Gemini Omni 1.2 Flash：15 秒原生视频、降价 30% 与多轮对话式编辑

## 发布事实与证据边界 Google 于 2026 年 11 月 5 日宣布 Gemini Omni 1.2 Flash 全面可用，覆盖 Gemini API 与 Google Cloud，来源称这是 Gemini Omni 首次全面可用，并进入 Flow、Google Vids、Gemini 应用与 Google Ads。来源给出的硬信息包括：最长 15 秒原生生成、可按 1 秒粒度指定 3 至 15 秒、相对 1.1 降价 30%、720p 每秒 0.07 美元、多轮对话式编辑、图像与最长 3 秒运动片段及音频参考、SynthID 水印与 Provisioned Throughput。架构、参数量、延迟、1080p 与 4K 计价、编辑轮次计费方式，来源均未披露；Token4AI 接入状态亦未提及。这些均列为待验证项，不替厂商补齐。

## 15 秒不是简单的加 5 秒 时长从 10 秒增至 15 秒，误差累积、身份漂移与镜头调度的难度并非线性上升。片段越长，同一外观要在更多帧、更多机位和更多运动下保持，任何局部漂移都会在长镜头里被放大。来源强调首尾关键帧插值与片段延长时的一致性，实际上把目标从“生成好看的 15 秒”变成“在 15 秒内维持可追踪的世界状态”。这是作者推断：来源未说明它依靠关键帧锚定、参考注入还是隐状态延续。

## 参考遵循：条件更强，约束也更紧 来源称可组合人物、产品、风格图片、最长 3 秒的运动片段和音频线索，并让面部、服装、包装字体与品牌色在换机位时保持一致。对电商与广告而言，可复用的资产是品牌一致性，而非更美的画面。但更强条件通常以缩小运动自由度换取稳定：参考图与提示冲突时，模型可能忽略提示，或产生僵硬、贴图感明显的运动。虚拟试穿与产品转台是厂商挑选的样例，来源没有公开参考相似度或文字保真度指标。

## 多轮编辑改变的是工作流 多轮对话式编辑允许在同一片段上换产品、换背景、改光线天气、切画幅，不必重新生成整条片子，卖点是无需重新 brief。真正的问题是状态：每一轮是否重渲染完整 15 秒？前几轮的修改会不会被后续轮次稀释？若每轮都按生成秒数计费，省下的重生成成本可能被多轮编辑吃掉。来源未给出编辑的计费口径，这是采购前应先问清的事项。

## 降价 30%，单位可用成本未必下降 0.07 美元/秒（720p）是来源给出的唯一价格锚点，1080p、4K、音频与编辑轮次的价格均未说明。来源建议先出 360p 或 720p 草稿、用编辑修细节，再放大到 1080p 或 4K。但放大不等于重新生成：发丝、织物纹理和小字号文字能否恢复，取决于放大环节如何实现与计费，来源未说明。评估应看每条被采纳成片的综合成本，而不是标价。

## 语音、口型与多说话人条件 来源称对白更自然、口型更准，并支持多说话人条件：用一张场景图、四个角色的口部与一秒语音参考，把采样到的声音路由到正确角色。这对本地化配音与虚拟主播是实质能力，但来源没有公布词错率、口型同步误差或说话人归属准确率。演示里的喜剧节奏是主观描述，不能当作指标。用于生产前，需以目标语言、口音与麦克风条件自建测试集。

## 镜头控制与已知短板 连续 FPV 穿越、无缝拉远与环绕是本次演示重点，来源称不想要的跳切显著减少、尺度更稳。同一篇来源也明确列出仍在改进的方向：快速体育动作、快速剧本变化与复杂物理。这条自述限制比任何演示都更有信息量，它划出适用边界：品牌广告、产品展示与讲解类内容相对安全，高速运动与强物理交互仍需人工兜底。

## 如何验证，而不是被样片说服 建议用固定评测集而非单条 demo，覆盖产品转台、虚拟试穿、小字海报动画、多说话人对话、连续运镜五类任务，每类至少 20 条提示词，固定参考素材与随机种子，重复运行。可测指标包括参考相似度、画面文字 OCR 准确率、跳切检测、身份漂移曲线、编辑局部性、说话人路由正确率，以及每条可用成片的综合成本。同时做 1.1 与 1.2 的同预算 A/B，并检查 SynthID 在转码与二次上传后的检出率。以上是作者提出的验证方案，不是来源内容。

## 结论 Gemini Omni 1.2 Flash 来源明确的变化有三点：原生时长提升到 15 秒、把编辑变成对话、把 720p 单价压低 30%。三者叠加的价值在迭代成本，而非单次生成质量，来源的草稿—修订—放大流水线也暗示了这一点。务实建议：现在可用它做低频、可控、以品牌一致性为目标的广告与商品视频；对高速运动、复杂物理和需要严格可复现的镜头，先保留人工环节。它是否真的更一致，请用自己的素材与指标回答，而不是用厂商样片。