更新——2026 年 10 月 13 日: Gemini Omni 1.1 Flash 才是 Google 当前的视频模型,也是该拿来对比的那一个,而不是 Veo 3.1。它在 Artificial Analysis 两个榜单上都排在 Veo 3.1 之前,价格只是 Veo 标准档的零头。
Gemini Omni 1.1 Flash 由 Google DeepMind 于 2026 年 8 月 27 日发布,把视频当作一场对话。你先从文本或图片生成一段,再继续跟它说话——“改成黄昏""把那辆车去掉""接着往下演”——模型在保留你满意部分的前提下执行修改。底层它是原生多模态:同时处理文本、图像、音频与视频,每段输出都自带生成的声音。
它能做什么
- 生成。 文生视频与图生视频,3–10 秒、24 fps,画面之外同步生成音频。
- 对话式编辑。 经 Interactions API,每条后续消息都是在上一次结果上修改,而不是从头重来。
- 延长。 在片段末尾逐轮追加,搭出更长的场景。适用于模型自己生成的片段,以及不超过 10 秒的上传片段。
- 插值。 给定首帧与尾帧,模型补全中间过渡。
- 参考。 提供角色或产品的图片,或最多三段肖像短视频,让主体保持一致。
- 分辨率。 360p 做草稿、720p(默认,也是原生渲染),或上采样的 1080p 与 4K。
Google 把世界知识放在卖点中心:模型把对物理的理解与 Gemini 的历史、文化知识结合,目标是越过写实,做出讲得通的场景。
排名
| Artificial Analysis(2026 年 10 月) | Gemini Omni 1.1 Flash | Wan 3.0 | MiniMax H3(768p) | Veo 3.1 |
|---|---|---|---|---|
| 文生视频 Elo(含音频) | 1115(第 8) | 1158(第 1) | 1141(第 4) | 965(第 19) |
| 图生视频 Elo(含音频) | 1130(第 3) | 1118(第 5) | 1131(第 1) | 1034(第 13) |
| 每分钟价格(1080p) | $9.12 | $12.00 | $4.80(文生视频) | $24.00 |
文生视频榜与图生视频榜量表独立,均以 Kling 3.0 1080p Pro = 1000 为锚点,请在同一行内比较。图生视频前三名彼此只差 1 个 Elo 点,名次之争属于噪声。另有一个 Gemini Omni Flash 条目领跑 Artificial Analysis 的无声图生视频榜(Elo 1368)。
价格
Google 按输出 token 而非按秒计费,并给出720p 约 $0.10/秒的参考价。
| 输出分辨率 | 每秒 token 数 | 约每秒价格 |
|---|---|---|
| 360p(草稿) | 1,931 | $0.034 |
| 720p(默认) | 5,792 | $0.101 |
| 1080p(上采样) | 8,688 | $0.152 |
| 4K(上采样) | 17,376 | $0.304 |
视频输出 $17.50 / 百万 token;文本、图像、视频与音频输入均为 $1.50 / 百万。没有免费 API 额度——Google 定价表里免费层一栏写的是”不可用”——所以你生成的第一段就会计入账单。作为对比,Veo 3.1 标准档 1080p 为 $0.40/秒。
局限
- 片段短。 单次生成最长 10 秒。更长场景要串联延长,每次延长单独计费。
- 高分辨率是上采样而非原生。 Google 文档把 1080p 与 4K 档标注为”upscaled”。
- 区域限制。 上传视频的编辑与延长在欧洲经济区、瑞士与英国不可用,但编辑模型自己生成的片段可以。
- 参考限制。 不支持音频参考;视频参考最多三段、每段三秒,其中的音频会被忽略。不支持语音编辑。
- 语言。 完整支持英语;Google 未评估其他语言。
- 水印。 所有输出带 SynthID 水印。
适合谁
当你想迭代而不是重抽时,Omni 1.1 Flash 是合适的选择——给静态图加动画的产品团队、通过对话打磨镜头的创作者,以及想在一个 API 里同时拿到编辑与延长的开发者。如果你需要一个 30 秒的整段镜头,看 Seedance 2.5;如果文生视频质量加最低价格最重要,看 MiniMax H3 或 Wan 3.0。
适用场景
- 为产品图、插画与照片加上动作与声音(图生视频)
- 通过对话迭代一个片段——改光线、去掉某物、换道具
- 逐轮延长已生成的片段,搭出更长的场景
- 先用便宜的 360p 草稿,再决定是否出 720p 或上采样成片
优缺点
优势
- 对话式编辑——描述想改的地方,模型在保留其余内容的前提下修改,经 Interactions API 调用
- Artificial Analysis 图生视频并列榜首(Elo 1130),$9.12/分钟,而 Seedance 2.5 为 $24.60
- 内置场景延长、首尾帧插值与主体参考(角色或产品的图片)
- 360p 草稿档约 $0.034/秒,适合先打样再花钱出成片
- 每段输出都带不可见的 SynthID 水印,便于溯源
局限
- 片段短——单次生成 3–10 秒,更长场景要串联延长
- 1080p 与 4K 是由 720p 级渲染上采样而来,并非原生生成
- Artificial Analysis 文生视频只排第 8(Elo 1115),明显落后于 Wan 3.0(1158)
- 上传视频的编辑/延长在欧洲经济区、瑞士与英国不可用;不支持音频参考
- Google 只完整评估了英语
常见问题
Gemini Omni 1.1 Flash 是什么?
它是 Google DeepMind 的视频生成与编辑模型,在 Gemini API 与 Gemini Enterprise Agent Platform 上的模型名为 gemini-omni-1.1-flash。输入文本、图像与视频,输出带生成音频的片段,并可通过聊天继续修改结果。Google 于 2026 年 8 月 27 日发布生产可用的 1.1 版本。
Gemini Omni 1.1 Flash 多少钱?
视频输出按 $17.50 / 百万 token 计费,Google 折算为 720p 约 $0.10/秒。同一费率下 360p 约 $0.034/秒、1080p 约 $0.152、4K 约 $0.304。输入(文本、图像、视频或音频)为 $1.50 / 百万 token,没有免费 API 额度。Artificial Analysis 列出 $9.12/分钟,对应 1080p 档。
Gemini Omni 1.1 Flash 视频最长多久?
单次生成 3 到 10 秒、24 帧每秒。更长场景靠在片段末尾逐轮延长。上传用于编辑或延长的片段必须不超过 10 秒。
4K 输出是真 4K 吗?
Google 文档把 1080p 与 4K 标注为上采样输出,默认与原生渲染是 720p。请把 4K 档看作交付用的上采样,而不是原生 4K 生成。
Gemini Omni 1.1 Flash 排名如何?
在 Artificial Analysis 盲测投票榜上,含音频图生视频第 3(Elo 1130,与 MiniMax H3、Vidu Q4 Preview 在统计上并列),文生视频第 8(1115)。另有一个 Gemini Omni Flash 条目领跑无声图生视频榜。文生视频与图生视频两榜量表不同,均以 Kling 3.0 Pro = 1000 为锚点。