Gemini Omni 1.2 Flash：AI视频迈向“改稿式”编辑

AI视频生成正从“一次性抽卡”走向“可迭代创作”。谷歌更新的视频生成与编辑模型 Gemini Omni 1.2 Flash，核心变化不在于画面更炫，而在于控制力——它允许创作者围绕同一段视频，像改稿一样用对话一轮轮调整内容。

从“生成”到“编辑”的关键转变

据B站UP主分享，Gemini Omni 1.2 Flash 支持两种主要用法：用文字或参考图生成短片，以及围绕已有视频继续用对话进行调整。这意味着创作者不必每次修改都从头生成，而是可以在保留商品、角色或灯光设定的前提下，替换场景、调整镜头。

这种“接着改”的能力，解决的是AI视频长期存在的痛点：每次生成都是独立事件，前后素材难以衔接。当模型能够理解“保留什么、改变什么”，视频创作才开始具备类似文档编辑的积累性。

目前该模型单段视频最长15秒，并支持生成对白和声音。时长限制决定了它更适合短镜头和片段，而非完整叙事。

什么是“参考图生成”与条件控制？

文中提到的“参考图生成”，是指模型在生成视频时，不只接收文字提示，还把一张或多张图像作为视觉锚点，用来约束主体外观、风格或构图。与纯文生视频相比，参考图相当于把“长什么样”从模糊的文字描述变成了具体的视觉样例，因此产品颜色、人物造型、场景基调更不容易跑偏。

条件控制则进一步把这种约束拆成可分别调节的维度，例如主体一致性、镜头运动、光照方向、背景替换等。创作者说“保留这个杯子，换个海滩背景”，模型需要理解哪些像素或语义属于“要保留”，哪些属于“要替换”。这也是“对话式编辑”能成立的前提：模型必须具备一定的视频时序理解与局部可控生成能力，否则每轮对话都会导致整段画面重新洗牌。

电商与分镜预演：最先落地的场景

UP主以电商为例：一款产品需要不同场景的广告素材，可以围绕同一个产品调整背景和镜头，快速产出多个短片版本。产品外观若能保持稳定，前面几轮的修改就能沉淀下来，制作流程更可控。

科技视频制作同样受益——难拍或抽象概念的画面可以用它补充，分镜预演也能借助它快速可视化。UP主判断，最先受益的可能是需要频繁测试创意的小团队：先用几种场景和表达方式试水，再决定精修哪一版。

这种“先广撒网再聚焦”的流程，把AI视频从成品工具变成了创意筛选工具。

分镜预演与角色一致性

分镜预演（previs）是影视与广告制作中的常见环节：在正式拍摄或精修前，用低成本方式把镜头景别、运动、节奏和画面关系快速可视化，供导演、客户和制作团队对齐创意。传统预演依赖手绘故事板或3D粗模，周期长、修改慢；AI视频把它压缩成几分钟内可迭代的草稿。

角色一致性则是当前AI视频的硬约束：同一角色在不同镜头中能否保持脸型、发型、服装和体态稳定。它依赖模型对主体特征的跨帧、跨片段记忆能力。文中所说“角色一致性也要继续验证”，正说明这项能力尚未达到可直接支撑多镜头连续叙事的程度，现阶段仍需人工筛选与剪辑兜底。

成本结构：草稿先行，按需放大

成本方面，官方720p每秒7每分，比上一代Flash低30%。更实用的是流程设计：可以先出低分辨率草稿，选中后再放大到1080p或4K。

先判断创意是否成立，再为画质投入成本——这个顺序符合内容生产的真实逻辑。过去AI视频的高成本往往压在“不确定的尝试”上，草稿机制把试错成本降了下来。

按秒计费与草稿-放大流程

AI视频的按秒计费意味着成本与时长、分辨率直接挂钩：分辨率越高、秒数越长，推理消耗越大。文中“720p每秒7”应理解为官方按输出时长计价的价格表述，而“比上一代Flash低30%”说明单位时长的推理成本在下降。

“先草稿、后放大”则是一种两阶段生成策略：第一阶段用低分辨率、较短时长快速出多个版本，主要判断构图、动作和创意方向是否成立；第二阶段只对选中的版本进行高分辨率重生成或超分放大。这样把昂贵的计算集中在少数确定要用的片段上，避免为大量废稿支付高画质成本，本质上与设计行业的“缩略图—精修”流程同构。

现阶段的边界：15秒与一致性

UP主明确划出了适用边界：适合广告素材、短镜头和分镜预演；要做长故事、多镜头连续叙事，15秒的片段仍需靠剪辑组织，角色一致性也要继续验证。

这意味着现阶段它应被放进创意测试和短素材生产环节，完整作品的节奏与叙事仍由创作者掌控。控制力的提升是真实的，但离“AI独立完成一支片子”还有距离。

对创作者而言，值得优先尝试的是广告素材、短镜头和分镜预演——先用它把创意跑通，再回到传统流程完成长叙事。这或许是当下更务实的协作方式。