Gemini Omni 1.2 Flash：谷歌的视频生成模型单次生成 15 秒带音频

更新时间:2026-11-06 23:33:13 发布时间:13小时前阅读:10次

Gemini Omni 1.2 Flash 是谷歌 2026 年 11 月 5 日发布的视频生成模型，模型 ID 为 gemini-omni-1.2-flash。它在一个模型里做文生视频、图生视频、参考生成、编辑、延长和升频，输出带同步音频，分辨率 360p 到 4K。开发者走 Gemini API，普通用户在 Flow、Google Vids 和 Gemini app 里用。入口是 aistudio.google.com。

Gemini Omni 1.2 Flash 官方公告 — 谷歌官方博客，2026 年 11 月 5 日，署名 Anish Nangia，Google DeepMind 产品经理

Gemini Omni 1.2 Flash是什么

发布即正式可用，一上线就支持预置吞吐量。谷歌博客标的是 11 月 5 日，谷歌云博客写的是 11 月 6 日，两个官方页面对不上，这里取博客的日期。输出带 SynthID 水印和 C2PA 内容凭证，水印肉眼看不到。区域只有 global 一个端点。

输入模态是文本、图像和视频，音频不支持输入。输出是文本和视频。输入上限 131,072 token，输出上限 260,640 token。

Gemini Omni 1.2 Flash 模型卡 — 模型卡。四个入口按钮，下面依次是 Model ID、四种模态、token 上限

Gemini Omni 1.2 Flash和1.1的差别

六处改动，全部来自官方公告：

时长：单次从 10 秒延到 15 秒，按 1 秒一档，3 到 15 秒之间任选，默认 10 秒。
价格：视频输出从每百万 token 17.50 美元降到 12.00 美元，720p 每秒约 0.07 美元。
编辑窗口：可编辑的片段从 10 秒变成完整的 15 秒。
延长：每次加 3 到 10 秒，回看输入视频最后 10 秒，总长最多 30 秒。
参考遵循：人脸、服装、包装字体、品牌配色在多机位之间保持一致，官方给的例子是一张模特照片加三套服装的正反面产品图，出 15 秒 360 度转身连续镜头。
语音：支持多说话人条件控制，口型同步，可把同一条音轨里采样的几个声音分别分配给对应角色。

Gemini Omni 1.2 Flash 官方新特性清单 — 官方公告里的六条新特性原文，最后一行说明音频参考需要申请白名单

2026 年 12 月 3 日起，gemini-omni-1.1-flash 的调用会自动转到 1.2 并按 1.2 计费，应用不改代码也会换模型。

Gemini Omni 1.2 Flash能做什么

能力	输入	输出
文生视频	提示词	3 到 15 秒带音频视频
图生视频	最多 10 张图	最长 15 秒视频
参考生成	图 + 最长 3 秒动效片段 + 音频提示	参照主体一致的视频
首尾帧	起始帧 + 结束帧	3 到 10 秒插值视频
视频编辑	15 秒以内视频 + 对话指令	改光线、换背景、换产品、改画幅
视频延长	任意长度视频	每轮加 3 到 10 秒
视频升频	15 秒以内视频	1080p 或 4K
声音生成	提示词或音频参考	对白、音乐、音效

编辑是逐轮改同一个片段，不重新生成。换产品、改光照、换天气、切画幅比例都在原片段上改，改完仍是 15 秒。每个请求最多返回 3 个视频，宽高比只有 16:9 和 9:16 两种。

Gemini Omni 1.2 Flash 能力清单 — 模型卡的能力清单。绿色是支持，灰色是不支持，Thinking 和视频生成、编辑、延长、升频都在支持列

Gemini Omni 1.2 Flash已接入的产品

官方公告列了十家已经用上这个模型的产品，加上第三方平台的接入，各自的用法不同：

Adobe Firefly：创作者在 Firefly 里用 Omni 出片，1.2 带来的是更长片段和更强的参考一致性。
Flow：谷歌自家的场景编排工具，做多镜头连续片段和多轮编辑。
Figma Weave：在一次生成里排完整条序列，再在画布上用参考图和分支版本细化。
Runway：用它产出素材，企业版把它放进协作和生产流程。
Picsart：草稿模式先出概念，再渲染 4K 用于电视级短剧，官方称覆盖 1 亿创作者。
invideo：一次提示词出一个完整场景，看重 15 秒能装下的内容量。
Krea、FLORA、Magnific：做角色替换、场景替换和视频转风格，改一处其余不动是共同诉求。
Photoroom、Whering：把商品图转成展示视频和虚拟试穿，看重布料垂坠和配色准确。
PixTV：第三方视频平台，模型名叫 Gemini Omni Flash，那边的版本和出片速度站内单独写过。

这些是厂商在公告里的自述，没有第三方复现的量化结果，看的时候当方向参考。

Gemini Omni 1.2 Flash怎么用

四条路，按是否需要写代码分：

Google Vids：打开 vids.new，用 Google 账号或 Workspace 订阅登录，新建视频后选 AI 生成，描述镜头，出 15 秒片段，不额外收费。素材拖到时间轴上加字幕和旁白。
Flow：打开 labs.google/fx/tools/flow，把要拍的镜头写成场景，生成后在同一段对话里继续改，改用 AI Plus、AI Pro 或 AI Ultra 计划里的 Flow 额度。
Gemini app：选视频工具，描述片段。先向 Google AI Ultra 订阅用户推送，其他计划要等。
Google AI Studio：打开 aistudio.google.com，在 Google Cloud 项目上开通结算，模型列表选 gemini-omni-1.2-flash，设宽高比、分辨率、时长，生成后在同一会话里追问修改，满意后升频到 1080p 或 4K 再下载 MP4。

走接口时用 Interactions API，不是 GenerateContent API。生成时传 response_format 指定视频类型、分辨率、宽高比；编辑时把上一次请求的 id 传进 previous_interaction_id，提示词写改动内容；延长时把视频文件当输入，提示词写续写要求。Google AI Studio 里能直接跑通再迁到代码。

广告素材走 Google Ads 的 Asset Studio，企业版走 Gemini for business 和 Google Cloud 控制台。

Gemini Omni 1.2 Flash的价格

按输出视频 token 计费，每百万视频 token 12.00 美元。各档分辨率对应的每秒 token 数和价格，表内金额单位美元：

分辨率	每秒 token	每秒	5 秒	10 秒	15 秒
360p 草稿	1,931	0.023	0.12	0.23	0.35
720p 原生	5,792	0.070	0.35	0.70	1.04
1080p 升频	8,688	0.104	0.52	1.04	1.56
4K 升频	17,376	0.209	1.04	2.09	3.13

输入按每百万 token 1.50 美元，文本输出每百万 token 9.00 美元。上表只算视频输出，不含提示词和参考图的输入费用。

按每百万 12.00 美元折算，100 条 15 秒 720p 是 8,688,000 个视频 token，约 104.26 美元；同样数量的 360p 只要 34.76 美元，4K 要 312.77 美元。官方建议的工作流是先出 360p 或 720p 草稿，用对话改完细节，只对成片升频，一次 15 秒 720p 约 1.04 美元。

Gemini Omni 1.2 Flash 视频规格 — 官方规格表。Video 段从输入视频的四类上限到输出时长、视频数、宽高比、分辨率，底部是发布与退役日期

Gemini Omni 1.2 Flash的参数限制

项目	值
输入视频总长（理解）	10 分钟
输入视频总长（编辑）	15 秒
输入视频（延长）	任意长度，取最后 10 秒
输入视频（升频）	15 秒
输出时长（生成与编辑）	3 到 15 秒
输出时长（首尾帧）	3 到 10 秒
输出时长（延长）	每轮 3 到 10 秒，总长 30 秒
单次视频数	3 个
宽高比	16:9、9:16
分辨率	360p、720p、1080p、4K
单次图片数	10 张
单张图片大小	20 MB 直传、30 MB 云存储
temperature	0 到 2，默认 1.0
topP	0 到 1，默认 0.95
候选数	固定 1

图片支持 png、jpeg、webp、heic、heif，视频支持 flv、quicktime、mpeg、mp4、webm、wmv、3gpp。20 MB 那一档指控制台上传和内联数据，走 Google Cloud Storage 可以到 30 MB。

Gemini Omni 1.2 Flash的限制

1080p 和 4K 是升频：原生只有 360p 和 720p，高分辨率由低分辨率结果放大，不是直接渲染。
音频参考要申请：Google Cloud 上音频参考在 allowlist 后面，默认关。
API 没有免费额度：免费列写的是 Not available，只能走付费档。
三个地区不能上传视频：欧洲经济区、瑞士、英国的 Gemini API 用户不能上传视频做编辑或延长，只能改模型自己生成的片段。
只测过英文：官方说英文完整支持，其他语言没有评测，结果会有差异。
三类画面还在改：快速体育动作、脚本快速变化、复杂物理效果，官方明确列为改进中。
没有第三方跑分：一致性和口型同步的说法都来自谷歌自己的公告和客户案例，没有独立基准。
工具链大半关闭：function calling、Grounding、代码执行、结构化输出、上下文缓存、微调、图像生成都不支持，支持的接口只有 Interactions API 和 Count Tokens API。