一、这次到底改了什么
11 月 5 日,Google DeepMind 与 Google Cloud 把 Gemini Omni 1.2 Flash 推到 GA,模型代号 gemini-omni-1.2-flash。三处硬变化:原生视频时长从 1.1 的 10 秒上限提到 15 秒,并且支持按 1 秒步进选 3 到 15 秒;多轮对话式编辑,同一条片子可以一轮一轮改;720p 价格相比 1.1 降 30%,约每秒 0.07 美元。
时长这一项的意义在于一条过。10 秒的上限意味着大多数产品讲解和社交广告位需要拼接,拼接就有跳变。15 秒能覆盖一个完整场景,默认输出 720p、16:9,也支持 9:16 竖屏。
多轮编辑靠一个 previous-interaction identifier:后续请求带上前一次交互的标识就能保留上下文,不用把上一条视频重新上传。可改的东西包括换产品或背景、改光照和天气、切画幅,没提到的元素保持不变。
二、按秒算钱的成本模型
付费 Gemini API 的计价是每百万视频输出 token 12 美元,720p 每秒按 5792 token 计。折算下来 10 秒约 0.70 美元,15 秒约 1.04 美元。文本、图像、视频输入是每百万 token 1.50 美元,免费层不可用。
官方推荐的省钱流程分三层:先在 360p 或 720p 出草稿,用多轮编辑修细节而不是整条重生成,最后只把选中的成片升到 1080p 或 4K。这套流程的价值在试错成本,过去 logo 一漂就得整条重跑,现在改一次只花一次的钱。
参考图能力也放开了:单次请求最多 6 张参考图,每个角色最多 3 张、最多支持 2 个角色,还能叠加最长 3 秒的短运动片段和音频提示。官方说人脸、服装、包装字体和品牌色在不同机位之间更稳。音频参考在 Cloud 侧需要加白名单。
1.2 对比 1.1 的并排评测里,文本生视频的视觉一致性胜率是 62% 对 38%,参考图生视频的身份一致性胜率是 63% 对 37%。
三、几个必须知道的限制
视频延长和原生生成是两条不同的路。延长每轮追加 3 到 10 秒,以末尾 10 秒为上下文,总长上限 30 秒;不能往前接,也不能在中间插入内容。首末帧插值仍然只支持 3 到 10 秒的输出。
能力边界也要清楚:快速体育动作、脚本快速切换、复杂物理仍在改进中;API 只完整支持英语,其他语言未做评估;语音编辑、上传音频输入和音频参考在当前 API 里不支持。
迁移时间表已经定死:Omni 1.1 保留四周过渡期,2026 年 12 月 3 日起,指向 1.1 的 API 请求会自动路由到 1.2,并按 1.2 的低价计费,代码不用改。所有经 API 生成的视频都带不可见的 SynthID 水印,可以程序化检测,做商用素材归档时要记住这一点。