谷歌把视频生成打到每秒 0.07 美元：Gemini Omni 1.2 Flash 想让“抽卡”变成“改稿”

做电商素材的人大概都有过这种体验：想要一个 15 秒的产品短片，模型最多给你 10 秒，而且镜头一转人物就换了张脸。想改个背景，只能把提示词重写一遍，再抽一次卡。

谷歌 11 月 6 日推出的 Gemini Omni 1.2 Flash，想改的就是这件事——不是让模型“一次生成得更长”，而是让视频生成变成可以反复改稿的工作流。

一分钟速览

• Gemini Omni 1.2 Flash 已在 Gemini API 与 Gemini for business 全面开放。
• 原生支持最长 15 秒视频，可按 1 秒为单位在 3 到 15 秒之间自定义。
• 720p 生成价格为每秒 0.07 美元，较 1.1 版本降价 30%。
• 新增多轮对话式编辑，改产品、改背景、改光照、改画幅都不必整段重生成。
• 参考遵循支持角色图、产品图、风格图，加最长 3 秒动态片段与音频线索。
• 工作流可以先用 360p 或 720p 起草，定稿后再升到 1080p 或 4K。

从 10 秒到 15 秒：长度不是重点，完整性才是

1.1 版本原生上限是 10 秒，新版本拉到 15 秒，并且允许以 1 秒为单位裁剪。谷歌给出的使用场景很具体：一条完整的故事、一段产品讲解、一支社交广告，都可以在一次生成里讲完。

15 秒这个数字不算激进，但它刚好覆盖了短视频平台最常见的素材长度。过去要凑满 15 秒，往往得生成两段再拼接，接缝处的光线、人物状态很难对齐；现在一次生成，首帧到末帧的一致性由模型自己保证。

对话式编辑：把“重抽”换成“改这一处”

这是这版最值得关注的能力。用户可以围绕同一个片段逐轮提要求：替换画面里的产品、换背景、改光照或天气、切换画幅比例，模型只改被点名的部分，不需要从头再生成一遍。

对投放团队来说，这意味着一条素材可以快速裂变出多个版本：同一支广告，换产品配色给不同地区，换画幅给不同投放位，都不必重新写提示词。谷歌特别提到，多轮编辑能力可以覆盖完整的 15 秒片段。

参考遵循：让产品图“活”起来

新模型支持同时喂入角色、产品或风格图片，再加最长 3 秒的动态片段和音频线索。模型会在不同镜头角度下保持面部、服装、包装字体、品牌色彩的一致性。

这一点对电商和品牌方更实用。现实里的痛点是：产品图是棚拍的，视频里的产品却总跟实物有偏差，包装上的字会糊、颜色会偏。模型能把静态产品图转成虚拟试穿、产品旋转展示和品牌视频，前提就是这种跨镜头的一致性。

成本账：降价 30% 之后，还要会“分级生成”

720p 每秒 0.07 美元，按当前汇率约合 0.47 元人民币。一条 15 秒 720p 素材的生成成本大约 1.05 美元。对比 1.1 版本，价格降了三成。

比单价更值得注意的是工作流设计。谷歌建议先用 360p 或 720p 快速起草，通过后续编辑修正细节，定稿后再升级到 1080p 或 4K。这实际上把“生成”拆成了“草稿”和“精修”两段：草稿阶段用低价快速试错，精修阶段只为确定要用的版本付费。

对批量生产的团队，这套逻辑能省下的钱比 30% 的降价更多——真正的浪费从来不是单价，而是为一个不满意的镜头反复重生成。

语音与口型：讲解类视频的门槛在降低

新版还能生成更自然的对话、更清晰的口型同步，并支持多说话人条件控制。落地场景包括 Flow 里的多角色对话、Gemini for business 的讲解视频，以及 Google Vids 里带数字人、音乐与旁白的成片。

这块过去是专业工具的领地，需要单独配音、对口型、调时间轴。模型把这几步合进生成流程之后，企业做内部培训、产品演示的门槛会明显下降。

视频模型的竞争，开始比“改稿效率”

过去一年，视频模型的宣传口径基本围绕“更长、更清晰、更真实”。但当生成质量普遍越过可用线之后，决定生产力的指标变成了另一个：一条素材从想法到定稿，要重生成几次。

Gemini Omni 1.2 Flash 把注押在编辑上，本质上是在承认一件事——视频创作不是一次成型的，它就是反复改。谁能让“改”更便宜、更精确，谁就更接近真实的生产流程。