Gemini Omni 1.2 Flash发布，字节C-Dance靠什么守住牌桌？

谷歌刚刚发布 Gemini Omni 1.2 Flash，文生视频、图生视频双榜第一，价格直接砍到上一代的七折——一条视频只要 8 块钱，仅为竞品 C-Dance 2.5 的三分之一。这不是一次普通的模型迭代，而是把 AI 视频的成本结构和操作逻辑同时掀翻。

从"抽卡"到"对话"：交互范式变了

过去用 AI 做视频最崩溃的环节是抽卡：生成错了，改一个细节，整段推倒重来，钱和时间一起烧掉。Omni 1.2 Flash 把这套逻辑彻底换掉——它支持多轮对话式编辑。

背景不对，说一句"换"；光线太暗，说一句"调亮"；想投抖音，说一句"切竖屏"。同一段 15 秒的视频可以逐轮精修，前面的表演和构图纹丝不动，不用重写提示词，也不用重新生成。

这意味着什么？做一条模板视频，就能像聊天一样批量"聊"出几十条针对不同人群、不同平台的广告变体。过去按天算的工作流，现在按分钟算。视频生成从"单次赌博"变成了"可迭代的工程流程"，这是交互层面的根本性变化，而不只是画质提升。

所谓"抽卡"，源自手游的随机抽取机制，在 AI 生成领域被借用来形容一种典型工作流：每次生成结果都带随机性，用户只能反复提交提示词，靠次数去撞出满意的一张图或一段视频。这种模式的核心痛点在于不可控——提示词与输出之间没有稳定的映射关系，改动一个词可能连带改变构图、光影和人物姿态，导致"改一处、崩全局"。抽卡式工作流的隐性成本极高：每次失败生成都要付费，创作者的时间大量消耗在筛选和重试上，且结果难以复现，团队协作时无法沉淀可复用的生产规范。多轮对话式编辑的意义正在于把这种概率性产出转成确定性迭代，让每次修改只作用于目标维度，从而把视频生成纳入可控的工程流程。

价格与工作流：降本设计贯穿始终

价格方面，720p 每秒 0.07 美元，一条 15 秒的片子算下来 1.05 美元（约合 8 元人民币）。更关键的是，工作流本身就是降本设计：先用 360p 或 720p 快速起草，对话修改到位后，再一键升到 1080p 甚至 4K。你不再为抽卡买单，只为最终那个对的镜头付费。

画质和一致性也跟上了：角色、产品、品牌色在不同镜头角度下不飘移，口型同步更自然，FPV 穿越、环绕运镜的跳切大幅减少。对于需要批量产出广告素材的团队来说，这种"起草—精修—升清"的流水线，比单次生成的惊艳度更有商业价值。

文生视频模型的价格通常按"每秒输出时长"计价，而非按次或按 token，因为视频的算力消耗随时长和分辨率呈近似线性甚至超线性增长。分辨率对成本的影响尤为显著：像素总量大致按分辨率的平方增长，从 720p 升到 1080p，单帧计算量约增加一倍以上，4K 则更高。这正是"低分辨率起草、高分辨率定稿"这套流水线在经济上成立的原因——把昂贵的算力只花在已经确认正确的那一版上。对比之下，传统一次性生成模式中，用户在低质量结果上的每一次重试都按最终分辨率计费，浪费被放大。理解了这一计价结构，就能明白为何"起草—精修—升清"不只是操作习惯的改良，而是对视频生成成本曲线的直接重构。

国产模型的真正差距在哪？

看到这里有人会说：国内 AI 视频模型那么多，尤其字节的 C-Dance，国风审美和画面质感绝对是当红炸子鸡，很多人觉得国内 AI 视频早就跟老美并驾齐驱了。

但面对 Omni 1.2 Flash，得客观聊聊背后的差距。论单次生成的视觉惊艳度，C-Dance 绝对是第一梯队——它的审美、它的中国风，谷歌这个"老外"真不一定学得会。但论控制成本和工程化落地，谷歌这次把桌子掀了：不到 8 块钱的成本，加上多轮对话这种傻瓜式操作，还有直接开放的底层 API。

打个比方：C-Dance 是一把工艺绝伦的绝世好剑，而谷歌直接把枪炮流水线搬出来了。单点审美优势与系统化工程能力，是两种不同维度的竞争。

"工程化落地"在 AI 模型竞争中通常指三件事：一是成本可控，即单位产出的价格能支撑商业化批量使用；二是流程可集成，即通过稳定的 API 把模型嵌入企业已有的内容生产与投放系统；三是结果可复现，即相同输入在多次调用中保持一致性，便于质量管理和规模化复制。单次生成的视觉惊艳度属于模型能力的"上限"，而工程化决定的是"下限"与"吞吐量"——后者才直接对应广告、电商等行业的真实预算。一个模型即使画面更美，若价格高、接口不稳、每次结果漂移，就难以进入批量生产环节。因此两者的差距不是审美优劣之争，而是能否把模型能力转化为可计价、可调度、可规模化的生产力。

字节的下一步：审美还是基建？

那么问题来了：当谷歌把成本打到几块钱、把操作变成纯聊天的时候，国产模型比如字节的 C-Dance，下一步该靠什么继续留在牌桌上？

是继续死磕极致的画面和国风审美，还是快速跟进白菜价和多轮对话的工程化基建？

更关键的是：如果 C-Dance 明天也把价格打五折，甚至开放同样的多轮对话功能，作为创作者的你会怎么选——继续支持国产的本土化生态，还是转身投入谷歌这近乎白嫖的算力池？

从内容创作者的实际决策看，答案可能不是二选一。本土化生态在中文提示词理解、国风素材、平台适配上有天然优势；而谷歌的价格和多轮编辑能力，对批量投放的广告团队诱惑极大。真正的分野在于：谁能把"便宜"和"可控"同时做到位，谁就能留住创作者。

这场竞争的下半场，比的不是谁生成的第一帧更惊艳，而是谁能把视频生产变成一条稳定、廉价、可对话的流水线。