Gemini Omni 1.1 Flash – 谷歌迭代推出的统一架构视频生成模型

Gemini Omni 1.1 Flash 是 Google DeepMind 迭代推出的统一架构视频生成模型，模型标识 gemini‑omni‑1.1‑flash。模型把语言推理、画面渲染、音频合成放在同一套框架内部完成运算，不用拼接多个独立子模型。可通过 Google AI Studio、Gemini API、Gemini App 访问调用。单段生成片段最长 10 秒，支持分段接续生成，累计成片最长 40 秒。版本新增首尾关键帧约束、360p 草稿模式、4K 超分输出能力，兼顾快速创意调试和成品输出需求。全部生成视频嵌入 SynthID 隐形水印，标记 AI 生成内容。

Gemini Omni 1.1 Flash特点

支持文本、图片、音频、已有视频混合输入，多类参考素材可以合并提交任务。生成视频自带同步音轨，环境音效、配乐、人声对白和画面时序对齐。

360p 草稿模式生成速度更高，资源消耗降低，适合反复调试创意分镜。成片可输出 1080P，还支持 4K 超分辨率放大。

提供有状态对话编辑能力，修改基于上一轮生成结果开展，不会全部重新渲染整条视频。没有被指令改动的角色、场景、道具会维持原有状态。

支持首尾关键帧锁定，控制镜头起始和结束画面，产出顺滑过渡效果。支持视频片段接续，在已有视频末尾继续延伸故事内容。

开放标准 API 接口，方便接入第三方业务系统。

复杂长镜头运动场景，角色外观会出现漂移现象，视频内文字渲染偶尔出错。

Gemini Omni 1.1 Flash技术原理

底层采用 Gemini 统一 Transformer 主干网络，文本、图像、音频、视频全部转换为令牌序列送入同一模型完成计算，不存在分开运行的图像、音频、视频子模型。

训练环节使用经过过滤去重的大规模图文音视频样本，学习现实物理规则、光影表现、物体空间关系和镜头叙事逻辑。

有状态编辑模块保存上一轮任务完整上下文，接收新的自然语言指令完成局部画面改动。关键帧模块读取首尾画面特征，约束中间帧过渡走向。

视频接续模块读取上一段视频末尾画面特征，继承场景、角色风格，继续生成后续帧。草稿模式降低采样分辨率，压缩计算开销，提升出片速度。整套模型依托谷歌 TPU 算力集群完成推理。

Gemini Omni 1.1 Flash功能

文生视频，输入文字描述直接产出带同步音频的短视频，自定义画幅、镜头运动、光影风格。

图生视频，上传静态参考图片，保留原图主体样貌与构图，输出动态视频片段。

视频编辑，上传已有视频，依靠自然语言指令修改画面元素、光照、镜头效果，做局部调整。

视频接续生成，基于已产出片段向后延伸画面，拉长视频总时长。

关键帧插值，给定起始、结束画面，生成两者之间平滑过渡镜头。

草稿预览输出，360p 低分辨率快速生成样片，调试提示词和分镜思路。

4K 超分放大，把生成素材提升至高分辨率成片。

多素材混合输入，文本、参考图片、音频、短视频组合传入，综合多份参考信息产出结果。

API 调用，业务程序对接接口，批量完成视频生成与编辑任务。

Gemini Omni 1.1 Flash应用场景

短视频创作者产出创意样片，用草稿模式反复打磨想法之后输出高清成片。

广告物料迭代，生成产品演示短片，调整画面元素产出多套版本。

影视前期预演，制作动态故事板小样，验证镜头调度与叙事节奏。

数字人短片制作，搭配人物参考素材，产出带同步配音的人物视频片段。

游戏概念预览，把概念图片转为动态片段，直观展示场景氛围。

视频类产品接入 API，在自有产品内部集成 AI 视频生成编辑能力。

教学课件素材制作，产出简短演示动画，配套音效补充课件内容。

创意内容实验，测试镜头叙事、特效表现，完成各类视频创作尝试。

Gemini Omni 1.1 Flash同类产品对比

表格