价格下降只有在这些工程机制齐备时，才会转化为可持续的产能。

结论

Gemini Omni 1.2 Flash 的实际突破是把 15 秒视频生成和编辑进一步产品化，并以 30% 降价降低试用门槛。它适合广告素材、社交内容和动态故事板等高频短片场景，但目前公开信息不足以判断其相对其他视频生成模型的质量上限。决定采用价值的，将是复杂运动下的稳定性、编辑接口的精细程度，以及包含失败与后处理在内的单位可用分钟成本。

---

消息来源：Google AI Blog (2026-11-05)

—— 完 ——

主题标签： #Google Gemini 关注 #视频生成 关注 #多模态模型 关注 #AI API 关注 #生成式视频 关注