Gemini Omni 1.2 Flash – 谷歌多模态视频生成模型

GeminiOmni1.2Flash是Google推出的新一代视频生成模型，归属GeminiOmni系列，原生支持最长15秒视频输出，时长区间按1秒粒度自由调节，覆盖3秒至15秒区间。模型自带同步音频轨道，输入素材可以是文字、图片、参考视频片段，新版对参考素材的还原效果得到优化，人物面部、产品外观、品牌色彩在镜头切换过程维持稳定。多轮对话编辑链路加入版本缓存，修改指令直接作用于已有视频，不用反复重新生成。720p档位调用成本相比前代下调三成，开放渠道包含GeminiAPI、GoogleVids与GeminiforBusiness，面向创作者与业务开发者开放。

Gemini Omni 1.2 Flash特点

支持文本、图片、短视频多类输入，输出画面与音频同步合成的视频片段。

时长上限提升至15秒，支持自定义片段时长，适配短视频脚本制作。

参考遵循能力强化，角色样貌、产品细节、配色风格跨帧保持统一。

多轮对话式编辑，在原有视频基础上持续调整光影、背景、构图元素。

提供多档分辨率，360p用于快速草稿，720p作为标准输出，支持1080p、4K超分。

输出画幅支持16:9横版与9:16竖版，适配短视频平台分发规范。

Gemini Omni 1.2 Flash技术原理

依托Gemini原生多模态基座，视频生成主干采用时序扩散架构，融合文本编码器、图像参考编码器与音频预测分支。参考素材送入特征编码器提取固定特征向量，在时序生成阶段持续注入，降低画面漂移。音频分支和画面时序对齐，同步生成匹配场景的人声、环境音效，唇形同步精度经过专项优化。多轮编辑机制缓存当前视频的时序特征，用户修改指令只改动目标区域，其余画面特征保留。模型训练集合大量实拍素材、产品样片、角色动画样本，配套多层安全过滤模块拦截违规内容。

Gemini Omni 1.2 Flash项目地址

• 项目官网：https://blog.google/innovation-and-ai/technology/developers-tools/introducing-gemini-omni-1-2-flash/

Gemini Omni 1.2 Flash功能

文本转视频，输入提示词直接生成带音频的短视频片段。

图生视频，以单张或多张参考图为基准生成连贯动态画面。

参考视频续写与局部修改，接收已有视频，按指令调整画面元素。

画面风格统一控制，锁定角色、产品形象，生成多版本变体素材。

分辨率与画幅切换，快速产出草稿版本，再做高清超分输出。

音频同步生成，自动匹配画面内容产出环境音、人声对白。

Gemini Omni 1.2 Flash应用场景

短视频内容生产，社交平台竖版短片、宣传小样、创意短片制作。

电商视觉物料，产品动态展示、虚拟试穿、商品宣传短视频。

广告创意测试，同一套脚本快速生成多光影、多配色版本。

游戏概念预览，角色动作小样、场景镜头预演。

开发者业务集成，接入自有平台批量生成短视频素材。

教育内容制作，简易演示动画、科普短片快速产出。

Gemini Omni 1.2 Flash如何使用

进入Gemini网页端或者GoogleVids平台，登录Google账号。

选择视频生成入口，填写提示词，上传参考图或者参考视频，设置视频时长、画幅、分辨率。

提交生成任务，等待模型输出带音频的视频文件。

拿到初稿后继续发送修改指令，执行多轮对话编辑调整画面。

开发者前往GoogleCloud控制台开通GeminiAPI，获取访问密钥。

在API请求参数内指定时长、分辨率、参考素材地址，发起调用。

返回视频资源下载后，使用剪辑软件做二次加工，导出成品。

业务侧搭建批量任务队列，设置360p草稿模式完成快速迭代。

Gemini Omni 1.2 Flash同类产品对比

表格