Google Gemini Omni 1.2 Flash 正式可用，原生片段延长至 15 秒

Google于2026年11月5日宣布Gemini Omni 1.2 Flash正式可用，使这一视频生成与编辑模型全面开放。此次更新将原生片段时长提升至15秒，新增多轮对话式编辑，并将720p定价下调30%至约每秒0.07美元。

该模型可根据文本、图像和视频输入生成同步的视频与原生音频。增加的运行时长旨在将完整故事、产品讲解和完整社交媒体广告片容纳于单次生成之中。

更长的片段与对话式编辑

开发者文档支持3至15秒的整秒时长，而Omni 1.1的上限为10秒，默认时长为10秒。输出默认为720p和16:9横屏，同时也支持9:16竖屏。团队可以以360p或720p进行草稿生成，并将选定的结果升级至1080p或4K。

对话式编辑可以替换产品或背景、改变光照或天气，或切换宽高比，同时保持未提及的元素不变。上一轮交互标识符可在API请求之间保留上下文，因此无需再次上传先前的视频。每个请求还可使用最多六张参考图像，包括每个角色最多三张图像、最多两个角色。

视频延长与原生生成相互独立：每轮追加3至10秒，以最后10秒作为上下文，总计最多30秒。它无法在片段开头添加素材或在片段中间插入内容，首尾帧插值仍限于3至10秒的输出。

定价与迁移

在付费Gemini API上，定价为每百万视频输出token 12美元，按720p视频每秒5,792个token计量。所列成本约为10秒片段0.70美元、15秒片段1.04美元。文本、图像和视频输入为每百万token 1.50美元，且该模型不提供免费层级。

Gemini Omni 1.1 Flash在为期四周的过渡期内仍然可用。2026年12月3日，发往1.1的API请求将无需更改代码自动路由至1.2，并采用更低的1.2费率。因此，现有集成有了明确的迁移日期，而无需立即重写。

质量声明与生产限制

Google表示，此次更新能更好地在不同机位角度和转场之间保持面部、服装、包装字体和品牌颜色，减少视觉漂移或变形，同时提供更清晰的口型同步、更自然的对话、针对多位说话者的独立条件控制，以及更少出现不必要跳切的连续镜头运动。

Google DeepMind的并排评测显示，在文生视频测试中，Omni 1.2的视觉一致性胜率为62%，而Omni 1.1为38%。在参考图生视频对比中，1.2的多参考身份一致性胜率为63%，而1.1为37%。

同时也存在明确的技术限制。快速体育动作、快速脚本变化和复杂物理效果方面的开发仍在继续。Gemini API完全支持英语，但尚未评估其他语言。当前API不支持语音编辑、上传音频输入和音频参考。生成时间随时长、分辨率和API负载而变化，安全过滤器适用于提示词和生成的视频。

可用性与生产使用

Google Cloud的正式可用公告新增了控制台和API访问、企业基础设施与安全性，以及预配吞吐量，音频参考功能需通过允许列表才能使用。Photoroom首席执行官Matt Rouif表示，更长的生成时长是用户的首要需求之一，而带有服务级别协议的正式可用将让公司能够在生产中为卖家和企业的客户依赖Gemini Omni Flash。该模型为Photoroom的Video Ad Maker和Product Animator提供支持。

此次发布将更低定价与改变后的生产流程联系起来：有针对性的修改可以取代完全重新生成，更高分辨率的渲染可以保留给选定的输出。因此，其生产价值取决于所报告的一致性提升，因为在多次修改中保持角色、产品和场景一致，正是使迭代编辑成为从头开始的实际替代方案的关键。