Google DeepMind发布Gemini Omni 1.2 Flash，文生视频时长增至15秒并支持低清升4K

Google DeepMind近日发布了新一代视频生成模型Gemini Omni 1.2 Flash。在Arena.ai的评估中，该模型在文本生成视频和图像生成视频领域均位列榜首，视频编辑领域排名第三。

此次更新将文生视频时长提升至15秒，支持原生音频及最长15秒的源视频编辑，最多可融合7张参考图像。每次调用可将片段延长3至10秒，总时长最长可达30秒，并支持通过videoId对任意输出内容进行后续重新编辑。

模型支持360p、720p、1080p和4K多种分辨率，画幅涵盖16:9及9:16。谷歌此次放弃排队申请机制，直接全量上线Google AI Studio与Gemini API，开发人员与企业客户可直接调用。

在成本方面，采用“低成本打样，按需升频”的工作流，360p或720p草稿模式每秒生成成本压至0.07美元，相比上一代价格下调30%。用户可先以低清格式快速出稿修正细节，满意后再一键放大渲染至高清。

新特性还包括原生支持多轮对话编辑、强化多模态参考能力（如输入角色三视图、商品白底图或3秒运动参考片段），以及深度电影镜头控制。模型在理解三维空间关系上表现显著提升，确保镜头运动连贯自然。

在多角色对话场景中，Gemini Omni 1.2 Flash实现了发音口型与音节的严密对齐，唇部肌肉运动逼真，能精准区分同一画面中多个角色的发声主体。实测显示，模型在复杂运镜、动作一致性及多风格角色共存（如定格动画与写实3D同场）等压力下表现稳定。