一个商品展示视频里,杯子的颜色、杯盖结构和标识都正确,镜头也足够流畅。客户只要求把背景从书桌换成露营地。对于传统合成,这通常意味着调整背景和光影;对于生成式视频,这次修改却可能顺带改变杯子的比例、手指的位置,甚至让原本正确的文字变形。于是,真正耗时的工作变成了反复确认:刚刚认可的部分,还在不在?
2026 年 11 月 5 日,Google 发布 Gemini Omni 1.2 Flash,将最长生成与编辑时长从 10 秒扩展到 15 秒,并强调参考素材遵循、多轮对话编辑和一致性的改善。这些是官方公布的能力与产品方向,不是本文的实测结果。Google 发布说明
我的判断是,这次更新最值得关注的变化,是视频生产能否从反复抽取完整成片,转向保留已确认内容、逐项修改的流程。15 秒提供了更大的叙事空间,但也扩大了需要检查的范围。下面从商品短片这个具体场景出发,分析怎样使用这类能力、哪些账不能省略,以及哪些任务仍应交给传统拍摄和后期。事实核对截至 2026 年 11 月 7 日,本文没有调用该模型生成测试视频。
先分清产品承诺和接口边界
Google Cloud 的同日公告确认模型进入正式可用阶段,并列出 720p 视频每秒约 0.07 美元的价格,称其较 Omni 1.1 Flash 下降约三成。公告也明确写出,音频参考功能受允许名单限制。正式可用描述的是服务供应状态,并不能替某个具体镜头提供质量保证。Google Cloud 公告
接口细节比发布标题更适合用来制定制作计划。11 月 6 日更新的 Google Cloud 模型文档列出:普通生成和编辑支持 3 至 15 秒,使用首尾帧的生成仍为 3 至 10 秒,扩展操作的新增片段也是 3 至 10 秒。它还列出最多十张输入图片、最多三个输入视频,以及横屏和竖屏两种比例。模型规格与时长限制
这几项区别会直接影响方案。例如,设计师已经画好起始和结束画面,希望模型在两帧之间完成十五秒移动,就不能只根据“支持十五秒”承诺交付。需要改成较短的首尾帧片段、重新安排剪辑,或者确认另一种生成方式是否符合需求。扩展也不能被理解为模型拥有无限长度、始终完整的前文记忆。制作长片时,应主动管理镜头衔接和素材版本。
另一个容易遗漏的点,是不同入口的功能开放范围可能不同。模型可以输出对白,不代表任意账户都能上传人物声音作为参考;某项能力出现在展示案例里,也不意味着你的项目和地区已取得相同权限。正式排期前,应在实际使用的入口核对能力,而不是把不同产品页面上的优点拼成一个不存在的配置。
十五秒让一个动作完整起来,也让错误有时间出现
十秒与十五秒的差别,对观众而言只是五秒,对镜头设计却可能是一个完整阶段。一个简单的商品演示可以先建立环境,再展示拿取和使用,最后留出明确的商品停留画面。多出来的时间让动作不必过度压缩,也降低了每隔几秒必须切换镜头的压力。
但更长不等于应该塞入更多任务。如果十五秒里同时要求开盒、换装、奔跑、人物对白、产品旋转和文字介绍,模型要维持的关系就会增加:人物是谁,物体在哪,哪只手拿着什么,声音属于谁,镜头何时改变。即使单帧漂亮,其中任意一项在时间轴上错位,都可能破坏整个视频的可信度。
一种更稳妥的设计,是为每个片段选一个主要动作,其余内容帮助解释这个动作。例如展示水杯的便携性,可以安排人物拿起杯子、放入背包侧袋,然后停留在露出的杯盖上。不要同时要求证明保温、防漏、抗摔和容量。前者是可以逐帧检查的动作,后者混合了多项需要真实证据支持的性能主张。
长镜头也有适用边界。保持一个主体的缓慢运动,通常比频繁遮挡、多人交叉和高速碰撞更容易制定清晰的验收条件;这只是制作上的任务分解判断,不是对模型成功率的量化结论。Google 自己也把快速体育动作、快速脚本变化和复杂物理列为继续改进的方向。因此,涉及碰撞受力或复杂操作顺序的场景,不宜仅凭官方精选视频确定可交付性。官方说明中的待改进方向
参考图减少猜测,但不会自动建立商品真相
参考素材的价值,在于把部分模糊描述变成可观察的约束。“一个高级感的蓝色杯子”留给生成系统很大的解释空间;产品正面、背面、杯盖和标识的清晰图片,则让设计师和审核者拥有共同的比较对象。此时,提示词不需要承担全部事实传递工作。
不过,上传更多图片未必更好。若参考中混入不同批次的包装、不同光线下偏色的照片,或者已经修掉真实接缝的营销图,系统收到的约束本身就相互冲突。它生成一个视觉上顺滑的折中结果,可能恰恰偏离任何一个真实商品版本。素材清理应当在生成之前完成,而不能寄希望于模型自动判断哪张图才有最终权威。
我建议把参考素材分成两组。第一组负责事实,包括当前款式、真实形状、主要颜色、结构和准确文字;第二组负责表达,包括场景气氛、镜头节奏和光照风格。每张图都写明用途,避免风格样张中的另一个产品被误当成目标。若接口或工具无法明确表达这些角色,就先减少素材,降低歧义。
更重要的是补足看不见的部分。一张正面照片无法证明背面的结构,也无法证明杯盖打开后的内部形状。生成视频可以补出一个合理画面,却不能把这种合理性变成产品证据。商品目录中的结构展示,最好使用完整实拍资料、经过确认的三维模型,或把镜头限制在已有证据覆盖的角度。创意广告允许想象,购买决策需要的细节则应有出处。
多轮编辑要同时验收改动和保留项
对话编辑最直观的好处,是不必每次重新描述整条视频。但从工作流程看,一次编辑实际包含两份需求:希望改变什么,以及希望保持什么。只检查前一份,会漏掉很多返工。
以替换露营背景为例,编辑后的背景可能完全符合要求,杯子却从哑光变成高反光,原本自然的握持也变成悬空。这次编辑在“背景替换”这一项上成功,在成片交付上仍然失败。评价局部编辑的质量,必须把改动区域以外的稳定性纳入检查。
为一条短片写出可比较的保留项
不用把审查表做得很复杂。对上述水杯片段,可以事先记录:杯盖开启方向、主体比例、标识拼写、人物持握关系、主要动作起止位置,以及批准过的口播文字。背景树木的精确位置通常不必锁定,商品结构和口播内容则需要锁定。保留项的严格程度应由业务用途决定,不能要求所有像素永远不动。
这里还存在一个真实的矛盾:把室内背景改成日落营地,合理结果本来就应该改变杯身反光和人物边缘光。如果把所有颜色变化都算错,审核会拒绝物理上更自然的结果。更好的写法是“保持商品固有颜色和材质属性,允许随新光源变化”,而不是简单要求“颜色完全不变”。这类判断需要人理解场景,不能只靠两张图片的像素差。
每轮编辑都应保存一个可回退版本,并记录它的父版本。若第三轮修正镜头破坏了第一轮确认的产品细节,团队可以回到合适节点,而不是在已经偏离的结果上继续修补。分支记录也有助于判断问题来自哪个修改要求,避免把所有失败都归结为提示词不够长。
不要用局部成功掩盖跨轮漂移
评估时可以设置一个简单的闭环:先换背景,再改光照,最后恢复原背景,比较商品和动作是否仍然符合最初要求。它不会证明模型所有场景都可靠,却能暴露连续修改之后逐渐偏离原素材的问题。测试还应包含被遮挡后重新出现的标识、转身后的衣服背面,以及镜头比例改变后的边缘主体。
这些都是建议的测试设计,本文未实际执行。Google 的 1.2 模型卡仍把详细限制指向基础模型说明;后者列出的挑战包括编辑一致性、复杂运动和准确文字。因此,官方说一致性改善,与团队仍需逐项检查并不矛盾。改善描述的是相对进展,生产验收判断的是眼前这条视频是否满足要求。1.2 模型卡及其引用的基础模型限制
低清选片再升清怎样省钱
发布说明中的每秒价格是一个便于理解的近似数。Google Cloud 当前价格页把 Omni 1.2 Flash 视频输出列为每百万 token 12 美元,并按分辨率给出每秒对应的 token 数;输入与文字输出另行计费。720p 每秒 5792 个输出 token,折算为每秒 0.069504 美元,一段十五秒视频的输出费用约 1.04 美元。Google Cloud 价格表
这个数字只是输出部分,并非拿到最终广告的全部费用。参考图、视频输入、文字输出、修改、升清、存储、人工审查与后期,都可能产生额外成本。尤其是“只改一个细节”属于交互上的便利,不能据此假定服务只按被修改的几个像素收费。
下面用公开费率做一个静态算例,金额均为美元,不含输入、文字输出、税费及人工。假设每次都需要十五秒视频,团队生成五个候选,再选一个交付:
- 五条直接生成的 1080p 视频,按每秒 8688 个输出 token 计算,视频输出合计约 7.82 美元。
- 五条 360p 候选,按每秒 1931 个输出 token 计算,合计约 1.74 美元。
- 再把选中的一条从 360p 升到 1080p,按价格页的升清输出口径计算,约为 1.04 美元,两步合计约 2.78 美元。
在这组固定假设下,后者的视频输出费用少约 64%。这是费率算术,不是模型实测,也不表示所有项目都能省下相同比例。它成立的关键,是团队能够在低分辨率阶段选出值得保留的候选,而且升清后仍符合要求。
反例同样清楚。若任务的核心就是包装上的细小文字,360p 可能让错误难以发现;等升清后才发现拼写或边缘异常,就需要重新生成和审核。还有些方案低清看起来只是柔和,高分辨率下却暴露形状问题。省钱流程因此应分两道关:低清阶段看构图、动作和节奏,升清后重新检查文字、纹理、边缘和商品细节。后一道检查不能因为前面已经通过就跳过。
预算也要设置停止条件。达到约定的候选数量或修改轮数仍无合格片段时,应转为人工合成、实拍或更简单的镜头。生成费用便宜,容易让团队忽视不断重试消耗的审片时间。最有价值的成本记录,是哪些镜头反复失败、为什么失败,以及换成另一种制作方式后是否更快完成。
声音和来源标记需要单独处理
视频画面通过,并不意味着声音也通过。口播可能在专有名词、数字、停顿或说话者对应关系上出错。一个产品介绍里,画面展示甲型号,声音却说乙型号,即使嘴型同步,也会形成错误信息。声音应单独核对文字,再与画面核对时间关系,不宜只凭整体自然度评价。
涉及真实人物时,还要把素材授权与生成能力分开。拥有一张照片,不自动意味着可以让照片中的人代言;拥有一段配音,也不自动覆盖新的语言、用途或商业投放。模型卡明确说明,修改人物话语的能力仍受到限制。团队不应把这些限制当作需要绕开的障碍,而应在制作前确认演员、配音和品牌授权的范围。官方模型卡中的语音限制
Google 表示输出带有 SynthID 水印。其官方介绍说明,水印用于识别内容是否经过 AI 生成或修改,设计上会考虑裁切、压缩等常见变换。SynthID 工作方式
从这个用途可以推导出一个边界:来源标记不能证明视频中的性能承诺真实,也不能替代肖像、音乐或商标授权。它回答的是内容来源的一部分问题,商品是否真的防水、人物是否真的同意代言,则需要另外的证据。面向消费者的内容,还应根据实际投放规则保留清楚的披露,不能把不可见水印当成观众已经理解画面性质。
从小范围试制开始建立自己的判断
第一次试用不必追求一条最炫的广告。可以选择一组低风险、已经有完整素材的内部样片,分别覆盖静态商品展示、人物持物、背景替换和简单对白。每种场景都提前写下必须正确的事项,再比较原有制作方式与新流程,保留失败案例,而不只保存最好看的成片。
记录应至少包含素材版本、生成入口、模型版本、时长与分辨率、每次修改要求、费用,以及人工检查的结果。评审时先判断商品与内容事实,再判断视觉表达,避免“特别好看”让事实错误获得宽容。若不同审核者意见不一,先厘清需求:究竟是风格偏好,还是能够指认的结构、文字或动作错误。
这次更新适合推动的是可控的制作试验。对拥有清晰参考、动作不复杂、允许艺术表达的短片,十五秒生成和对话编辑可能减少前期构思与版本调整的摩擦。对产品性能证明、真实事件记录、精密操作教学,或者必须严格保持每个细节的镜头,实拍和确定性后期仍有明确价值。
我更看重一个朴素的验收结果:当团队说“这一版可以,只改背景”时,工具能否让下一版真正沿着这句话前进。生成式视频只有在修改可控、事实可查、成本可解释时,才更接近可以反复依赖的生产工具。画面有多惊艳,是开始讨论的理由;确认过的内容能保留多少,决定了讨论能否走到交付。
评论
暂无评论。