Google Gemini Omni 1.2 Flash 发布并支持 15 秒视频生成及对话式编辑

Google DeepMind 正式推出 Gemini Omni 1.2 Flash 视频生成模型，将单次生成时长上限从 10 秒扩展至 15 秒，并将 720p 视频价格下调 30% 至每秒钟 0.07 美元。该模型通过 Gemini API、Google AI Studio 及多个 Google Cloud 服务渠道开放，所有生成内容均嵌入 SynthID 水印以标识来源。

核心功能包括对话式编辑（Conversational Editing），允许用户在不重新生成整个片段的情况下逐步调整背景、光照或宽高比，且该功能覆盖完整的 15 秒时长。配合分层工作流，系统可先在低分辨率下创建草稿并进行细节修正，仅对最终结果进行超分处理，从而降低整体成本。此外，模型在参考图像一致性上表现提升，能更准确地保持角色特征、服装剪裁和品牌色彩，同时减少运动过程中的视觉漂移或变形。

事实层面，该版本明确支持 360 度转身等复杂镜头运动，并改进了多说话人区分与唇形同步能力。推断层面，这种分层渲染策略可能显著降低企业级视频制作的边际成本，特别是对于需要多次迭代修改的场景。猜测层面，虽然官方宣称效果提升，但实际落地中是否能在不同硬件环境下稳定维持 15 秒的连贯性仍需观察。