Gemini Omni 1.2 Flash：15 秒视频的基础价，不是成片总账

Google 在 11 月 5 日发布 Gemini Omni 1.2 Flash，把单次原生视频片段的上限从 10 秒提高到 15 秒，并展示了在同一片段上继续改背景的流程。15 秒 720p 视频按官方每秒 0.07 美元的标价计算，一次基础生成是 1.05 美元；后续编辑、重试和升采样的费用未纳入这一算例。对需要交付一条能用的广告片的人来说，单次生成单价与成片总账是两道不同的题。

11 月 6 日的 Google Cloud 文章进一步确认 Cloud 正式可用。下面沿着三组官方演示看它试图解决的创作问题：衣服是否跟着人物运动，修改背景能否保住主体，文字动画能否贴近参考画面。这些是厂商展示，并非本站复测。

从 10 秒到 15 秒：一条商品短片能多讲几步？

上一版 Omni 1.1 Flash 的原生片段上限为 10 秒；Gemini Omni 1.2 Flash 发布公告把上限提高到 15 秒，允许在 3–15 秒之间按 1 秒的步长指定时长。这里的「15 秒」是一次生成或编辑的原生片段上限，不是一次生成整段长片的承诺。

想象一个服装展示任务：客户给一张人物照片，再给三套衣服的正反面照片，希望成片里有转身和镜头切换，衣领、面料和背面细节别丢。Google 的虚拟试衣演示正是围绕这组输入展开；公告说模型生成了 15 秒的转身与切镜序列，保持人物身份和衣装特征。这比单张静帧更接近短广告真正要解决的问题：运动之后，物件还认不认得出来？

这张截帧能说明官方示例的构图和参考素材，不能证明任意商品、任意转身角度都会正确。对创作者，值得记录的是每次产出的可用镜头比例：正面合格而背面走样，最后还是得改片或重做。15 秒给了更多叙事空间，也让细节在连续镜头里接受更长时间的检验。

Google DeepMind 的模型卡把文字、图片、音频和视频列为输入类别，视频与音频列为输出；但这是一份模型能力说明，不是对每个开发者账号所有输入通道均已开放的保证。真正用到某种参考素材时，还要核部署入口和权限。

改背景而不是重开一局：官方演示做到了哪一步

第一版短片的主体满意了，只是背景不合适。如果每次从头生成，就需要重新交代人物、商品和镜头，并重新检查一致性。Omni 1.2 Flash 这次展示的工作方式，是让用户在已有片段上继续用自然语言提修改：换商品、光线、天气、背景或画幅。Google 称多轮对话编辑可作用于完整 15 秒片段，而不必每次从空白输入重来。

公告中的背景修改演示，从一段双人场景出发，依次换成森林、马厩、集市和城堡。Google 对这组演示的表述是，在改场景时保留人物的表演、盔甲反光与镜头构图。下图把原始背景与四次修改结果放在一起，方便对照变化落在什么地方；整段运动是否稳定，仍须观看视频并用自己的素材验证。

从创作流程看，这项能力若能在自己的商品素材上稳定复现，修改客户反馈就不必次次重新搭整条镜头；但这句话仍带条件。文案里「可以继续编辑」是模型提供的工作方式，不是免费修改的价格承诺，更不是已经测出的平均节省。有的变化可能一次成功，有的变化可能迫使团队返回第一版重新出片。需要比较的不是两张最漂亮的官方图，而是同一个 brief 下完成合格片段所花的全部尝试。

参考输入也有边界。Google 公告举了人物、产品和风格图片、最长 3 秒的动作短片，以及音频提示的例子；Google Cloud 的上线说明明确写着音频参考 需要单独获准（allowlist），并非普通账号默认能用。模型卡还单独说明，修改视频中人物话语的能力目前受到限制；获准使用音频参考，不等于这项语音编辑能力也已开放。评估时先核清自己的账号和入口能使用哪些参考输入，不要把官方样例当成默认套餐功能。

排版动画更难：看得到官方对照，看不到总体胜率

商品图之外，还有更容易暴露问题的素材：带字海报。Google 给出同一静态海报和五层动画指令的对照，让 Omni 1.1 Flash 与 1.2 Flash 分别把玻璃、灯丝、水晶和字母逐层组装进画面。文字每动一次都可能变形；瓶身、阴影和排版还要在连续画面里保持关系。官方对照的用途，是把「参考一致性」落实到几个可指认的元素，而非用一张热闹的画面替代论证。

参考图、旧版和新版三栏提供了具体的检查对象，但一次官方挑选的案例并不能给出成功率。真要拿自己的品牌海报评估，至少应固定参考素材、提示词、分辨率与检查项：每个字是否仍可读，品牌色有没有飘，文字运动结束后是否回到正确位置；失败则计入返工，而不是只保留最好的一帧。

Google 同时说明，快速运动的体育画面、脚本突然变化和复杂物理仍在改进中。官方称口型同步和多人对话更自然，也只能归入厂商发布时的描述；在没有逐镜头复核和相同条件对照之前，我们不替读者写「全面解决了复杂动作或配音」。

15 秒视频的 1.05 美元，少算了什么

最简单的账如下：720p 标价 0.07 美元／秒 × 15 秒 = 1.05 美元。Google 称这一 720p 单价比 Omni 1.1 Flash 低 30%；对比对象是同厂旧版，不是与其他视频模型横向比价。这里是本文依据 Google 标价所做的算术，适用对象是一次 15 秒、720p 基础生成。不含税费、重试、修改、上采样或其他服务收费；也不是实际账号结算单。

以一个假设订单看差别：先生成一条 15 秒的 720p 草稿，客户要改背景，改完又发现商品文字不清，最后决定升至 1080p。第一步可按上述标价算出 1.05 美元；后两步是否各自收费、如何按输出分辨率或时长计价，本文所据三篇公开原文不足以给出完整数字。不能把「一次出片 + 一次改片 + 一次重做」直接乘三，再包装成官方总价。也不能从「改片比重做更方便」推导出必然省钱：如果修改不符合要求，团队仍会重做。

Google 发布公告建议先在 360p 或 720p 草拟、修改，再将满意版本升至 1080p 或 4K。这个顺序有清楚的工程直觉：贵的清晰度留给筛过的方案；但原文没有给出我们这个假设订单里每次编辑的确切费用、成功率或升采样总价，因此不能写「按此流程固定节省 30%」。30% 是 Google 给出的旧版单价比较，不是读者的整单成本减幅。

还要分清从哪扇门进去。Google 明确称 Gemini API 和 Google Cloud 已正式可用（GA），上述每秒标价不能原样搬到 Google Vids 的使用权益上；Gemini App 的 15 秒生成面向 Google AI Ultra 订阅者分批开放。两份官方文章对 Gemini for business 的上线状态并不一致：产品公告将其与现有入口并列，Cloud 文章末尾则写「coming soon」。本篇不判它已经向所有 business 用户开放。正式可用也不等于每个地区都能使用；本文未验证中国可用性，账户、地区、支付条件与实际入口仍须自行核对，音频参考还需单独获准。

值得试的不是宣传片，而是自己的返工清单

对商品短片，第一轮测试可以只设一条窄任务：给定同一件商品的多角度照片，指定 15 秒内的转身和两个镜头；检查不同镜头的衣料、包装文字和人物身份。第二轮再把已有素材的背景换掉，看商品与构图保留到什么程度。开始前先给这轮小试设一个自己可承受的总预算上限；未确认编辑与1080p计费前，不批量提交。每次操作记录「入口与地区、生成或编辑、输出秒数与分辨率、实际扣费、失败或重试、人工处理分钟数」，达到预算上限就停。最后按合格素材数分摊费用，同时单列人工时间。这样算出的才是每条合格素材的成本，而不是一句每秒标价。

如果需要音频参考，先问清账号权限；涉及修改视频中人物话语，还要核对模型卡列出的专门限制。如果重点是高速运动或复杂物理，不应从现有官方样例推断效果。模型卡提供了用途和输入输出边界，但对特定商品、提示词和创作团队的生产胜率，仍需要自己的验证。官方三组演示让人看见这代产品试图解决的工作：一条短片要能延长到 15 秒，主体要能跟随镜头，再让修改落在已有片段上。它们没有替你完成验收。

因此，1.05 美元值得记，但更值得记住它后面的空格：这是一次 720p 基础生成的算术起点。最终选择取决于修改到底保住多少已有画面、哪些输入真正开放，以及为了做成一条能交付的片子还要付出多少轮时间和费用。