2026 年 11 月 5 日，Google DeepMind 正式推出视频生成与编辑模型 Gemini Omni 1.2 Flash，同步在 Gemini API 与企业端全面开放（GA）。新模型将原生生成时长从前代的 10 秒拉长至 15 秒，720p 视频每秒计费下调 30% 至 0.07 美元。比起更长的单镜头，这次更新真正的商业价值在于跑通了“低清草稿、多轮对话局部修改、最后放大至 4K”的生产管线。在 OpenAI 于今年 9 月 24 日关停 Sora API 之后，AI 视频接口的竞争已经告别单次抽卡演示，进入按秒精算修改成本的阶段。
对于急需批量生产社交广告的团队而言，生成一段 15 秒 720p 视频的账面基础成本现在只需 1.05 美元。但如果算上首日第三方实测中暴露的指令遗漏率、高清放大差价以及音频权限门槛，企业要把这套工作流直接搬进全自动生产线，还得先算清一笔隐性损耗账。
0.07 美元背后的牌桌重组与同门内战
在 Sora 2（曾定价 0.10 美元/秒）和 Sora 2 Pro（0.30 美元/秒）退出 API 市场后，企业级视频接口的正面交锋主要集中在 Google 与快手 Kling 之间，甚至在 Google Cloud 内部形成了直接的左右手互搏。
| 模型版本 | 720p 单价 | 1080p 单价 | 盲测 Elo 评分（T2V v2.1） |
|---|---|---|---|
| Gemini Omni 1.2 Flash | 0.07 美元/秒 | 暂未公布 | 暂未上榜（前代 1129 分排第 10） |
| Veo 3.1 Lite（含音频） | 0.05 美元/秒 | 0.08 美元/秒 | 951-961 分区间（排第 22-24） |
| Veo 3.1 Fast | 0.10 美元/秒 | 0.12 美元/秒 | 951-961 分区间（排第 22-24） |
| Kling 4.0 Flash | 约 0.0923 美元/秒 | 暂未折算 | 暂未上榜（3.0 Pro 1022 分排第 18） |
横向对比外部竞品，Kling 4 采用预付费单元包机制（最小套餐 500 美元含 3250 单元）。折算下来，不带输入视频的 Kling 4.0 Flash 在 720p 下有效价格约为 0.0923 美元/秒，标准版 Kling 4.0 则达到 0.1538 美元/秒，且一旦在编辑时传入参考视频还会叠加计费时长。Gemini Omni 1.2 Flash 直接把起售价压到 0.07 美元，在账面单价上形成了对 Kling 4.0 Flash 的正面压制。
- 提醒.Google 目前仅公布了 720p 的基准单价，工作流最后一步放大至 1080p 或 4K 的具体计费矩阵尚未完全透明，高频调用前需核实高分档位账单。
为什么局部对话修改比单次画质更救命
过去两年，电商与消费品广告团队不敢大规模采购视频 API，核心卡点不在画面不够炫，而在包装字体畸变、跨镜头模特走形，以及改一个细节就得全片重抽的高昂废片率。
Gemini Omni 1.2 Flash 给出的解法是改变生产工序。它允许在 3 至 15 秒之间按 1 秒为单位指定时长，先用 360p 或 720p 快速拉出草稿，通过多轮自然语言对话直接替换背景、调整光影或切换画幅，最后再将定稿放大至 1080p 或 4K。
在参考控制上，模型支持同时喂入角色图、商品正反面照片、最长 3 秒的动作片段以及音频提示。无论是让模特完成 15 秒的 360 度虚拟试穿，还是把静态海报里的棱纹玻璃、暖色灯丝和特定品牌字体逐层搭建成动态展台，Omni 1.2 Flash 都能在镜头流转和匹配剪辑中锁死衣服剪裁与包装印刷字样。
决定视频 API 生死的不再是单帧画质，而是局部返工的边际成本。
一旦“多轮对话换背景”能稳定保留原有人物表演与盔甲反光，营销团队为不同投放渠道制作多套广告变体的成本就会成倍下降。这项能力目前已同步接入 Flow、Google Vids（Workspace 订阅用户可免费生成 15 秒片段）以及 Google Ads。
首日实测的冷水与企业落地的隐形门槛
官方演示里的丝滑运镜与零跳切 FPV 穿行，并不等于开发者今天调通 API 就能立刻拿到同等质量的成片。第三方平台 Segmind 工程师 Rohit Rao 在发布首日耗时进行了一轮 20 次调用的实测（总计花费 16.17 美元），给这套理想工作流泼了一盆冷水。
实测暴露出的第一个问题是损耗率。在 20 次请求中，大约四分之一的指令被模型直接跳过；多轮对话替换背景时出现了明显的画面漂移；人物动作依然带有漂浮感，且写实人脸的表现偏弱。更尴尬的是，用于精细修改的专用 refine 端点在首日测试期间处于不可用状态。加上单次请求 28 至 136 秒的生成延迟，意味着名义上 1.05 美元的 15 秒视频，在实际生产中依然要乘上不低的重试系数。
第二个门槛藏在权限与安全条款里。Google 在发布稿中重点展示了用 1 秒语音参考驱动多角色自然对话和精准口型同步。但查阅 Google Cloud 文档与模型卡可以发现，音频参考功能目前需要申请白名单（allowlisting），且模型卡明确限制了对人物语音对话的编辑。此外，Google 官方也承认模型在快速体育动作、快速剧本切换和复杂物理效果上仍存在短板。
- 建议.视频 Agent 与 SaaS 开发者现阶段适合接入 360p/720p 接口跑通静态商品展示与慢速运镜管线，涉及真人出镜口播与音频克隆的业务，需先确认白名单审批周期与 refine 接口稳定性，切勿仅凭演示视频向客户承诺交付标准。