---
url: /omni/omni_1_1_flash_updates.md
description: >-
  Gemini Omni 1.1 Flash 是谷歌 2026 年 8 月 27 日发布的新一代视频生成模型，支持 10 秒上下文场景延长至 40
  秒、首尾帧插值、3 秒视频参考、360p 草稿与 4K 输出，登顶 Arena 文生视频榜第一。
---

# Gemini Omni 1.1 Flash 来了：AI 视频终于治好了「金鱼记忆」

1 秒钟能装下什么？

大概够你说完一句"你好",或者够镜头推过一扇门。

这就是上一代 Gemini Omni Flash 在续拍视频时，能回看的**全部上下文——最后 1 秒**。

你让它接着上一条视频往下拍，它乖乖照做了，然后交给你一个东西：门后面站着的人换了张脸，房间的灯光从暖黄变成了冷白，上一句台词营造的情绪消失得干干净净。你盯着屏幕，脑子里只有一个念头——**它压根不记得刚才发生了什么。**

所以过去大家做 AI 视频，基本就是一句话：**生成，不满意，重来，再花钱。** 抽卡。

2026 年 8 月 27 日，谷歌发布了 **Gemini Omni 1.1 Flash**,把那个数字从 1 秒改成了 **10 秒**。

别小看这 9 秒的差距。它不是参数表上一行不起眼的更新，它是"玩具"和"工具"之间的那道坎。

## Gemini Omni 1.1 Flash 是什么

Gemini Omni 1.1 Flash 是谷歌原生多模态视频生成与编辑模型的**生产就绪（production-ready）版本更新**,API 模型名为 `gemini-omni-1.1-flash`,通过 Google AI Studio 的 Gemini API 提供。

先捋一下时间线，免得混乱：

* **2026 年 6 月 30 日**,初代 Gemini Omni Flash 公开预览，主打"对话式改视频"——你说一句话，它改画面里指定的那一处，其余原样保留
* **2026 年 8 月 27 日**,Omni 1.1 Flash 发布，补上了初代最被人诟病的几块短板：记不住、接不长、控不住首尾、出不了高分辨率

Google DeepMind 两位产品经理 Anish Nangia 和 Alisa Fortin 在官方博客里对这次更新的定位很直接：**给开发者更多对生成视频的控制权**。

> 初代 Omni Flash 解决的是"能不能改"；1.1 解决的是"能不能接得上、控得住、交得了活"。前者是可用性问题，后者是能不能进生产流程的问题。

至于效果，谷歌自己的说法是：Omni 1.1 Flash 在第三方评测机构 Arena 的**文生视频榜上排名第一**（Google 官方口径 1515 分），图生视频榜排名第二。榜单这东西看看就好，但它至少说明一件事——这次不是小修小补。

## 这次到底更新了什么

五个变化，每一个都戳在痛点上。

* **场景延长：上下文从 1 秒涨到 10 秒**。模型现在能分析此前**最多 10 秒**的画面再往下续，而不是只看最后 1 秒。角色的脸、衣服、站位，灯光的方向和色温，镜头正在往哪动，全都还在
* **最长可以接到 40 秒**。以 **10 秒为一个增量**往后延长，初始生成一次 + 四次延长 = 40 秒上限。距离"一整场戏"还差得远，但相比此前单段最长 10 秒、且一续就崩，这是质变
* **首尾帧插值**。你指定一个镜头的**起始帧**和**结束帧**,模型在两帧之间生成连续的中间画面。环绕运镜、缩放转场、无缝循环素材，这类原本只能靠剪辑师手工磨的活，现在可以钉住两头让它自己算
* **视频参考：最多 3 秒**。可以把一小段视频塞进多模态输入里，让新镜头沿用它的动作、运镜和节奏，或者反过来——给不同角色套用同一段舞蹈动作
* **360p 草稿 + 4K 放大**。新增 360p 草稿模式，官方数据：比标准 720p **最快快 60%,成本约为三分之一**;定稿后再升到 **1080p 或 4K** 输出

我个人的判断：**首尾帧插值和 360p 草稿，是这五个里面最被低估的两个。**

首尾帧把"抽卡"变成了"打靶"——你终于能控制一个镜头从哪里开始、到哪里结束，而不是祈祷它落在对的地方。

360p 草稿则是把成本结构给改了。以前你调 prompt 的每一次试错都得按成品价付钱，现在草稿价只有三分之一。

> 便宜的试错，才是创作自由的真正前提。昂贵的试错只会让人不敢试。

## 能拿它干什么

### 一条广告片的成本账

这是 1.1 最实在的落地场景。假设你要出一条 30 秒的产品视频：

| 环节 | 做法 | 成本估算 |
|---|---|---|
| 分镜试错 | 360p 草稿，跑 10 版 | 30 秒 × $0.03 × 10 = **$9** |
| 定稿生成 | 720p 出成品 | 30 秒 × $0.10 = **$3** |
| 交付母版 | 升到 4K | 30 秒 × $0.30 = **$9** |
| **合计** | | **约 $21** |

21 美元，换来一条可交付的 30 秒 4K 产品视频，以及十次试错机会。

做个对照：一条外拍素材的预算，现在够你跑几十条创意测试。**创意测试的量变，才是转化率质变的前提**——这句话在传统广告业成立了几十年，现在轮到 AI 视频了。

### 多角色一致性的连续镜头

官方博客里那个 demo 我很喜欢：上传三段舞蹈视频，再上传三张角色图（狗、章鱼、熊），让三个角色分别跳参考视频里的舞蹈，最后合成**一个没有剪辑点的连续镜头**。

这件事在过去几乎不可能。跨镜头保持角色一致，是 AI 视频的老大难，而"同一场景多角色 + 无剪辑点"更是难上加难。现在它靠"3 秒视频参考 + 角色图"两条腿站住了。

### 大厂已经在用了

这次官方直接把客户名单摆了出来，而且都附了具体引述：

* **Adobe Firefly**:已集成 Gemini Omni Flash,用于视频编辑能力
* **Figma Weave**:创意总监 Itay Schiff 的说法是，有了 extensions、更丰富的参考素材和 4K,团队的工作从"生成视频"变成了"**真正导演视频**"
* **GMI Cloud**:市场副总裁 Louisa Guo 认为，对教育和解释类内容来说，AI 视频的**可靠性比单一炫技功能更重要**
* **Runway**:首席创意官 Jamie Umpherson 关注的是"让用户能在不同创意之间快速切换"

Figma 那句"从生成视频到导演视频",我觉得是这次更新最好的注脚。

## 价格怎么算

官方按**生成视频的秒数**计费，四档分辨率：

| 分辨率 | 价格/秒 | 10 秒片段 | 30 秒片段 |
|---|---|---|---|
| **360p**（草稿） | $0.03 | $0.30 | $0.90 |
| 720p | $0.10 | $1.00 | $3.00 |
| 1080p | $0.15 | $1.50 | $4.50 |
| 4K | $0.30 | $3.00 | $9.00 |

横向对比一下同门师兄：官方定价表中 **Veo 3.1 Lite 的 720p 是 $0.05/秒**,**Veo 3.1 Fast 的 4K 是 $0.30/秒**。

也就是说，Omni 1.1 Flash 在 720p 这一档比 Veo 3.1 Lite 贵一倍，但它贵出来的部分买的是**对话式编辑 + 场景延长 + 首尾帧控制**。值不值，取决于你要的是"便宜地出一段",还是"可控地磨一段"。

我的建议一如既往：**调 prompt 阶段一律 360p,定稿了再上分辨率。** 别拿 4K 的价格去试错，那是跟自己的钱包过不去。

## 快速上手

### 先选入口

| 入口 | 适合谁 | 说明 |
|---|---|---|
| Google AI Studio | 开发者、想调参的人 | 直接选 `gemini-omni-1.1-flash` 模型 |
| Gemini API | 要接进自己产品 | 模型名 `gemini-omni-1.1-flash` |
| Google Flow | AI Plus / Pro / Ultra 订阅者 | 全功能已上线 |
| Gemini 应用 | 同上订阅者 | 场景延长功能已开放 |
| Gemini Enterprise Agent Platform | 企业部署 | 通过 Agent Platform API |

### 第一步：360p 草稿先跑起来

```python
import base64
from google import genai

client = genai.Client()

# 草稿阶段：360p，快 60%，成本三分之一
draft = client.interactions.create(
    model="gemini-omni-1.1-flash",
    input="一颗玻璃弹珠在多米诺式连锁轨道上飞快滚动，一镜到底，镜头平滑跟随",
    response_format={"type": "video", "resolution": "360p"}
)

with open("draft_360p.mp4", "wb") as f:
    f.write(base64.b64decode(draft.output_video.data))
```

对着草稿反复调 prompt,满意了再改成 `resolution: "720p"` 甚至 `"4k"` 出成品。

### 第二步：场景延长，一次接 10 秒

核心就是 `previous_interaction_id` ——把上一轮的 id 传进去，模型会自动回看此前最多 10 秒的上下文：

```python
# 第 1 轮：生成初始片段
shot1 = client.interactions.create(
    model="gemini-omni-1.1-flash",
    input="一位红发女子的特写，一束红光打在侧脸上"
)

# 第 2 轮：接着拍，只需描述"接下来发生什么"
shot2 = client.interactions.create(
    model="gemini-omni-1.1-flash",
    previous_interaction_id=shot1.id,
    input="镜头微微横摇，画面里多出一个卷发男人的背影，他说“我也看见了”，配乐压上来"
)

# 第 3 轮：继续延长
shot3 = client.interactions.create(
    model="gemini-omni-1.1-flash",
    previous_interaction_id=shot2.id,
    input="镜头缓缓拉出，两个人原来站在一座积满灰尘的地下墓穴里"
)
```

三次续拍，累计约 40 秒。注意看这几句 prompt 的共同点——**它们都只描述增量，不重复描述整个画面**。这是场景延长能保持一致的写法要点。

### 第三步：首尾帧钉住一个镜头

给模型两张关键帧，让它算中间那段运动：

```python
interaction = client.interactions.create(
    model="gemini-omni-1.1-flash",
    input=[
        {"type": "image", "data": base64_first_frame, "mime_type": "image/jpeg"},
        {"type": "image", "data": base64_last_frame, "mime_type": "image/jpeg"},
        {"type": "text", "text": "在这两个关键帧之间生成连续运动，摄影机向前推进的同时镜头拉远，一镜不断"}
    ]
)
```

环绕运镜、dolly zoom、无缝循环，都是这个模式的菜。

### 第四步：视频参考，让动作跨镜头复用

```python
interaction = client.interactions.create(
    model="gemini-omni-1.1-flash",
    input=[
        {"type": "video", "data": base64_ref_clip, "mime_type": "video/mp4"},  # 最长 3 秒
        {"type": "image", "data": base64_character, "mime_type": "image/png"},
        {"type": "text", "text": "让这个角色表演参考视频中的舞蹈动作，保持角色外观一致"}
    ]
)
```

> 一个提醒：Omni 走的是 **Interactions API**（`client.interactions.create`），不是 Veo 那套 `generate_videos` + 轮询 operation。这也是它能做多轮延长和编辑的底层原因。

需要说明的是，上面的代码基于官方博客公布的接口形态整理，预览期 API 字段仍可能调整，**动手前建议对照官方文档 [ai.google.dev/gemini-api/docs/omni](https://ai.google.dev/gemini-api/docs/omni) 确认一遍**。

## 初代 Omni Flash 和 Veo 3.1,现在怎么选

这是最多人纠结的问题，直接上表：

| 维度 | **Omni 1.1 Flash** | 初代 Omni Flash | **Veo 3.1** |
|---|---|---|---|
| 单段时长 | 10 秒，可延至 **40 秒** | 最长 10 秒 | 4 / 6 / 8 秒 |
| 视频延长 | **支持**,10 秒增量 | 不支持 | 支持，最长 148 秒 |
| 首尾帧插值 | **支持** | 不支持 | 支持 |
| 分辨率 | 360p / 720p / 1080p / **4K** | 720p | 720p / 1080p / 4K |
| 对话式编辑 | **支持** | 支持 | 不支持 |
| 视频参考 | **支持**,最长 3 秒 | 不稳定 | 支持 |
| 720p 价格 | $0.10/秒 | $0.10/秒 | Lite $0.05/秒 |
| 定位 | 生产就绪 | 公开预览 | 预览 |

三句话记：

* **要反复改、要接长、要控首尾** → Omni 1.1 Flash
* **要接得更长（超过 40 秒）、要走成熟生产路径** → Veo 3.1
* **还在用初代 Omni** → 没什么理由不升了，同样的 720p 价格，白得一堆能力

工程上的老建议还是那句：抽一个 `VideoProvider` 接口出来，底下挂多套实现，按需求路由。别把任何一家模型的 SDK 细节泄漏进业务代码——这个行业三个月一变，你现在押注的 API 明年可能就改名了。

## 还有几个坑要提醒

热度归热度，该踩的坑还是得提前说：

* **40 秒是累计上限，不是单段上限**。要拿到 40 秒得老老实实续四次，每次都得重新付钱
* **4K 是放大，不是原生 4K 生成**。它的价值在于交付环节，别指望放大能凭空变出细节
* **视频参考上限 3 秒**。想复用一段长动作，目前做不到
* **预览期接口会变**。官方自己都标注了 production-ready,但 API 字段调整是常态
* **中文 prompt 支持仍不完整**。英语最稳，中文能跑但要接受抽卡率高一点
* **地区限制**。欧洲经济区、瑞士、英国用户在编辑自己上传的视频时有额外限制

## 写在最后

回头看 2026 年视频生成这条赛道的节奏，脉络其实很清楚：

2024 年大家比\*\*"能不能动"**,2025 年比**"像不像真的"**,到 2026 年，战场已经完全转移到**"能不能控"\*\*上了。

因为真实的创作从来不是一次成型的。专业剪辑师改十版是常态，摄影师为了一个运镜等一天的光也是常态。**AI 视频之前之所以一直停在"玩具"阶段，从来不是因为画质不够好，而是因为每一次修改都等于重新掷骰子。**

Omni 1.1 Flash 做的事，是把"掷骰子"变成"接着上一句往下说"。

十秒的记忆听起来不多。但对一个一直在失忆的模型来说，这已经够它讲完一个有起承转合的小故事了。

对新手最实在的建议：先别碰 API。打开 Google Flow 或者 Gemini 应用，生一条视频，然后试着让它接着往下拍。那一次"它居然记得上一段"的错愕感，比读十篇技术文档都直观。

## 进阶

更多开源技术干货和学习资料，关注公众号「遇码」，领取专属福利。