Google 发布 Gemini Omni 1.2 Flash 视频模型，时长提至 15 秒、价格降 30%

Google Deepmind 正在将其 Gemini Omni 1.2 Flash 视频生成模型全面开放。更新后的模型可生成最长 15 秒的片段，支持对话式编辑，且成本比前代低 30%。

Google 表示，Gemini Omni 1.2 Flash 正通过 Gemini API、Google AI Studio、Google Cloud Console、Flow、Google Vids、面向 Google AI Ultra 订阅者的 Gemini 应用以及 Google Ads 逐步推出。每个生成的视频都带有不可感知的 SynthID 水印，以标明其来源。

片段时长现在可在 3 到 15 秒之间，此前最长为 10 秒，同时价格下降 30%，720p 视频为每秒 0.07 美元。生成的片段还可以通过持续对话进行编辑。

一个突出功能是 Google 所称的“对话式编辑”。用户可以逐步调整生成的片段，更改背景、光照或宽高比，而无需重新生成整个片段。Google 表示，这适用于完整的 15 秒长度。结合分层工作流，该功能旨在降低成本。草稿首先以 360p 或 720p 创建，个别细节通过后续编辑修正，只有最终结果才升级到 1080p 或 4K。

Google 承诺借助参考图像获得更一致的结果

Google 还承诺显著更好的参考遵循能力。根据公告，该模型可以接受角色图像、产品照片、最长三秒的短动作片段以及音频提示作为输入。人脸、服装、包装字体和品牌颜色应在不同摄像机角度下保持一致。

例如，Google 展示了一段虚拟试穿片段。仅凭一张模特照片和三套服装的产品图，该模型就能生成一段 15 秒、包含 360 度转身的序列，同时保留模特的身份以及每件服装的剪裁和垂坠感。

整体视觉一致性据说也有所提升。Google 表示，与上一代相比，在运动和镜头转换过程中的视觉漂移或变形更少。

除此之外，Gemini Omni 1.2 Flash 应能生成更流畅、听起来更自然的对话，唇形同步更清晰，并能区分多个说话者。该模型还能处理复杂、连续的摄像机运动，例如 FPV 无人机飞行或戏剧性的拉远镜头，且不需要的跳切显著减少。

没有炒作的 AI 新闻——由人类精选

订阅 THE DECODER，享受无广告阅读、每周 AI 新闻通讯、每年六次独家“AI Radar”前沿报告、完整档案访问权限以及评论区访问权限。