Google 发布 Gemini Omni 1.2 Flash 视频生成模型，时长延至 15 秒、价格降 30%

Google Deepmind 正式推出其 Gemini Omni 1.2 闪存视频生成模型。更新后的模型可生成最长 15 秒的视频片段，支持对话式编辑，并且比前代产品便宜 30%。

Google 表示，Gemini Omni 1.2 Flash 正通过 Gemini API、Google AI Studio、Google Cloud Console、Flow、Google Vids、Google AI Ultra 用户的 Gemini 应用以及 Google Ads 推出。每个生成的视频都带有不易察觉的 SynthID 水印以标明其来源。

片段现在可以运行 3 到 15 秒，比之前的最大 10 秒有所增加，价格降低了 30%，720p 视频每秒为 0.07 美元。生成的片段也可以通过持续的对话进行编辑。

一个突出的功能是 Google 称为的“对话式编辑”。用户可以逐步调整生成的片段，更改背景、光照或宽高比，而无需重新生成整个片段。Google 表示此功能适用于整个 15 秒的长度。配合分层工作流程，该功能旨在降低成本。草稿首先以 360p 或 720p 创建，细节通过后续编辑进行修正，最终结果才升级到 1080p 或 4K。

Google 承诺使用参考图像获得更一致的结果

Google 还承诺显著提高参考图像的遵循度。根据 公告，该模型可以接受角色图像、产品照片、最长三秒的短动作片段和音频提示作为输入。面部、服装、包装字体和品牌颜色应在不同的相机角度之间保持一致。

作为示例，Google 展示了一个虚拟试穿片段。从一张模型照片和三套服装的产品照片，模型生成了一个 15 秒的序列，进行 360 度旋转，同时保留了模型的身份和每件服装的剪裁和垂坠。

整体视觉一致性也有所提高。Google 表示，在动作和相机转换之间，视觉漂移或变形比前代产品要少。

除此之外，Gemini Omni 1.2 Flash 还应生成更流畅、自然的声音对话，具有更清晰的口型同步和区分多个说话者的能力。该模型进一步处理复杂的连续相机运动，如 FPV 飞行或戏剧性的缩放，显著减少了不必要的跳切。

AI 新闻无浮夸——由人类编辑

订阅 THE DECODER 以获得无广告阅读、每周 AI 新闻简报、我们独有的“AI 雷达”前沿报告（每年六次）、完整存档访问以及访问我们的评论部分。