背景:AI 影片生成進入實用階段
影片生成模型過去幾年發展迅速,但對真正拿來做事的團隊而言,長期存在幾個實務痛點:單次生成長度太短,往往只有幾秒到十秒左右,難以承載完整敘事;參考圖像中的人物臉孔、服裝細節、產品包裝或品牌色,在鏡頭切換或多輪修改後容易走樣;而想要微調一個小細節,往往得整段重新生成,時間與成本都難以控管。Google DeepMind 於 2026 年 11 月 5 日發布的 Gemini Omni 1.2 Flash,正是針對這些問題的更新版本,產品經理 Anish Nangia 在官方部落格說明了這次改版的重點。這個模型是 Google 的多模態影片生成服務,可依據文字、圖像與音訊提示生成影片,並在 Gemini API 與 Google Cloud 上正式全面開放(generally available,即脫離測試期、可正式用於生產環境)。
核心內容:更長的片段、更低的价格與對話式編輯
Gemini Omni 1.2 Flash 最直接的变化是長度與成本。影片長度上限從上一代 Omni 1.1 的 10 秒提升到 15 秒,而且可在 3 到 15 秒之間以一秒為單位精確指定時長。這看似只是數字提升,實際意義在於:一段完整的社群廣告、產品說明短片或小故事,終於可以在單次生成內完成,而不需要分段拼貼。價格方面,相較 Omni 1.1 降價 30%,720p 影片的價格為每秒 0.07 美元。
另一個重點是所謂的多輪對話式編輯(multi-turn conversational editing)。使用者可以針對同一段影片,逐句下指令修改,例如更換產品或背景、調整光線或天氣、改變畫面比例,而不必從頭重做。官方展示的範例中,從一段已生成的影片開始,背景可以從條紋帳篷逐輪換成橡樹林、有白馬的馬廄、市集再到石頭城堡,同時維持人物演出、盔甲反光與鏡頭取景不變。對需要為不同受眾與投放版位製作多版本廣告的團隊來說,這大幅減少了重複生成與重新描述需求的工作量。
技術脈絡解讀:參考一致性為何是關鍵
這次更新在技術面上著墨最深的是參考遵循能力(reference adherence),也就是模型對輸入參考素材的保真程度。使用者可以結合人物、產品或風格圖像、最長三秒的動態片段,以及音訊提示來引導生成,而 Omni 1.2 Flash 能從頭到尾守住這些細節:臉部、服裝、包裝文字與品牌色在不同鏡頭角度間保持一致。官方舉的例子是,只要提供一張模特兒照片加上三套服裝的正反面產品照,就能生成一段 15 秒的虛擬試穿影片,在 360 度轉身與鏡頭匹配切換中,維持模特兒身分與每件服裝的剪裁、垂墜感與背面細節。
一致性也延伸到首尾影格(first-to-last frame)與鏡頭運動層面。在兩個關鍵影格之間做插值、或延長片段接續成更長的序列時,產品、人物、道具與場景能跨鏡頭維持穩定,減少視覺漂移或形變。官方對照顯示,1.1 版在重現參考圖像時明顯不如 1.2 貼合。運鏡方面,模型能處理連續的複雜鏡頭運動,例如 FPV 穿越飛行到大幅度拉遠與環繞,減少不必要的跳切,讓畫面規模感更穩定;示範中一段從廣場穿越青銅門、一路上升到萬神殿穹頂圓孔的連續無人機視角飛行,全程零跳切。語音部分也有改善,包括更自然的對話流暢度、更清楚的唇形同步,以及多角色的聲音區分能力,這對在 Flow、Gemini for business 或 Google Vids 中製作多角色對話、旁白與虛擬主講人的內容尤其重要。
影響與限制:誰適合用、還有什麼做不到
從工作流程的角度看,這次更新想解決的核心問題是「規模化生產影片的成本結構」。建議的實務做法是:先以 360p 或 720p 快速打草稿,發現問題時用後續對話編輯修正單一細節,而非重新生成整段,最後才把最好的版本升頻到 1080p 或 4K。搭配降價 30%,企業、新創與創作者可以在可控成本下大量產出影片內容。Google 也首次讓 Gemini Omni 系列進入正式開放狀態,提供 Google Cloud 的企業級基礎設施與安全性、Provisioned Throughput(預留吞吐量,保障穩定的服務容量),且輸出內容都會嵌入人眼難以察覺的 SynthID 浮水印,用於標示 AI 生成內容。
接取管道相當多元:開發者可在 Google AI Studio 原型開發並透過 Gemini API 整合;企業可透過 Google Cloud 主控台建置方案;一般使用者則能在 Google Vids 免費額度內生成 15 秒片段(需 Google 帳號或 Google Workspace 訂閱)、在 Flow 中進行多輪編輯,或在 Gemini 應用程式中使用(正逐步向 Google AI Ultra 訂閱者推出),廣告投放規模化則可透過 Google Ads。
不過官方也坦誠列出目前的限制:快速運動場景(如體育動作)、劇本急速變更以及複雜物理現象的處理仍在持續改進中。換言之,對節奏極快或物理互動複雜的內容,成果可能仍不穩定。整體而言,Gemini Omni 1.2 Flash 定位明確:它不是追求極致畫質或實驗性的旗艦模型,而是針對需要大量、一致、可反覆修改的商用影片內容的實用型選擇。對行銷團隊、電商內容製作與開發者來說,15 秒長度加上對話式編輯與參考一致性,已經足以覆蓋從產品試穿、型錄展示到品牌廣告的常見場景。
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理,並非原文逐字翻譯。