视频模型

谷歌把视频模型的价目表摊开了：Omni 1.2 Flash 一条 15 秒 1.04 美元，但 4K 那档单价是它的 3 倍

2026年11月6日1 次阅读
谷歌把视频模型的价目表摊开了：Omni 1.2 Flash 一条 15 秒 1.04 美元，但 4K 那档单价是它的 3 倍

哪些是新的

  • 模型：Gemini Omni 1.2 Flash（gemini-omni-1.2-flash），Google DeepMind
  • 时间：2026 年 11 月 5 日发布，同日在 Gemini API 付费层与 Google Cloud 正式可用（GA）
  • 三个变化：单条视频从 10 秒拉到 15 秒；价格降 30%；多轮对话式编辑
  • 位置：Gemini API、Google Cloud、Gemini for business、Flow、Google Vids、Gemini App（Ultra 订阅）、Google Ads

一句话先说结论

生成更长了，也更便宜了，但便宜只发生在 720p 那一档。

官方定价页写得很直白：720p 每秒约 0.07 美元，360p 只要 0.023 美元，而升到 1080p 是 0.104 美元、4K 是 0.209 美元。也就是说，同一条 15 秒的片子，4K 的单价正好是 720p 的 3 倍。谷歌自己在公告里给的省钱办法也是这个顺序：先用 360p 或 720p 起草，改到满意，再把最好的那条升上去。

这次到底改了什么

从 Omni 1.1 Flash 到 1.2 Flash，官方列的升级有六条：

  • 时长：生成和编辑都到 15 秒，之前是 10 秒；可以按 1 秒一档，从 3 秒调到 15 秒
  • 价格：720p 从约 0.10 美元/秒降到 0.07 美元/秒，降幅 30%
  • 参考一致性：最多 6 张参考图；人脸、衣服、包装上的字、品牌色在换机位后不容易跑偏
  • 对话式编辑：同一段视频可以一轮一轮改，换产品、换背景、换光线、换画幅，不用重生成
  • 语音：对白更自然，口型更准，能区分多个说话人
  • 运镜：FPV 穿场、拉远、环绕这类连续镜头，跳帧和无故切镜明显少了

还有一个容易被忽略的动作：Gemini API 里的 Veo 3.1 预览版已经在 10 月 22 日下线，官方给的迁移目标就是 Omni Flash。另外，gemini-omni-1.1-flash 保留 4 周过渡期，12 月 3 日起所有请求自动转到 1.2，按 1.2 的价格计费——不改代码也会被切过去，成本会跟着变。

价格表怎么算：真正的信息在这里

官方不是按“条”卖，是按 token 卖，然后折算成秒。定价页给的换算基准是：720p 视频每秒计 5,792 个输出 token，标准价 12 美元/百万 token。

按这个基准折出来的实际单价是：

  • 360p：每秒 1,931 token，约 0.023 美元/秒
  • 720p：每秒 5,792 token，约 0.07 美元/秒（15 秒约 1.04 美元）
  • 1080p（升采样）：每秒 8,688 token，约 0.104 美元/秒
  • 4K（升采样）：每秒 17,376 token，约 0.209 美元/秒

换句话说，分辨率升一档，计费 token 就跟着涨一档，4K 单价是 720p 的整整 3 倍。这解释了为什么谷歌把“起草—修改—升采样”写成一套工作流而不是一句宣传语：改一次细节的代价，远小于重生成一条 4K。

再补一句计费口径：输入侧文字、图片、视频统一 1.50 美元/百万 token；输出里文字部分 9 美元/百万 token，视频部分按上面那档算。

编辑和延长：省钱靠的是这两件事

多轮编辑。 走的是 Interactions API。第一次生成会返回一个 id，后续请求带上 previous_interaction_id 就能接着改，不用把上一版视频重新上传。官方文档的说法是：模型记得之前那条视频的上下文，只改你提到的部分，其余保持不变。对做广告的人来说，这意味着一条素材能派生出多个版本——换背景、换天气、换 9:16 或 16:9，都是同一轮对话里的事。

视频延长。 从尾帧往后接，每轮加 3 到 10 秒（默认 10 秒），总长上限 30 秒。有两个限制值得记住：模型只看输入视频最后 10 秒作为上下文，如果角色只在前半段出现过，得在提示词里再提一次或者补一张参考图；延长只能往后接，不能往前面加，也不能从中间插。

不能做的事：这几条会直接报错

  • 首尾帧插值只支持 3 到 10 秒。给两张图（首帧+尾帧）又要求超过 10 秒，API 会返回参数错误
  • 上传视频的编辑与延长，在欧洲经济区、瑞士、英国不可用；模型自己生成的视频在这些地区可以接着改
  • 不能给上传的视频加对白。人物必须保持不说话，或者改用多轮方式延长自己生成的视频
  • 不支持声音编辑；当前版本 API 也不接受音频输入或音频参考
  • 不支持系统提示词、temperature、top_p、停止序列、负面提示词。想要“别做某事”，只能写进正常提示词里
  • 不支持多视频推理，一次只能对着一条视频做参考
  • 生成结果全部带 SynthID 隐形水印

这里有一处官方口径不一致，得说明白：Google Cloud 博客写“音频参考在 allowlist 后面”，而 Gemini API 文档的限制列表写“当前版本不支持音频输入”。两边对普通开发者的结论是一样的——现在别指望用音频参考，但表述上确实不统一。同样，“Provisioned Throughput 可用”是 Cloud 博客的说法，API 文档的限制里写的是不支持，走 API 路线的人要以文档为准。

适合谁用

  • 要批量出广告素材的团队：一条 15 秒能装完一个完整场景，改版靠对话，不用整条重跑
  • 电商和虚拟试穿：一张模特图加几组产品图，能撑起 360 度转身和匹配剪辑，衣服的版型、垂感、背面细节要保住
  • 做社交媒体短片的人：3 到 15 秒按 1 秒调，卡平台时长不用凑
  • 已经在用 Google Vids 的：官方说 15 秒片段不额外收费，这条对 Workspace 用户最直接

不适合谁用

  • 需要 30 秒以上单条长镜头的：得靠多轮延长拼，且只能往后接
  • 要 4K 直接生成的：4K 是升采样出来的，单价也最高
  • 要靠音频参考驱动画面的：当前 API 不开放
  • 在英国、瑞士、欧洲经济区且要改上传视频的：这条功能直接用不了
  • 需要精细负面提示词控制的：这套参数不支持

怎么用：三步

第一步：在 Google AI Studio 里用 gemini-omni-1.2-flash 跑一条 360p 或 720p 的草稿，duration 按需设成 "3s" 到 "15s"

第二步：记下返回的 id，后续用 previous_interaction_id 一轮一轮改细节，改到满意为止

第三步：把选中的那条用 resolution 升到 1080p 或 4k；超过 4MB 的视频记得用 delivery="uri" 取回

避坑提醒

  • 别一上来就出 4K。同样的提示词，4K 单价是 720p 的三倍，改一次就等于多烧三条
  • store=false 会让视频不能再改。追求速度时可以关，但关了就没有 previous_interaction_id 这条后路
  • 首尾帧 + 长时长是常见报错组合，想插值就老实待在 10 秒以内
  • 12 月 3 日会自动切版本。还在调 1.1 的，账单口径会变，别到时候对不上账
  • 非英语提示词没有经过评估，官方只保证英文效果，其他语种“可能可用但结果会有波动”

参考来源

本文核心事实来自 Google 官方博客、Google Cloud 官方博客、Gemini API 官方文档与官方定价页，媒体部分为交叉印证整理（MarkTechPost、Digital Trends、AndroidHeadlines 在同日均做了报道，核心数字一致）。

参考来源

评论

0 条已公开
登录或注册后可以参与评论。

正在加载评论...