Gemini 中文文档

Appearance

一分钟带你了解什么是Gemini Omni Flash ​

AI 生视频这件事，卡住大家的从来不是"生不出来"。

是改不了。

举个真实的例子。你花了 1 美元，生成一条 10 秒的小提琴独奏视频，画面 98 分，光影、构图、氛围全对，就一个问题：手里那把小提琴太抢戏，你想让它消失。

过去你只有一条路——回去改 prompt，重新抽卡，再花 1 美元。然后新出来的这条，小提琴没了，但主角换了张脸。再抽，再花钱。做过 AI 视频的都懂这种痛：每一次修改都是一次重新赌博。

Gemini Omni Flash 的做法是，你接着上一句话说：

"Make the violin invisible."（把小提琴变透明。）

就完事了。人还是那个人，光还是那道光，只有小提琴没了。

Gemini Omni Flash 是什么 ​

Gemini Omni Flash 是谷歌的原生多模态视频生成与编辑模型，模型代码 gemini-omni-flash-preview。

它在 2026 年 Google I/O 上首次亮相，当时官方说开发者 API "未来数周内"上线——这话通常要打个折。但这次没跳票：2026 年 6 月 30 日，它正式在 Google AI Studio、Gemini API 和 Gemini Enterprise Agent Platform 上进入公开预览。

它跟 Veo 那一代视频模型的分界线，在于"原生"两个字。Veo 是一个专门做视频的模型；Omni Flash 是把 Gemini 的多模态推理能力直接长在了视频生成上——文本、图片、音频、视频进同一个模型，出来的东西自带 Gemini 的世界知识。

换句话说，它不只是"知道苹果长什么样"，它还知道苹果从桌上掉下去该怎么弹、以什么速度落地。物理常识、历史背景、叙事逻辑，这些是 Gemini 本来就有的东西，现在被接到了视频这条管线上。

顺便说个容易被忽略的信号：Gemini API 官方文档现在已经把 Omni Flash 列为视频生成的默认推荐模型，而不是 Veo。 这个位置的变动，比任何 benchmark 都说明问题。

它的特点 ​

  • 对话式视频编辑：这是它最硬的一块长板。基于 Interactions API，你可以用自然语言一轮一轮地改视频，没提到的部分原样保留，不用整段重新生成。目前一个会话最多可以叠 3 次连续编辑
  • 多模态参考：文字、图片、视频混着当输入。可以传多张参考图锁死主体外观，让角色跨镜头不"变脸"
  • 世界知识加持：物理规律、生物常识、叙事逻辑，模型自己懂，不用你在 prompt 里手把手教
  • 原生音频输出：默认给你配一条合适的音轨，环境音、背景乐、节拍都能用提示词点名
  • 文字与动作同步：视频里要出现可读的文字、并且跟画面动作对上节奏，一句提示就行
  • 720p / 24 FPS / 3–10 秒：当前 API 的输出规格，横屏 16:9 默认，也支持竖屏 9:16
  • 百万级上下文：上下文窗口 1,048,576 token，输入可以塞很多参考素材
  • SynthID + C2PA 双重溯源：所有输出打不可见水印、附内容凭证，可以在 Gemini App、Chrome 里的 Gemini 或搜索中验证

能拿它干什么 ​

电商产品视频，从静图到成片的流水线。 这是目前落地最直接的场景。谷歌自己放了个 demo 应用叫 Omni Product Studio：先用图像模型出静态产品图，选中一张，Omni 把它变成一条电影感的电商视频。整条链路的成本是什么量级？一条满额 10 秒视频，输出费用大约 1 美元。以前一条外拍素材的预算，现在够你跑几百条创意测试。

社交与娱乐特效。 官方博客里那条演示视频挺有意思：一个人对着手机做了四个"数字魔术"——从屏幕里掏出一个 3D 气球字、把屏幕里的水倒进真实的玻璃杯。角落还放着原始拍摄画面，让你看清特效是怎么加上去的。这类"实拍 + 对话式加特效"的玩法，是 Omni 相比纯文生视频最不一样的地方。消费端已经能用了：Gemini 应用、Google Flow，以及 YouTube Shorts 和 YouTube Create（18 岁以上免费）。

空间与室内设计预览。 demo 应用 Space Lift 的路子：上传一张房间照片，先批量生成不同风格的设计概念图，挑中一个，点视频按钮，Omni 把它变成一段有镜头运动的空间巡览。装修之前先"走进去看看"——这个需求真实存在，而且以前只能靠三维建模师做，周期按周算。

旅行与内容营销。 demo 应用 Anywhere：自拍或上传一张照片，图像模型把你瞬移到几十个地标前，点一下，Omni 把静图变成那个地点的动态短片。这三个 demo 都在 AI Studio 里可以直接 remix，改改就是你自己的产品原型。

值得说一句的是，这几个案例有个共同套路：图像模型出帧 + Omni Flash 动起来。6 月 30 日同场上线的 Nano Banana 2 Lite（gemini-3.1-flash-lite-image）就是配套的那一半——4 秒出图、每千分辨率图 0.034 美元。快速出图选帧、选中的帧再喂给 Omni，这是目前性价比最高的一条生成式媒体流水线。

快速上手 ​

先说入口，按你的身份挑：

入口适合谁地址
Gemini 应用完全新手，想先看效果gemini.google.com
Google Flow做影视创作、多镜头叙事flow.google
YouTube Shorts / Create短视频创作者（18+ 免费）youtube.com
Google AI Studio开发者试参数、不想先写代码aistudio.google.com
Gemini API要接进自己的产品ai.google.dev
Gemini Enterprise Agent Platform企业级部署console.cloud.google.com

最简单的文生视频，Python 长这样：

python
import base64
from google import genai

client = genai.Client()

interaction = client.interactions.create(
    model="gemini-omni-flash-preview",
    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"
)

with open("marble.mp4", "wb") as f:
    f.write(base64.b64decode(interaction.output_video.data))

注意这里用的是 client.interactions.create——不是 Veo 那套 generate_videos + 轮询 operation。Omni 走的是 Interactions API，这也是它能做多轮编辑的底层原因。

想要竖屏，加一个 response_format：

python
interaction = client.interactions.create(
    model="gemini-omni-flash-preview",
    input="霓虹灯与飞行汽车的未来都市，赛博朋克风格",
    response_format={"type": "video", "aspect_ratio": "9:16"}
)

重点来了，对话式编辑——把上一轮的 id 传进 previous_interaction_id：

python
# 第一轮：生成
res1 = client.interactions.create(
    model="gemini-omni-flash-preview",
    input="一位女士在户外拉小提琴"
)

# 第二轮：接着改，不用重新描述整个画面
res2 = client.interactions.create(
    model="gemini-omni-flash-preview",
    previous_interaction_id=res1.id,
    input="把小提琴变透明"
)

这四行代码，就是 Omni Flash 存在的全部理由。

图生视频也很简单，图片和文字一起丢进 input，再指定任务类型：

python
interaction = client.interactions.create(
    model="gemini-omni-flash-preview",
    input=[
        {"type": "image", "data": base64_image, "mime_type": "image/jpeg"},
        {"type": "text", "text": "让这张草图变成真实拍摄的画面，草图只用来指导运动方向，最终视频里不要出现草图本身"}
    ],
    generation_config={"video_config": {"task": "image_to_video"}}
)

支持的任务类型一共四种：text_to_video（文生视频）、image_to_video（图生视频）、reference_to_video（多参考图生成特定主体）、edit（有状态编辑）。

价格怎么算 ​

官方口径很清爽：视频输出 0.10 美元/秒，跟 Veo 3.1 Fast 同价。

拆开看 token 计费的话是这样：

项目付费层价格
输入（文本 / 图片 / 视频 / 音频）$1.50 / 百万 token
文本输出$9.00 / 百万 token
视频输出$17.50 / 百万 token

720p 视频按 5,792 token/秒 折算，$17.50 × 5792 ÷ 1,000,000 ≈ $0.10/秒，对得上。

两个必须提前知道的事：

  1. 没有免费额度。Omni Flash 只对付费层开放，别指望白嫖 API。想零成本试水，去 Gemini 应用或 YouTube Create
  2. 预览期没有 Batch 半价通道。也就是说暂时没有"能等就更便宜"这个杠杆

一条满额 10 秒的片子，输出成本约 1 美元（输入 token 另算）。我的建议跟做图一样：调 prompt 阶段短一点、少几轮，定稿了再出满额。

上手前必须知道的限制 ​

预览版就是预览版，官方把边界写得很清楚。这些是产品约束，不是临时 bug，设计功能时就得吃进去：

  • 单段最长 10 秒，这是当前硬上限，更长时长在路线图上
  • 不支持上传音频参考（输出仍然自带同步音轨）
  • 不支持场景延伸和视频插值（首尾帧之间自动补中间，这是 Veo 的活）
  • 短视频参考不稳：API schema 接受不超过 3 秒的视频参考，但官方明说模型目前处理不正确——别用
  • 切镜头、大幅运镜时角色一致性可能漂移，官方承认在改进中。对策是多留一轮编辑，或者把参考素材收得更紧
  • 不支持语音编辑，不支持跨多个视频交叉引用推理
  • 不支持系统指令、temperature、top_p、停止序列、负面提示。想排除什么，直接在提示词里写"不要出现 X"
  • 不支持 YouTube 视频作为媒体来源
  • 地区限制：欧洲经济区、瑞士、英国用户无法编辑自己上传的视频（只能编辑模型生成的视频）；含未成年人的图片在这些地区也不支持上传编辑
  • 语言：英语完整支持，其他语言"可能有效但结果不定"。中文 prompt 能跑，但要接受抽卡率高一点

还有一个工程细节容易踩：视频超过 4MB 时，加 response_format={"type": "video", "delivery": "uri"} 用 URI 方式取回，别硬塞进响应体。

Omni Flash 和 Veo 3.1，到底用哪个 ​

这是最多人问的问题。直接上表：

维度Gemini Omni FlashVeo 3.1
架构Omni 原生多模态家族专用视频模型
APIInteractions APIgenerate_videos + 轮询
修改方式原生对话式编辑，改哪说哪重写 prompt、整段重生成
单段时长最长 10 秒4 / 6 / 8 秒
视频延伸不支持支持，最长可接到 148 秒
首尾帧插值不支持支持
分辨率720p720p / 1080p / 4K
价格$0.10/秒Fast $0.10/秒，标准版 $0.40 起
成熟度公开预览预览（生产路径成熟）

一句话记：要反复改，用 Omni；要接长、要 4K、要控首尾帧，用 Veo。

工程上的干净做法是抽一个 VideoProvider 接口出来，底下挂两套实现，按需求路由。别把任何一个模型的 SDK 细节泄漏到业务代码里——预览版接口是会变的。

写在最后 ​

视频生成这条赛道，节奏很清楚：2024 年比"能不能动"，2025 年比"像不像真的"，到 2026 年，战场已经全面转移到 "能不能改" 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，而 AI 视频过去每改一版都要重新抽卡——这才是它一直停在"玩具"阶段的真正原因，不是画质。

Omni Flash 把"改"这件事变成了对话。它现在还有一堆限制：10 秒、720p、没有免费额度、中文 prompt 也不算完整支持。但方向是对的，而且是那种一旦体验过就回不去的对的。

对新手最实在的建议：先别碰 API。打开 Gemini 应用或者 YouTube Create，生一条视频，然后试着用一句话改它。那一次修改带来的感受，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。

Gemini中文文档

Copyright © 2024 gemini.meetcoding.cn All Rights Reserved. 遇码科技 版权所有