Gemini Omni 1.1 Flash 发布：场景扩展上限 40 秒，AI 视频生成转向可控

8 月 27 日，谷歌在 Google AI Studio 和 Gemini API 上正式推出 Gemini Omni 1.1 Flash，一个面向开发者的视频生成模型更新。这次的重点不是参数或画质口号，而是把"生成视频"往"导演视频"的方向推：场景扩展、首尾帧指定、4K 输出，外加更便宜的 360p 预览。对做视频工具、内容生产的人来说，这是一次工作方式的改变，不是版本号 +0.1 那么简单。

这个热点的技术本质是什么

先看几个关键变化，都来自 Google 官方博客的说明：

场景扩展 ：模型现在可以分析最多 10 秒的先前视频上下文，而之前只参考最后一秒。按 10 秒步长逐段延长，单条视频累计最长 40 秒。
- 首尾帧生成：指定第一帧和最后一帧，模型生成中间的连续画面，适合运镜、转场、无缝循环这类需求。
- 4K/1080p 输出：可以直接出高清成片，省掉"生成完再超分"这一步。
- 360p 预览：据报道（据 Google 官方博客），360p 草稿比 720p 生成快最多 60%，成本约是 720p 的三分之一。
- 视频参考 ：多模态输入里可以引用最多 3 秒的视频，保持角色和画面一致性。
  技术上这不是新架构，Gemini Omni 系列的底子没变，变的是一整套"控制手段"。以前生成视频基本是抽卡：写个 prompt，出一段，不满意就重抽，最多改改文字。现在模型能"理解"已有视频的内容再继续往下接，能按关键帧约束镜头运动，等于把剪辑师的工作流拆成了模型可以执行的动作。

变了什么，没变什么

变了的是成本结构和工作流：草稿阶段用 360p 快速迭代、定稿阶段出 4K，这在以前是做不到的------之前不管成不成型，都按同样的分辨率烧钱。据报道 Adobe Firefly、Figma Weave、Runway、GMI Cloud 等都已接入该模型，说明这类"可控视频"能力正在快速成为创作工具的标配。

没变的是生成式模型的老毛病：长镜头下角色一致性、物理细节仍然要靠人工挑素材兜底；40 秒是累计上限而非单次上限，叙事稍长就得分段生成再拼接；所谓的控制是"概率上的控制"，不是关键帧动画那种确定性控制。指望它一次出片，目前还不现实。

对普通开发者意味着什么

如果你在折腾视频生成、短视频工具、营销物料自动化，这个模型值得直接上手。官方博客给了场景扩展的 Python 示例，我抄过来做示范（代码来自 Google 官方文档）：

python 复制代码

from google import genai

client = genai.Client()
interaction = client.interactions.create(
    model="gemini-omni-1.1-flash",
        previous_interaction_id=previous_video_interaction.id,
            input=[{"type": "text", "text": "Continue the scene."}],
                response_format={"resolution": "360p"},
                )
                ```
几个实际建议：

- **草稿和成片分开跑**：先用 360p 确认叙事和镜头，定了再出 4K。官方口径是成本差三倍，量大的项目这不是小钱。
- - **长视频用步进式扩展**：10 秒一步往外扩，比一次生成更容易控制情节走向，也方便中途修正。
- - **有运镜需求的优先用首尾帧**：指定起止帧让模型补中间，比在 prompt 里描述"镜头缓缓推进"稳定得多。
- - **别省掉素材检查**：多模态参考只有 3 秒，复杂场景的角色一致性依然要自己做参考图/参考视频的管理，指望一条 prompt 全搞定不现实。
坑也明摆着：一是计费按分辨率、时长走，官方给的"三分之一成本"是相对 720p 的口径，做预算前先跑小样实测；二是 API 形态还在快速迭代，接的时候尽量把模型调用层封装好，别把版本号写死在业务代码里。

## 结尾

视频生成打到了第二阶段：不是"能不能生成"，而是"能不能按我的意思生成"。控制手段越多，离落地就越近，至于成本算不算得过来，得等真跑完一轮才知道。你怎么看，评论区聊聊。