Google DeepMind 正式发布 Gemini Omni 1.2 Flash 视频生成模型，时长延至 15 秒、价格降 30%

Google DeepMind 宣布 Gemini Omni 1.2 Flash 视频生成模型正式开放使用（generally available），相比前代在时长、价格和编辑方式上有明确变化。 时长方面，生成片段从原先最长 10 秒扩展到 3 至 15 秒。价格方面，720p 视频降至每秒 0.07 美元，较前代下降 30%。模型通过 Gemini API、Google AI Studio、Google Cloud Console、Flow、Google Vids、面向 Google AI Ultra 订阅用户的 Gemini 应用以及 Google Ads 提供，每段生成视频都带有不可感知的 SynthID 水印。 核心功能是 Google 所称的“对话式编辑”（Conversational Editing）。用户可以在持续对话中逐步修改已生成的片段，调整背景、光线或画幅比例，而无需重新生成整段视频，且该能力覆盖完整的 15 秒长度。配合分层工作流，先以 360p 或 720p 生成草稿，再通过后续编辑修正细节，最后仅将最终结果放大到 1080p 或 4K，Google 称这一流程有助于降低成本。 参考一致性方面，模型可接受人物图像、产品照片、最长 3 秒的短运动片段和音频提示作为输入，并声称在不同机位角度下保持人脸、服装、包装字体和品牌色一致。Google 给出的示例是一段虚拟试穿视频：从一张模特照片和三套服装的产品图生成 15 秒、含 360 度转身的序列，同时保持模特身份与每件服装的剪裁和垂坠感。Google 还表示，相比前代，运动与镜头切换中的视觉漂移或形变有所减少。 此外，模型声称能生成更流畅自然的对话，唇形同步更清晰，并可区分多个说话人；对 FPV 无人机飞行或戏剧性拉远等复杂连续镜头运动的处理也更好，意外跳切明显减少。