Gemini Omni 1.1 Flash发布：生成式视频进入可控时代

谷歌推出生产级视频生成模型

2026年8月27日，谷歌DeepMind正式发布 Gemini Omni 1.1 Flash，这是一次面向开发者的重大升级。相比此前将"真实世界推理能力"带入生成式创作的初代 Omni，1.1 版本的核心目标是让生成式视频真正"可用于生产"——不再只是炫技的Demo，而是能够嵌入专业创意工作流的工具。

这一转变的关键词是控制力。过去，AI视频生成最大的痛点在于结果的不可预测性：你输入一段提示词，模型给你一个结果，但你很难精确指定镜头如何运动、场景如何延续、画面在哪一帧开始和结束。这种不可预测性源于当前主流视频生成架构的本质——扩散模型（Diffusion Model）通过从随机噪声中逐步去噪来生成内容，其随机性既是创造力的来源，也是控制力的敌人。Omni 1.1 通过一系列创意控制功能，试图把"生成视频"变成"导演视频"，在保留生成能力的同时引入确定性约束。

开发者现在可以通过 Google AI Studio 的 Gemini API，或企业级的 Gemini Enterprise Agent Platform 直接调用该模型。同时，所有 Google AI Plus、Pro 和 Ultra 订阅用户也可在 Google Flow 中体验完整功能。

五大核心能力升级

场景延续：更长的叙事上下文

Omni 1.1 最受关注的升级是场景延续（Scene Extension）。此前的模型在延续视频时只能参考最后一秒的画面，导致衔接生硬、内容漂移。而 1.1 版本能够分析长达10秒的前置上下文，显著提升了视觉一致性和叙事连贯性。

这一改进所解决的核心技术难题是视频扩散模型中的"时间一致性"问题。当前主流的视频生成模型基于扩散架构，其工作原理是从纯噪声出发，通过反复去噪逐步生成清晰的视频帧。然而，扩散模型天然擅长处理固定长度的序列，当需要延续已有片段时，模型只能看到有限的上下文窗口，极易产生角色外观突变、背景漂移等"内容漂移"现象。Omni 1.1将上下文窗口从约1秒扩展到10秒，本质上是在推理阶段引入了更长的条件化序列，使模型能够参考更丰富的时间信息来约束新生成帧的视觉属性。这与大语言模型中扩展上下文窗口的技术思路一脉相承。

开发者可以以10秒为单位增量延续视频，累计总长度可达40秒。这意味着创作者能够构建更长的连续故事线，甚至在已有片段上"分支"出新的创意方向。谷歌给出的示例包括电影级的推拉变焦（dolly-zoom）、360度环绕镜头以及时间冻结效果，且都能保持镜头的连续性和无剪切感。值得一提的是，推拉变焦（也称"眩晕效果"或"希区柯克变焦"）是一种经典的电影摄影技法——摄影机前推的同时镜头焦距拉远（或反之），制造出背景扭曲而主体大小不变的视觉冲击。这类复杂的镜头语言过去完全依赖物理拍摄和精密的机械设备，如今能被AI模型理解和生成，标志着生成式视频在"电影语法"层面的重要进步。

调用方式也相当简洁，通过 client.interactions.create 传入 previous_interaction_id 即可延续上一段视频：

from google import genai
client = genai.Client()
interaction = client.interactions.create(
    model="gemini-omni-1.1-flash",
    previous_interaction_id=previous_video_interaction.id,
    input=[{"type": "text", "text": "Continue the scene."}],
    response_format={"resolution": "360p"},
)

首尾帧控制：精确的镜头运动

第二项关键能力是首尾帧指定（First and Last Frame）。开发者可以设定一个镜头的起始帧和结束帧，Omni 1.1 会在两个关键帧之间生成连续过渡的视频。

这项功能的技术根基源自条件化生成（Conditional Generation）。在传统的影视和动画制作中，"关键帧动画"是核心工作流之一：动画师只需定义关键时间点的姿态或画面，中间帧由插值算法自动补全。Adobe After Effects、Blender等工具中的运动曲线编辑器就是这一思想的典型体现。Omni 1.1将这一概念迁移到生成式AI领域——用户提供起始帧和结束帧作为强约束条件，模型在两帧之间的潜空间（Latent Space）中进行插值式扩散去噪，生成物理合理且视觉连贯的过渡视频。这种做法比纯文本提示词更具确定性，因为图像本身承载的信息密度远高于自然语言描述。

无论是环绕运镜、变焦转场，还是无缝循环片段，都能通过定义头尾帧来实现精确控制。这本质上把传统影视制作中的"关键帧动画"思维引入了AI生成，让镜头语言从随机走向可设计。对于需要制作无缝循环播放的数字标牌、社交媒体动态封面或游戏过场动画的创作者来说，首尾帧一致的循环视频是一个高频需求，这一功能的实用价值不言而喻。

4K高分辨率输出

Omni 1.1 支持将成片升采样至1080p或4K分辨率，输出可直接用于专业制作。这补齐了AI生成视频在"交付质量"上的最后一块短板——过去许多AI视频因分辨率不足难以进入真实的商业管线，而4K级别的输出让其具备了专业交付的可能性。

从技术实现角度看，将AI生成的视频从低分辨率升采样至4K，并非简单的双线性插值放大，而是依赖超分辨率（Super Resolution）技术。现代超分辨率模型同样基于扩散架构，它们以低分辨率视频帧为条件，在更高分辨率的像素空间中"幻想"出真实的细节纹理——包括毛发丝缕、皮肤纹理、建筑表面的材质等。对于专业内容管线而言，4K（3840×2160像素）是当前主流的广播和流媒体交付标准，Netflix、YouTube等平台均要求内容达到该分辨率级别。Omni 1.1的4K输出能力意味着AI生成的素材可以直接进入这些标准化管线，而无需额外的质量妥协或繁琐的后期增强步骤。

视频参考输入

模型还支持在多模态输入中引用最多三秒的视频片段，用于维持视觉上下文和角色一致性。谷歌的示例展示了将三段舞者视频替换为自定义角色（狗、章鱼、熊）并让它们各自完成古典舞、嘻哈、街舞的复杂场景，最终合成为一个无剪切的连续镜头。

这项能力解决的是生成式AI中长期存在的"身份一致性"难题。在此前的模型中，即使使用相同的文字描述，模型在不同生成批次中也会产出外观差异明显的角色——毛发颜色、体型比例、服饰细节都可能发生变化。通过引入短视频片段作为视觉锚点，模型可以从中提取角色的外观特征向量，并在后续生成中将其作为持续性约束。这对角色一致性要求高的创意应用是重要突破，特别是在品牌IP形象的系列化内容制作、动画角色的跨场景复用等场景中具有巨大价值。

成本优化：360p草稿模式

除了能力提升，Omni 1.1 在工程效率上的考量同样值得关注。谷歌新增了360p预览模式，生成速度比标准720p快高达60%，成本仅为其三分之一。

这一设计的哲学来自软件工程中的"快速原型"（Rapid Prototyping）方法论。在传统软件开发中，工程师会先构建低保真原型验证核心逻辑，确认方向正确后再投入资源打磨细节。这种思维在视觉创作领域同样关键。以视频广告制作为例，一个15秒的商业广告通常需要经历数十轮创意迭代，如果每次都以720p甚至更高分辨率生成，不仅等待时间长，API调用成本也会迅速攀升。按照谷歌公布的数据，360p模式速度提升60%、成本降至三分之一，这意味着同样的预算下创作者可以探索近三倍的创意变体。这种经济学优势对于需要大量A/B测试的营销团队和需要快速验证分镜的影视预览（Previs）团队尤为重要。

谷歌展示的"Draft Room"概念应用正是这一思路的体现：一次生成3-4个360p草稿变体，每次只改变一个变量，并排对比，最终再对选定方案进行4K升采样。这种"先低成本探索、再高成本精修"的工作流，本质上是把软件开发中的迭代思维引入了创意生产。这种分阶段渲染的思路在影视工业中其实已有成熟先例——皮克斯和工业光魔等视效公司在制作阶段就采用低分辨率代理文件（Proxy）进行编辑和审阅，只有在最终输出时才启用全分辨率渲染。Omni 1.1的草稿模式本质上是将这一行业最佳实践内建到了AI生成流程中。

生态落地：Adobe、Figma、Runway已接入

Omni 1.1 并非孤立发布，而是已经进入多家头部创意工具的生产环境，这从侧面印证了模型的成熟度。这种深度集成反映了AI视频生成行业从"独立应用"向"平台基础设施"演进的结构性趋势。

• Adobe 已将 Gemini Omni Flash 集成进 Adobe Firefly，用于视频编辑能力。Adobe Firefly是Adobe于2023年推出的生成式AI品牌，现已覆盖图像生成、视频扩展、设计辅助等多个创意领域，深度嵌入Photoshop、Premiere Pro、After Effects等旗舰产品。选择集成外部模型而非仅依赖自研技术，说明Adobe正在采取"多模型策略"，为用户提供最优的生成结果。
• Figma Weave 创意总监 Itay Schiff 评价称，它是 Weave 中"最强的视频模型之一"，配合场景延续、丰富的参考素材和4K分辨率，让团队"从生成视频真正走向导演视频"。Figma Weave是设计协作平台Figma在2025年推出的AI创意工具集，旨在将生成式AI能力融入UI/UX设计流程，其用户群涵盖了大量产品设计师和品牌团队。
• Runway 首席创意官 Jamie Umpherson 表示，Omni Flash 自然契合用户"从提示词、图像或视频出发再生成编辑"的既有习惯。Runway作为AI视频领域的先驱公司，其Gen系列模型是最早面向创作者的视频生成工具之一，拥有庞大的创意专业用户群。Runway选择集成谷歌模型作为补充选项，体现了行业正在形成"模型提供商+应用平台"的分层架构——类似于云计算中IaaS与SaaS的关系。
• GMI Cloud 营销副总裁 Louisa Guo 特别强调了模型的准确性——对于教育和科普类内容，细节的可靠性比任何单一功能都重要，Omni 让AI视频对这一此前难以覆盖的细分领域变得可行。这一评价触及了AI视频生成的一个关键信任门槛：当生成的内容涉及科学演示、医学可视化或历史重现时，视觉细节的准确性不仅关乎美学，更关乎信息传达的正确性。模型的"幻觉"问题（Hallucination，即生成看似合理但实际错误的内容）在这些场景中尤其危险。

AI视频的"生产就绪"拐点

Gemini Omni 1.1 Flash 的发布，标志着生成式视频从"能生成"迈向"可掌控、可交付、可负担"的新阶段。场景延续、首尾帧控制、4K升采样和低成本草稿模式，这四项能力共同回答了一个核心问题：如何让AI视频真正融入专业创意工作流。

有意思的是，谷歌选择的路径不是追求单次生成的极致效果，而是围绕开发者控制力和工程效率做文章——这恰恰是从实验室走向生产的必经之路。这一战略选择与AI领域更广泛的"可控性"趋势一致：正如大语言模型从早期的自由文本生成演进到支持结构化输出、函数调用和系统提示词，视频生成模型也在经历从"黑箱魔法"到"精密工具"的蜕变。技术能力的天花板固然重要，但真正决定商业价值的，往往是可控性、可复现性和与现有工具链的兼容性。

随着 Adobe、Runway 等工具的深度集成，AI视频生成正在从独立的"魔法工具"，转变为嵌入现有创意管线的"基础设施"。对于开发者而言，现在正是构建下一代创意应用的窗口期。从技术采纳曲线来看，当一项技术完成从"能用"到"好用"再到"可集成"的三级跳时，往往意味着它即将进入规模化应用阶段——这正是Omni 1.1所处的位置。

核心要点