Gemini Omni 1.2 Flash：15秒AI视频，一句话改背景换灯光

从"拍一段"到"讲一段"：15秒原生生成意味着什么

谷歌发布的 Gemini Omni 1.2 Flash 把单次原生视频生成时长从上一代的 10 秒提升到 15 秒。数字上只多了 5 秒，但对内容创作的意义远不止于此——15 秒刚好够装下一个完整的小故事：一个产品亮相、一次场景切换、一段人物动作的起承转合。据B站视频中的演示说明，一次生成就能讲完一个完整的故事段落，不必再像过去那样拍 10 秒就中断重来。

这种"一次成型"的能力改变了工作流的基本单位。以前创作者面对的是"片段"，现在面对的是"镜头"甚至"小场景"。对于做产品介绍、短视频起量的普通用户来说，这意味着可以先用它快速出一个样片，验证创意方向后再决定是否投入更多资源。

原生视频生成指模型在一次推理过程中直接输出连续视频帧，而非先生成关键帧再插帧拼接，或先出图再逐帧动画化。原生生成的难点在于时空一致性：模型必须在时间维度上同时维持物体身份、光影逻辑和运动连续性，任何一帧的漂移都会在播放时被放大。单次生成长度受限于计算成本与误差累积——时长越长，后段画面偏离前段设定的概率越高。因此从 10 秒到 15 秒并非线性扩容，而是要在更长的自回归或扩散过程中抑制漂移，这也是各家厂商把"单次生成秒数"作为核心指标的原因。

一句话改背景换灯光：迭代方式变了

Gemini Omni 1.2 Flash 真正让人觉得"顺手"的地方，不在于生成，而在于修改。视频发布后想换个背景、调个灯光，跟它说一声就行，不用从头再来。传统流程里改一个元素意味着整段重做，而自然语言指令式的局部调整把试错成本压到了接近零。

连续修改还带来一个容易被忽略的收益：一致性。素材提到，人物衣服、产品包装在整段视频下来不容易走样。对商业内容来说，这一点比时长更关键——品牌露出一旦在镜头间发生漂移，素材基本就废了。15 秒时长叠加语句级修改，让"同一个角色、同一件产品"在更长的叙事里保持稳定成为可能。

自然语言指令式局部编辑与传统视频重制的区别在于作用域。传统剪辑改背景需要抠像、重建图层、重新渲染；而指令式编辑由模型理解"把背景换成海边"这类语义，只重绘目标区域，其余像素尽量保留。这对模型的区域感知与跨帧绑定能力要求很高——同一处修改必须在所有帧中以一致的边界和光照落地，否则会出现闪烁或边缘撕裂。一致性问题同样如此：角色服装、产品包装的外观由模型的隐空间表征维持，时长越长、镜头变化越多，表征越容易被后续帧"冲淡"，出现颜色偏移或细节丢失，因此长时长与高一致性往往相互制约。

谷歌的坦诚：快速运动与复杂物理仍是短板

演示内容里也如实呈现了官方对局限性的说明。谷歌自己承认，快速运动、复杂物理这类场景还在打磨中。换句话说，人物慢动作、产品旋转展示、静态场景切换这些需求现在就能用；但涉及高速运动、复杂物体交互的镜头，成片质量还不到可以放心交付的程度。

这种坦诚对选型有实际参考价值。把它当作"创意预演工具"而不是"最终交付工具"，是目前更合理的定位——先让它出样片，确认叙事节奏和视觉方向，复杂镜头再交给更重型的流程补足。

复杂物理在视频生成中通常指刚体碰撞、流体飞溅、布料与毛发形变、物体遮挡与穿透等需要遵守力学规律的场景。这类内容的难点在于模型缺乏显式的物理引擎约束，只能从训练数据中隐式学习运动先验，一旦运动速度高、物体交互密集，先验就容易失效，出现穿模、物体凭空消失或运动轨迹不连贯。快速运动还叠加了时间采样问题：帧间位移过大时，模型难以在相邻帧之间建立可靠的对应关系，导致拖影和抖动。这也是当前多数视频模型在慢速、静态、单主体场景表现明显优于高速多体场景的普遍原因。

价格下探三成：从玩具到工具的临界点

价格是这次更新里另一个实质性变化。素材显示价格降了三成，按每秒计价，一段 15 秒的片子算下来一美元出头。对个人创作者和小团队来说，这个量级已经进入"随手试几个版本也不心疼"的区间。

更低的门槛还体现在使用方式上：普通用户不需要写代码，在谷歌的视频工具里就能直接使用，每月还有免费额度。当工具的使用成本从"需要技术能力+按次付费"降到"打开就能用+免费额度起步"，AI 视频的定位就从演示性质的玩具，转向了真正能干活的生产力工具。

谁该先试，试什么

综合来看，Gemini Omni 1.2 Flash 最匹配的场景有三类：产品介绍类内容，需要产品包装在镜头间保持一致；短视频起量阶段，需要低成本快速产出多个样片做方向测试；以及叙事型小片段，15 秒刚好够讲清一件事。

它不擅长的场景也很明确：快速运动、复杂物理交互的镜头，目前仍需谨慎。把工具用在它擅长的叙事和展示区间，才是这一代模型能带来的真实效率提升。对普通用户而言，最实际的问题已经不是"要不要用 AI 视频"，而是"先拿它试哪一段"。