Google DeepMind 宣布，其 Gemini Omni 1.2 Flash 视频生成模型现已全面开放。新版模型支持生成长达 15 秒的视频片段，引入对话式编辑功能，且定价较上一代降低 30%。
该模型正通过 Gemini API、Google AI Studio、Google Cloud Console、Flow、Google Vids，以及面向 Google AI Ultra 订阅者的 Gemini App 和 Google Ads 进行部署。所有生成视频均嵌入不可见的 SynthID 水印以标识来源。
时长提升至15秒，支持对话式编辑
视频片段时长可在 3 至 15 秒间调整，突破了此前最高 10 秒的限制。720p 视频定价降至每秒 0.07 美元，降幅达 30%。新增的“对话式编辑”功能允许用户通过多轮对话逐步调整背景、光照或宽高比，无需重新生成整个片段。谷歌表示，该功能支持完整的 15 秒时长，并结合分层工作流以降低成本：用户可先生成 360p 或 720p 草稿，经编辑修正细节后，再将最终结果升级为 1080p 或 4K。
视觉一致性与音画同步显著优化
谷歌承诺在参考图像一致性方面实现显著提升。模型支持输入角色图片、产品照片、最长 3 秒的运动片段及音频提示，确保在不同镜头角度下，面部特征、服装、包装字体和品牌色彩保持前后一致。例如，基于单张模特照和三套服装图，模型可生成包含 360 度旋转的 15 秒序列，同时保留模特身份特征及服装剪裁细节。
此外，整体视觉稳定性得到改善，运动和镜头转换中的视觉漂移或变形现象减少。Gemini Omni 1.2 Flash 还能生成更流畅自然的对话，唇形同步更清晰，并具备区分多说话者的能力。在处理 FPV 无人机飞行或戏剧性拉远等复杂连续镜头时，不必要的跳切现象也大幅减少。