Gemini Omni 1.2 Flash：15 秒视频，每秒成本降了一半

一句话总结：谷歌 Gemini Omni 1.2 Flash 把原生视频从 10 秒提到 15 秒，推理成本降约 30%。两个数字叠起来，每秒成本实际降了 53%。更有意思的是它推的「360p 起草、4K 交付」两段式流程：同样是三次里挑一个，一次到位花 3.0，两段式花 1.33，省 56%，而且分辨率越高越划算。

看到「时长提升 50%、成本降 30%」这组数字，我第一反应是：那每秒便宜了一半？

算了一下，确实是 53%。

厂商没这么宣传，可能是因为「降 30%」听起来比「降 53%」更可信——但实际售价的感受里，用户买的是秒数。

一、Gemini Omni 1.2 Flash 改了什么

先把这次更新的清单列出来。

15 秒这个数字看着不起眼，但视频生成领域有个隐形门槛：10 秒大约是一句话说完的长度，15 秒能装下一个完整动作。 前者只能做循环动图，后者能讲一个小情节。

二、15 秒和 10 秒：视频时长的实际差别

按语速算一下。

正常中文语速约每秒 4 到 5 个字。10 秒能说 40 到 50 个字，大概两句话。15 秒能说 60 到 75 个字，够说完一个完整的因果句：「因为天气变冷了，所以我把外套换成了厚的，顺便把围巾也拿出来了」。

对广告素材来说，这是「一个卖点」和「一个卖点加一个理由」的区别。

对短视频来说，15 秒刚好是很多平台的完播率统计起点。10 秒的内容会被算作「太短」，15 秒才算一条正经片子。

所以这个 +5 秒不是线性的量变，它跨过了一个内容形态的门槛。

三、「成本降 30%」要换算成每秒

这里有个容易被忽略的换算。

厂商说的「成本降 30%」，指的是生成一次的成本。但一次生成的时长变了：

旧：10 秒 / 1.00 成本  → 每秒 0.100
新：15 秒 / 0.70 成本  → 每秒 0.047
每秒成本降幅 = 1 - 0.047/0.100 = 53.3%

同样一秒视频，新版只要旧版的 47%。

这个换算对做预算的人很关键。如果你的用量是按「秒数」规划的，那实际支出降幅是 53%，不是 30%。

反过来，如果你的用量是按「条数」规划的（比如每天出 20 条），那降幅就是 30%——因为条数没变，每条便宜了 30%。

同一组数字，两种口径，差 23 个百分点。 报预算之前先想清楚自己按哪种算。

四、两段式工作流：先在 360p 起草

这次更值得说的是它推的工作流：先低分辨率起草，选定之后再升级到高分辨率。

图 1：同样是从三次候选里挑一个，上面那条花 3.0，下面那条花 1.33

为什么划算？算一下就明白。

假设成本与像素数成正比（也就是分辨率的平方）：

360p 的成本只有 1080p 的九分之一。

于是「从三个候选里挑一个」这件事，有两种做法：

做法 A（一次到位）：
  生成 3 次 1080p，挑 1 个     = 3.000

做法 B（两段式）：
  生成 3 次 360p，挑 1 个      = 0.333
  把挑中的那个升级到 1080p      = 1.000
  合计                          = 1.333

省 56%。 而且是在产出质量相同的前提下——最终交付的都是 1080p。

这个账的关键在于：试错的成本被压到了九分之一，而试错恰恰是最费钱的部分。

这也是AI 视频成本降 30% 那篇算的另一面：那篇看的是「门槛往下移，谁能做视频了」，这篇看的是「同一条视频，成本怎么压」。一个讨论谁能进来，一个讨论进来之后怎么省。

五、这套流程在 4K 上更划算

再往下推一步，会发现一个反直觉的结论。

同样「三次挑一」，换成 4K 交付：

做法 A：3 次 4K          = 12.00
做法 B：3 次 360p + 1 次 4K = 0.333 + 4.000 = 4.333
省 64%

分辨率越高，两段式越划算。

原因是：起草那部分（0.333）在总成本里的占比越来越小。1080p 时它占 25%，4K 时它只占 7.7%。

这跟直觉相反。一般会想「高分辨率更贵，所以更要谨慎、少试几次」。实际算下来，正因为升级那一步贵，前面多试几次才更值。

这条结论可以推广：任何「试错便宜、定稿贵」的流程，都应该把试错次数拉满。

六、唇形和多说话人是隐性门槛

除了时长和成本，这次还提了两个改进：唇形同步更自然、多说话人区分增强。

这两个听着像细节，实际是「能不能用」的分界线。

唇形同步。 差了就是「配音片」的感觉，观众立刻出戏。这一项不过关，生成的视频只能做无人出镜的产品展示。

多说话人区分。 两个人对话时，模型要能分清哪句话是谁说的，对应的嘴型不能错。这一项不过关，就只能做单人独白。

两个加起来，决定了 AI 视频能不能做「有对话的场景」。 而对话恰恰是短剧、广告、教学视频的主要形式。

所以这两个改进的价值，可能比「多 5 秒」更大。只是它们不好量化，发布稿里就排在了后面。

七、常见问题

15 秒是硬上限吗？

是原生生成的单段上限。要更长的片子，得拼接多段，或者用首尾帧衔接。拼接处的一致性是新问题。

「成本降 30%」是对开发者还是对终端用户？

官方说的是推理成本。终端定价要看各平台的加价策略，不一定等比例下降。

360p 起草再升级，画质会有损失吗？

理论上会——升级过程本质是超分，不是重新生成。但官方说支持「逐步修改背景、产品、光照」，说明升级时还能带上编辑指令。具体损失多少，得实测。

这套工作流对个人创作者有意义吗？

有，但前提是你真的要出多条选一条。如果一次就能用，两段式反而多花 8%（1080p 场景：1.0 变 1.33 的起草部分）。

国内能用到吗？

Gemini API 的可用性看账号和网络。国内厂商也有类似的「低分辨率预览 + 高分辨率出片」流程，思路是通的。

八、结语

这次更新最值得学的不是 15 秒，也不是 30%，是那个「把试错和定稿分开计价」的思路。

以前是一次生成一个成品，不满意就重来，每次重来都是全价。现在把过程拆成两段：便宜的探索、贵的定稿。预算就从「按次付费」变成了「按阶段付费」。

这个思路不只适用于视频。任何生成任务，只要能拆出「快速预览」和「精细产出」两档，都能套。

至于那 53%——厂商没说，但它才是你实际付的钱。

顺带说一句，这套「砍掉不必要的计算」的思路在推理侧也有同款：Pika 把采样从 50 步压到 6 步，砍的是去噪步数。两件事都在问：为了让结果能用，最少需要算多少。

参考资料

• AI科技日报 2026 年 11 月 6 日 - 本文时长、成本、分辨率链路的主要来源
• 来了AI新闻早班车 2026 年 11 月 6 日 - 唇形同步与多说话人改进的描述
• Gemini API 文档 - 视频生成的参数与计费口径