Google發表Gemini Omni 1.2 Flash！支援原生15秒影片生成與對話式修改，API價格調降三成

Google DeepMind 團隊正式推出全新影音生成旗艦模型 Gemini Omni 1.2 Flash，全面開放 Gemini API、Google Vids 與 Google Cloud 企業級服務商用。新模型不僅將單次原生生成影片長度從 10 秒一口氣拉長至 15 秒，更首度引進「多輪對話式影片修改」架構，讓創作者無需砍掉重練即可精準微調局部畫面。

官方同步祭出激進的降價策略，相較於前代 Omni 1.1，新模型 API 呼叫費率直接大砍 30%，以 720p 規格計算每秒生成成本僅需 0.07 美元（折合新台幣約 2.2 元）。這場升級象徵 Google 正式將生成式 AI 影音的競爭維度，由單純的「拼解析度與運鏡」推進至「高一致性、可對話編修與極低邊際成本」的商業量產新階段。

支援多輪對話精準修片，單次生成拉長至15秒

過往使用生成式 AI 製作影片時，最令創作者痛苦的痛點在於「抽卡式盲盒體驗」：只要畫面中出現一處細節瑕疵，使用者往往必須重新輸入 Prompt 重新生成整段素材，不僅耗費額外算力成本，更無法保留原本滿意的鏡頭走位與人物神態。

Gemini Omni 1.2 Flash 徹底改寫了互動邏輯。使用者現在能直接在對話框中發出連續指令進行「局部換裝」或「換背景」，例如直接指示「將背景的帳篷換成橡樹森林」或「把天氣改為暴雨」，模型便會在保留兩位角色的動作演出、盔甲反光細節與運鏡構圖的前提下完成精準替換。

在時長方面，新模型支援 3 至 15 秒間以「1 秒」為單位的彈性自訂長度。這項改變大幅提升了商業實用性，使創作者能在單次運算內直接產出具備「起承轉合」的完整社群廣告短片或產品介紹。搭配「低解析度草稿、多輪對話微調、最終放大至 4K」的工作流程，能將前期試錯成本壓至最低。

多參考圖保持角色一致，流暢對話支援多角色對白

針對商業廣告最看重的「多角度一致性」，Omni 1.2 Flash 強化了多模態參考導引能力。創作者可同時上傳模特兒定裝照、多角度產品白底圖、3 秒短動態片段與音訊樣本。無論鏡頭如何進行 360 度環繞旋轉或跨運鏡推拉，人物五官輪廓、衣服垂墜皺褶、包裝印刷字體與品牌標準色皆能維持零變形（Morphing）。

在語音與音訊表現上，模型導入了更自然的對白合成與對嘴機制。在四名角色的室內對話場景實測中，Omni 1.2 Flash 能根據指定的音色樣本，將聲音精準路由至正確的角色嘴型上，呈現流暢的自然語速與極具戲劇張力的喜劇節奏，徹底告別過往 AI 影片對白生硬、音畫不同步的割裂感。

針對運鏡控制，系統大幅降低了非預期的跳接瑕疵（Jump Cuts），能精準執行穿越建築拱門的穿越機 FPV 飛行、極限拉遠縮放（Crash Zoom-out）等複雜電影鏡頭。所有生成內容均預設嵌入肉眼不可見的 Google SynthID 數位浮水印，並由 Google Cloud 提供企業級安全防護與專屬傳輸保證。