Gemini Omni 1.1 Flash 解析：谷歌用对话式视频编辑取代了 Veo

一句话总结：Gemini Omni 1.1 Flash 是谷歌 8 月 27 日转正的视频模型，3 到 10 秒片段带原生音轨、支持多轮对话改片、可延长到 40 秒，AA 文生视频无音频榜以 1322 Elo 排第一，价格 720p 每秒 0.1 美元，同时 Veo 3.1 的预览端点已被安排退场。

谷歌这次的动作比参数表更有意思：它不是发了 Veo 4，而是开了一个新家族叫 Gemini Omni，定位是「任何输入生成并编辑视频」，然后把 Veo 3.1 的预览端点直接安排退场——官方弃用页写的日期是 10 月 22 日，接替者就是 Omni 1.1 Flash。

这意味着谷歌在视频这条线上换了路线：从「一次性生成一段好片子」，转向「生成之后还能接着聊」。

规格先摆清楚

三个规格值得单独说。第一，音轨不能关：对白、音效、环境声在一次生成里出来，这既是卖点也是成本——不需要音频的场景也得为它付钱。第二，1080p 和 4K 是超分：谷歌自己的 API 文档写明了，别把 4K 当原生能力对外宣传。第三，延长靠上下文：新版本能读最多 10 秒前文（上一代只读 1 秒），按 10 秒步长接龙，最长 40 秒，这比一次性生成 40 秒实际得多。

真正的差异：能聊着改

Omni 的杀手功能是对话式编辑。生成一段片子后，你可以接着用自然语言要求换风格、换机位、换场景光照，模型在原片段基础上迭代，角色和物理表现尽量保持一致。

这个交互模式的意义在于：传统视频模型每次改提示词都是重新抽卡，改五次得到五个不同的片子；对话式编辑是把「一条片子」当资产，逐步打磨。对做广告和短剧的人来说，这是工作流的改变，不只是参数提升。

配套的还有两个控制能力：指定首尾帧做转场插值，以及 3 秒以内的参考视频维持角色一致性。前者适合做镜头环绕和缩放过渡，后者解决「上一镜和这一镜不是同一个人」的老问题。

榜单：第一，但要看清分组

图 1：AA 视频竞技场的分组读数与四档价格，注意有音频和无音频是两个榜

Artificial Analysis 视频竞技场 10 月 13 日的读数（这是第三方盲测，比厂商自报可信）：

• 文生视频、无音频组：Omni 1.1 Flash 1322 Elo 排第一，MiniMax H3 1302 第二，差距 20 分
• 文生视频、带音频组：Omni 1237 排第二，Wan 3.0 以 1241 微弱领先
• 图生视频、带音频组：Omni 约 1203 排第一

我们之前写过的 MiniMax H3 是 15 秒 2K、可灵 3.0 是 15 秒原生 4K、Seedance 2.5 是 30 秒 50 参考。四家的强项分野很明显：谷歌赢在编辑交互和音画同步，国产赢在时长和分辨率。别拿一个总分横比，这是我在写这类评测时最想强调的一点。

LMArena 那边的读数略有不同：文生视频 1516 Elo 第二（第一是自家 Omni Flash 1.1 的 1516，同一模型不同版本并列），图生视频 1488 排第二，第一是 H3 的 1495。两个榜单结论不完全一致，说明打分维度和样本差异很大。

价格：四档按秒算

一条 8 秒 720p 的片子约 0.8 美元。对比一下：可灵 3.0 的 1080p 有声是 0.168 美元每秒，Seedance 2.5 的 1080p 是 0.569，Omni 的 1080p 0.15 反而最便宜——但只能生成 10 秒以内，时长成本要按「多次延长」重算。

360p 草稿档是这次更新里最实用的设计：速度快 60%、成本三分之一，用来试镜头和节奏，定稿再出 720p。这个思路值得所有视频模型抄。

短板：官方自己说的

谷歌模型卡里罕见地直白：「在编辑中保持完全一致、生成复杂运动场景、渲染准确的文字，仍然是挑战。」翻译成使用建议：别指望它生成的画面里有正确可读的字幕和标语，也别指望快速动作镜头不糊。

另外两条限制：上传视频做编辑不是所有地区都开放；语音编辑暂不支持。想改台词只能重新生成，不能后期替换音轨。

我的判断

Omni 1.1 Flash 的价值不在「最强」两个字——它在时长和分辨率上都输给国产模型。它的价值是把视频生成从「抽卡」变成了「编辑」，这个交互范式一旦被验证，其他厂商会跟。这也是谷歌敢让 Veo 3.1 退场的原因：不是 Veo 不行了，是这条路线的天花板到了。

如果你做的是 10 秒以内的广告片、需要带音轨、需要反复微调同一个镜头，它现在是最顺手的选择。如果你要做长叙事、要原生 4K、要中文口播，还是看可灵和 Seedance。传言的 Omni Pro 还没影，别等。