Gemini Omni 1.2 Flash发布：15秒长视频与降价30%

Google DeepMind 产品经理 Anish Nangia 宣布推出 Gemini Omni 1.2 Flash，主打原生 15 秒视频生成、更强的参考遵循能力和多轮对话式编辑，同时将价格下调 30%。这个模型已经通过 Gemini API、Google Cloud 和 Gemini for business 正式可用（generally available），并进入 Flow、Google Vids、Gemini app 等消费级产品。

对做视频内容的团队来说，这次更新的重点不只是「更长」，而是「更可控」——生成之后的修改成本被明显压低。

核心能力：从 10 秒到 15 秒，且可按秒指定

Gemini Omni 1.2 Flash 将原生生成时长从 1.1 版本的 10 秒提升到 15 秒，并支持以 1 秒为步长指定 3 到 15 秒的时长。官方给出的用途包括完整故事叙述、产品讲解视频，以及在单次生成中完成一支完整的社交广告片。

15 秒这个长度看起来只是数字变化，但对广告和电商场景意义不小：它足以容纳一个完整的「开场—展示—收尾」结构，减少多段拼接带来的连贯性损耗。

成本结构：单价下降 30%，工作流也在省钱

价格方面，Gemini Omni 1.2 Flash 相比 Omni 1.1 降价 30%，720p 视频定价为每秒 0.07 美元。

除了单价，官方强调工作流本身也在降低成本：可以先用 360p 或 720p 快速出草稿，发现问题时用一次后续编辑修正细节，而不是整段重新生成，最后再把满意的成品放大到 1080p 或 4K。这种方式对高频产出广告变体的团队尤其友好。

参考遵循：角色、商品、字体和品牌色更稳

1.2 Flash 支持组合角色图、产品图、风格图、最长 3 秒的短运动片段以及音频提示来引导生成，并在整段视频中保持这些细节。官方描述称，人脸、服装、包装字体和品牌色在不同机位之间保持一致。

一个官方示例是：用一张模特照片搭配三套服装的正反面产品图，生成一段 15 秒的虚拟试穿序列，覆盖 360 度转身和匹配剪辑，同时保持模特身份以及每件衣服的剪裁、垂坠感和背面细节一致。

在对比演示中，官方用同一张静态影棚灯光海报图和五层动画提示分别测试 1.1 与 1.2：1.1 Flash 对参考图的还原度不及 1.2，后者在带有粉尘粉色背景的舞台上逐层搭建海报，把肋纹玻璃、暖色灯丝、多面水晶和盘旋线缆字母等材质、阴影与排版细节保持到最后一帧。

参考遵循（reference adherence）指模型在生成过程中对输入参考素材的保真程度，是衡量视频生成模型可控性的关键指标之一。与仅靠文本提示词描述「一个穿红裙的模特」不同，参考图把身份、材质和排版信息以视觉形式直接交给模型，难点在于模型要在不同机位、光照和遮挡变化下持续锁定这些特征，而不发生身份漂移或纹理重绘。常见失效形式包括人脸逐渐「换人」、包装字体被重新拼写、品牌色偏移。评测时通常用同一组参考图跑多次生成，比较首尾帧的身份相似度与细部一致性。

多轮对话式编辑：改背景不用重开一局

1.2 Flash 支持在整段 15 秒视频上做多轮对话式编辑，可以逐轮替换产品或背景、调整光照与天气、切换画幅比例，而不必从头生成。

官方演示从一段已生成的片段出发，通过多轮提示把背景依次替换为条纹帐篷、橡木森林、有白马的马厩、集市和石头城堡，同时保持两个角色的表演、盔甲反光和镜头构图不变。对需要针对不同受众和投放位置制作广告变体的团队，这能省掉反复「重新briefing、重新生成」的环节。

语音、镜头与一致性

语音方面，1.2 Flash 生成的对话更流畅自然，口型同步更清晰，并支持多说话人条件控制。官方示例用一张温室场景图搭配四个角色、嘴部和 1 秒的语音参考，模型能把每个采样声音路由到正确的角色，并在 15 秒动画场景中保持表情丰富的口型和自然的喜剧节奏。

镜头控制上，模型可以执行复杂的连续运镜，比如大幅度的 FPV 穿越飞行、戏剧性的拉远和环绕，官方称不需要的跳切显著减少，尺度更稳定，整体观感更接近电影。一个示例是由两张建筑参考图引导，完成一次从广场穿过青铜大门、沿万神殿穹顶上升到圆孔的连续 FPV 无人机飞行，全程零跳切。

一致性方面，官方强调角色、物体和场景从第一帧到最后一帧的漂移和形变减少，无论是首尾关键帧插值还是片段延长构建更长序列，产品、角色、道具和环境都能保持稳定。

首尾关键帧插值与片段延长是视频生成中两种扩展时间维度的路径。前者给定起始帧和结束帧，模型补全中间运动，适合精确控制构图起点与终点；后者以已有片段为条件向后续写，保持镜头和主体连续。两者的共同挑战是一致性：插值容易出现中段运动不自然或节奏突变，延长则可能因误差累积导致角色外观和场景光照缓慢漂移。官方强调 1.2 Flash 在首尾帧与延长场景下漂移减少，实质是改善了长序列生成中的误差控制和时空建模能力。

可用性与企业级保障

Gemini Omni 现已正式可用（generally available），背后是 Google Cloud 的企业级基础设施和安全能力，支持 Provisioned Throughput，输出带有不可感知的 SynthID 水印。

各入口的使用方式如下：

• 开发者：在 Google AI Studio 中原型验证，参考开发者文档和定价页。
• 企业：在 Google Cloud 控制台试用，通过 API 构建企业方案。
• 普通用户：在 Flow 中指导场景与多轮编辑；在 Google Vids 中用 Google 账号或 Google Workspace 订阅免费生成 15 秒片段；在 Gemini app 中生成 15 秒视频（向 Google AI Ultra 订阅者推送）；在 Google Ads 中规模化制作视频广告。

SynthID 水印是 Google DeepMind 提出的 AI 生成内容溯源技术。它并非在画面角落叠加可见标识，而是把统计意义上的模式直接嵌入像素或音频信号，人眼不可感知，却能被专用检测器以较高概率识别。对广告和品牌内容而言，SynthID 的意义在于：一旦生成视频在社交平台或投放网络中扩散，平台与审核方可以判断其是否由 Google 模型产出，从而在深度伪造、版权争议和广告合规场景中提供可验证的线索。这也意味着团队在下游做二次剪辑、压缩或转码时，水印的存活率会成为内容治理需要关注的变量。

Provisioned Throughput（预置吞吐）是 Google Cloud 面向生成式模型提供的一种容量保障机制：客户按约定的吞吐量预留配额，而非与其他租户共享按需池。对视频生成这种单次请求耗时长、并发的草稿与放大任务交错的工作流来说，按需调用容易在高峰时段排队，直接影响广告投放的排期。预置吞吐把延迟和可用性从「尽力而为」变成可预期的服务水平，通常配合企业级配额管理、审计与数据驻留要求一起使用，是模型从试验走向生产流水线的必要条件。

现阶段的边界

官方也坦承，团队仍在持续改进快速体育动作、快速脚本变化和复杂物理效果等场景。换句话说，1.2 Flash 的定位是面向企业、开发者和创作者的大规模视频生产工具，而不是所有动态场景的通用解法。对需要高频产出、强调品牌一致性和修改效率的团队，这套能力组合的针对性相当明确。