谷歌Gemini Omni 1.2 Flash发布：15秒AI视频每秒0.07美元

谷歌再推视频生成新模型，价格与时长同步突破

据 MarkTechPost 报道，谷歌正式发布 Gemini Omni 1.2 Flash，这是一款面向视频生成与编辑的多模态模型。与此前版本相比，新模型在三个维度同时推进：原生支持 15 秒视频片段、引入多轮对话式编辑能力，并将 720p 视频生成价格下调 30% 至每秒 0.07 美元。

这组参数放在当前 AI 视频生成赛道里颇具信号意义。15 秒的原生时长意味着模型在单次生成中就能覆盖一段完整的叙事片段，而不是靠拼接多个短片段凑时长；多轮对话式编辑则把"生成—修改"的循环从反复重试提示词，推进到接近人类协作的交互方式；而价格的下探，直接关系到开发者能否把视频生成能力嵌入到高频调用的产品流程中。

15 秒原生视频：从"片段"到"段落"

视频生成模型长期受制于时长。多数模型在单次调用中只能稳定输出数秒画面，超过这个长度就容易出现主体漂移、场景跳变或动作不连贯。Gemini Omni 1.2 Flash 将原生时长提升到 15 秒，本质上是在时间一致性上交出了一份更强的答卷。

15 秒的另一个价值在于应用场景的切换。数秒级片段适合做动态海报或循环背景，而 15 秒已经接近短视频平台单条内容的常见起步长度，足以承载一个完整的产品展示、一段剧情转折或一组教学演示。对内容生产者而言，这意味着模型输出从"素材"升级为"可用的初稿"。

时间一致性是视频生成中的核心难题：模型不仅要保证单帧画面质量，还要让同一主体在连续帧中的外观、位置、动作保持连贯。常见失效形式包括主体漂移（人物面部或衣着在帧间变化）、场景跳变（背景突然切换）和动作断裂（运动轨迹不自然）。扩散模型逐帧或逐片段生成时，误差会随时间累积，片段越长越难维持稳定。因此，原生时长每提升数秒，背后往往需要在时序注意力机制、长上下文建模和训练数据组织上同步改进，这也是 15 秒原生生成比拼接多个短片段更具技术含量的原因。

多轮对话式编辑：把视频当作可对话的对象

新模型支持多轮对话式编辑，这是本次更新中容易被低估的能力。传统视频生成的工作流是"写提示词—生成—不满意—改提示词—再生成"，每一次修改都近乎推倒重来，创作者很难精确控制某个局部。

对话式编辑改变了这个循环。用户可以就同一段视频持续提出修改要求，模型在保留已有内容的基础上做增量调整。这种交互模式与图像编辑领域已经验证过的方向一致，但在视频这种时序数据上实现难度更高，因为任何局部改动都可能牵动前后帧的一致性。谷歌把这项能力下放到 Flash 系列，说明其在时序建模上的工程化程度已有明显进展。

对话式编辑与传统的提示词重生成有本质区别。后者每次调用都是一次独立采样，模型不保留上一版结果，用户只能通过调整文字描述间接影响输出，局部修改几乎无法精确控制。对话式编辑则要求模型把上一版视频作为条件输入，理解用户的增量指令（如"把背景换成夜晚""让人物转身"），并只改动相关区域而保持其余部分不变。这涉及指令理解、区域定位和时序一致性保持三项能力，在视频上比图像更难，因为局部改动必须与相邻帧自然衔接。图像编辑领域已有 InstructPix2Pix 等验证过的范式，视频侧的工程难度则高出一个量级。

每秒 0.07 美元：价格下探 30% 的产业含义

本次发布最直接的数字是价格。720p 视频生成降至每秒 0.07 美元，较此前下调 30%。按 15 秒满长计算，单条视频的生成成本约为一美元出头。

这个价位对开发者生态的影响可能比参数提升更深远。视频生成的单位成本一旦进入"可批量试错"的区间，产品设计逻辑就会改变：应用可以先生成多个候选版本再筛选，而不是小心翼翼地只调用一次；营销工具可以为每个商品自动生成短视频，而不必为成本做取舍。Flash 系列一贯的定位就是低延迟、低成本，谷歌显然希望用价格杠杆把视频生成推向更高频的调用场景。

提一嘴，0.07 美元对应的是 720p 规格。更高分辨率下的定价策略，原始报道中并未披露，实际部署时仍需按官方计费文档核算。

按秒计费是视频生成商业化中的常见定价方式，与按次或按 token 计费相比，更贴近视频时长这一核心成本变量。按秒计价便于开发者估算单条内容的成本：15 秒 × 0.07 美元约为 1.05 美元，批量生成 100 条候选视频的成本约百余美元。这种可预测性对产品设计很重要——团队可以据此判断某个功能是否值得上线，以及在用户侧如何定价或限额。分辨率通常是计价的关键分档维度，720p 与 1080p、4K 之间的单价差异往往显著，因此跨分辨率比较不同厂商价格时需先对齐规格。

竞争格局：视频生成进入性价比竞争阶段

Gemini Omni 1.2 Flash 的发布节奏，反映出 AI 视频生成赛道的竞争重心正在转移。早期比拼的是画面质量和创意的惊艳程度，如今越来越多的更新围绕时长、可控性和单位成本展开。

这三个方向恰好对应视频生成商业化的三道门槛：时长决定能否独立成片，可控性决定能否融入专业工作流，成本决定能否规模化调用。谷歌选择在 Flash 这条产品线上同时推进三项，策略意图很清晰——不追求在演示视频上取胜，而是争夺开发者的默认调用入口。

对国内开发者和内容团队来说，这类模型的迭代意味着技术选型需要更频繁地重新评估。视频生成的成本曲线仍在快速下移，今天需要精打细算的用量，可能在下一版本发布后就变成可以放开的常规调用。

小结

Gemini Omni 1.2 Flash 的关键词可以概括为：15 秒原生时长、多轮对话式编辑、每秒 0.07 美元的 720p 定价。三项能力叠加，指向同一个方向——让视频生成从偶尔调用的演示工具，变成可以嵌入日常生产流程的基础设施。对关注 AI 应用落地的团队而言，值得在成本模型和产品交互两个层面重新做一次推演。