編按:本文綜合整理自 Google 官方部落格〈Gemini Omni 1.2 Flash: Fast and cost-effective with longer clips〉、Google Cloud 部落格〈Gemini Omni 1.2 Flash now GA〉、Google AI Studio 官方定價頁、Google Cloud 發行說明、Hacker News 討論串(256 分/199 則回覆) 與 Wes Roth 官方 X 貼文,並加入 Siami 編輯部觀點與分析。文中所有價格與規格數字均引述自 Google 官方頁面;本文觀點不代表 Google 官方立場。
2026 年 11 月 5 日,Google DeepMind 的產品經理 Anish Nangia 在官方部落格貼出一篇標題極其平淡的公告:Gemini Omni 1.2 Flash 上線了。
隔天 11 月 6 日,Google Cloud 產品經理 John Nack 補上正式可用(General Availability, GA)的公告。兩份文件合起來,勾勒出一個相當清楚的訊號——Google 正在把 AI 影片生成從「研究玩具」往「工業流水線」推。
但真正值得寫的不是發布本身,而是這次發布背後浮現的三個落差:官方宣傳與實際交付之間的落差、API 與消費端產品之間的落差,以及模型能力與產品包裝之間的落差。
一、這次到底更新了什麼
Google 這次把更新包裝在四個明確的能力升級裡:
1. 原生 15 秒影片生成與編輯
1.1 版的最長影片是 10 秒,1.2 版拉長到 15 秒,而且可以用 1 秒為單位指定 3 到 15 秒之間的任意長度。官方給的說法是「讓你有空間講完一個完整的故事、做產品解說、或在一次生成裡產出完整的社群廣告」。Google Cloud 發行說明則補上一個關鍵限制:首尾影格插值(first-and-last-frame interpolation)與影片延長(video extension)這兩項,上限仍維持 10 秒。
2. 多輪對話式剪輯
這是本次最具實用價值的一項。你可以在同一支影片上來回修正——換掉產品、換背景、改光線與天氣、切換長寬比——不需要從頭生成。官方的展示案例是從同一支生成影片出發,一輪一輪把背景從條紋帳篷換到橡木林、換到有白馬的馬廄、換到市集、換到石造城堡,同時保持兩個角色的表演、盔甲反光與運鏡不變。
3. 參考素材遵循度提升
可以同時餵入角色/產品/風格參考圖、最長 3 秒的動態參考片段,以及音訊提示,讓這些細節從頭到尾被保住。Google 的說法是「臉孔、服裝、包裝上的字體、品牌色,在不同鏡頭角度之間維持一致」。官方案例是拿一張模特兒照片加上三套服裝的正面與背面照片,生成 15 秒的 360 度虛擬試穿序列。
4. 分級草稿與升頻工作流
你可以先在 360p 或 720p 快速草稿,再用對話式修訂改細節,最後只把最好的幾支升頻到 1080p 或 4K。這個設計說明 Google 很清楚算力成本在哪裡——把昂貴的解析度留給最後一步。
此外,Google Cloud 發行說明裡還有一項官方部落格沒有重點宣傳的能力:獨立的影片升頻(standalone video upscaling)。你對先前已經生成的影片呼叫 task: "upscale",可以從 360p 升到 720p 或 1080p、從 720p 升到 1080p 或 4K。這代表「先在低解析度亂試,試到中意了再付貴的錢」是一條官方支援的路徑,不只是一句行銷話。
在模型層面,Google Cloud 把它定義為一個「全模態基礎模型」,透過 Interactions API 處理文字、圖片、影片輸入,輸出文字與具備同步音訊的高畫質影片。API 端還新增了 seed 參數(可重現的影片輸出)與自訂 billing label。商業化部分則提供 Provisioned Throughput,規格是每 GSU 每秒 685 tokens。所有產出都帶有一般人眼難以察覺的 SynthID 浮水印。音訊參考功能目前則需要申請 allowlist 才能使用。
二、帳單要怎麼算:把價格拆開看
這次最容易被一句「降價 30%」帶過,但實際計價結構比想像中細。
Google AI Studio 官方定價頁寫得很清楚:影片輸出每 1M tokens $12.00,輸入每 1M tokens $1.50,文字輸出每 1M tokens $9.00。影片部分依解析度換算成不同的每秒 token 數:
- 360p:1,931 tokens/秒 → 約 $0.023/秒
- 720p:5,792 tokens/秒 → 約 $0.070/秒
- 1080p(升頻):8,688 tokens/秒 → 約 $0.104/秒
- 4K(升頻):17,376 tokens/秒 → 約 $0.209/秒
換句話說,一支 15 秒的 720p 影片約 $1.05,4K 則要 $3.13。4K 的成本是 720p 的三倍。
這些數字是理解本次更新真正意義的關鍵,因為 Google 同時宣布了一個細節:自 2026 年 12 月 3 日起,所有對 gemini-omni-1.1-flash 的 API 請求會自動改路由到 gemini-omni-1.2-flash,並按 1.2 的費率計費。 換句話說 1.1 版即將在 API 端實質退場,不是「你繼續用舊版舊價」,而是「你繼續用舊版、新價」。
順帶一提,1.1 版在官方定價頁的每秒價格是約 $0.10。$0.10 降到 $0.07,就是那個「30%」的來源。完整的價格換算請見文內 Siami 圖表。
三、社群的反應:爭論不在模型,在產品
Hacker News 討論串累積 256 分與 199 則回覆。翻完這串評論會發現一件有趣的事——討論的焦點幾乎沒有落在模型本身的能力上。
最尖銳的批評來自使用者的實測。網友 kakugawa 指出:
在 Flow 裡成本是 double,但走 API 便宜 30%。而且 Flow 一直都比 API 便宜 5 到 6 倍。
另一位網友 msabalau 補充了具體數字:Omni 1.2 在 Flow 生成 6 秒影片要 18 積分,Omni 1.1 只要 10 積分。他的結論相當直白——「我不確定 Google 一邊宣傳模型變便宜、一邊調高 Flow 價格是什麼盤算(不過走 API 的人我替他們高興)」。
也就是說,Google 官方這次宣布的降價,落在工程師與企業用戶身上,而面向創作者的 Flow 端反而漲價了。這兩個產品面向的是不同的客群,卻共用同一個模型品牌,於是出現了「官方說降價、我按一下發現變貴」的認知落差。
第二條戰線是模型本身的極限。使用者 fuzzythrowaway2 的評價最為具體:
還是我丟給它的提示詞它就接不住,不過 15 秒確實多了一點喘息空間。不能用首尾影格來鎖定較長的影片不算致命,但已經很接近了——模型就是無法重現那些怪異或獨特的角色設計,胖的、肌肉發達的、丑的與非人類角色都會退化回電視廣告那種扁平樣貌。
這段話正好點出了官方展示的盲區。Google 的案例全是「模特兒+商品」、「角色+場景」這類乾淨的參考素材,但真實製作流程裡常見的是不規則的角色設計,而首尾影格插值又恰好被鎖在 10 秒以內——兩個限制疊加起來,就成了這位使用者說的「很接近」但做不到。
網友 hypfer 的提問則戳到了商業模式的本質:
如果我理解正確,這個東西的用途是影片 B-roll?因為 15 秒的影片我還能拿來幹嘛。所以硬要模仿 N-Gate 講的話,就是「商業模式:Getty Images 的 Uber 版」。
msabalau 反駁這個觀點,並提出一個更有意思的框架:現代長片的平均鏡頭長度約三秒,舊時代約 12 秒,電影本質上是由大量鏡頭組成的序列。所以「從 10 秒拉到 15 秒」真正的價值不在於一支更長的影片,而在於連續運鏡的容錯空間——如果 15 秒裡有一個鏡頭廢掉,你還有前後可以剪。
至於用途,PunchTornado 給了一個完全出乎意料但非常具體的例子:他正在用這套模型替公司製作疲勞駕駛的資料集,因為模型能把起始影格與機位角度維持得很好,「是我試過的模型裡最好的」。
而最根本的批評來自產品層面。ricardobeat 指出:一個純影片模型卻叫 Omni——「我本來以為 omni 指的是那些能同時輸出文字與音訊的模型」。hangrybear666 則抱怨整個 Google AI 產品線的命名邏輯:「為什麼他們的模型從 3 跳到 4,結果這個東西卻從 1 開始?」
四、為什麼這件事重要
把上面這些拉回來看,Gemini Omni 1.2 Flash 真正的重要性不在「又一個模型變強了」,而在它標示了一個產業結構性的轉折:AI 影片生成的成本結構,正在從「每次嘗試都是昂貴的賭注」變成「可以像印鈔票一樣大量生產的消耗品」。
過去兩年,AI 影片的核心瓶頸從模型品質轉到了成本與產能。想像一個中型電商要每週產出 500 支商品短影片,用真人拍攝加上後製是一個量級的預算,用 AI 生成則是另一個量級但仍然不便宜——直到價格降到「每一支都在 $1 上下」這個門檻,商業模型才會真正翻轉。720p 每秒 $0.07 意味著一支 15 秒的短片約一美元,這已經進入「可以放心亂試」的區間。
第二個訊號是 12 月 3 日的強制路由。Google 主動把 1.1 的流量切到 1.2 並按新費率計費,代表 1.2 已經是它打算長期推廣的單一版本,也代表 Google 對這個模型的服務品質有信心到願意讓它承接既有流量。對開發者來說,這是一個明確的遷移期限。
第三個訊號藏在 Provisioned Throughput(每 GSU 每秒 685 tokens) 這個規格裡。當一家雲端服務商開始賣「保證吞吐量」,代表它預期的是企業級的穩定負載,而不是零星的試用。這是從「模型發布」走向「服務級別協議(SLA)」的分水嶺。
最後,官方部落格與發行說明之間的落差也值得記一筆。部落格花大量篇幅描述參考素材遵循度、對話式剪輯、多說話者配音這些聽起來很酷的能力,卻沒有提「獨立影片升頻(upscale)」這項對成本控管影響最大的功能——它只出現在發行說明裡。這提醒了所有下游開發者:官方新聞稿的內容分配,是受公關敘事影響的;真正的能力邊界要去技術文件裡找。
五、Siami 數據解讀:幾個需要保留的質疑
關於「降價 30%」:這個數字是真的,但它的適用範圍比宣傳語意窄。$0.10 → $0.07 只發生在 720p 這個基準解析度上;對照 1.1 版,Google 沒有公布其他解析度的舊價,所以「其他解析度也有類似降幅」的說法目前無從查證。同時,4K 的每秒成本($0.209)是 720p 的三倍,如果你的工作流最終要交付 4K,實際帳單的降幅會被侵蝕不少。
關於「$0.07 可以做一支 15 秒影片」:這句話嚴格來說只適用於 720p。而且官方明確寫的是「約 $1.04 for a 15s clip」,這是一個以單純 token 消耗推算的數字,實際扣款還會加上輸入端(參考圖、提示詞,每 1M tokens $1.50)與任何超出純影片輸出的部分。
關於 Flow 端漲價:這件事官方沒有任何解釋。把兩組數字並排——API 降 30%、Flow 積分從 10 漲到 18(同一支 6 秒影片)——最可能的解釋是定價策略的分層:Flow 是補貼價的產品化入口,API 是成本真實反映的通路。但無論原因是什麼,對創作者來說這意味著「用得越多的那個介面,實際單價反而越貴」。
關於模型名稱:Omni 這個字在 Google 的模型命名裡被當成「全模態」的代名詞使用,但它是一個純影片生成與編輯模型,只透過 Interactions API 處理文字輸入。技術文件把它定義為「omni-modal foundation model」聽起來很全面,但實際輸出邊界比名稱暗示的窄。這不是新問題——Google 從 Gemini 3、3.5、3.6、3.8、4 Argon 一路用到 Omni 1.1、1.2,版本序列本身就是一團謎。
延伸閱讀
- Google 官方部落格:Gemini Omni 1.2 Flash
- Google Cloud 部落格:Gemini Omni 1.2 Flash 正式 GA
- Google AI Studio 官方定價頁
- Google Cloud 發行說明
- Hacker News 討論串(256 分/199 則回覆)
- Wes Roth 官方 X 貼文
官方展示影片
- Artlist:Gemini Omni 1.2 Flash 實測應用|Google Cloud 官方頻道
- invideo:一次提示詞完成完整場景|Google Cloud 官方頻道
- Picsart:數分鐘內完成概念迭代再輸出 4K|Google Cloud 官方頻道
網友熱門留言 (10)