Gemini Omni 1.1 Flash 是 Google 面向生产环境推出的高速视频生成模型，支持对话式编辑、首尾帧插值和场景延长。稳定版 API 模型 gemini-omni-1.1-flash 于 2026 年 8 月 27 日发布，新增 360p 草稿、1080p 与 4K 放大、首尾帧生成，以及基于视频延长的长叙事能力。
在 Poyo.ai 上，新模型的无视频输入价格为 4 秒 45 积分（$0.225）起。它与之前接入的 omni-flash 是两个独立模型；本文的模型 ID、价格和能力只适用于 gemini-omni-1.1-flash。
信息核对日期：2026 年 8 月 31 日。 Google 仍在扩展 Gemini Omni。正式上线前，请再次核对请求字段、地区可用性、安全限制和最新价格。
Gemini Omni 1.1 Flash 概览
| 项目 | 详情 |
|---|---|
| 开发者 | Google DeepMind |
| 稳定版模型 ID | gemini-omni-1.1-flash |
| 发布日期 | 2026 年 8 月 27 日 |
| 主要任务 | 文生视频、图生视频、视频编辑、插值与延长 |
| 输入 | 文本、图片和视频；编辑与延长可使用最长 10 秒的视频上下文 |
| 输出 | 带原生音频的视频 |
| 单次片段 | 模型规格为 3-10 秒 |
| 分辨率 | 360p、720p、1080p、4K |
| 帧率 | 24 FPS |
| API | Gemini Interactions API |
| 上下文窗口 | 1,048,576 tokens |
| 来源标记 | 生成视频包含 SynthID |
Gemini Omni 1.1 Flash 是什么？
它是一款通过自然语言指令生成和修改视频的多模态模型。你可以从文本、图片、已有视频或多种参考素材开始，再描述想要的结果。
与普通文生视频模型相比，它最关键的差异是对话式编辑：第一次交互生成片段，后续交互可以更换灯光、物体或背景，也可以继续场景，同时保留之前的视频状态。Interactions API 使用 previous_interaction_id 追踪上下文，因此应用不必每次重复完整创意简报。
它的核心优势包括原生多模态输入、自然语言连续修改，以及 Gemini 对物体、场景、物理和文化语境的知识。但高速运动、手与物体接触、长时间角色一致性和复杂物理互动仍需重点测试。
1.1 版本有哪些变化？
场景延长获得更多上下文
模型会从已有视频的末尾继续生成。Google 表示，它能分析最长 10 秒的前序视频上下文，而不只是最后一秒。在官方工作流中，可以按 10 秒增量延长，累计最长 40 秒。
这适合用多个已审核的短片段组成长故事，但不代表衔接一定完美。每次延长后都应检查脸部、服装、道具、光线方向、镜头速度和背景空间关系。
首尾帧插值
提供起始图、结束图并描述镜头和主体如何运动，模型会生成两帧之间的过渡。它特别适合环绕镜头、产品揭晓、无缝循环、地点转换，以及让片段精准接入现有剪辑点。
更快的 360p 草稿
Google 为轻量预览加入了 360p。发布公告称，在 Google 的工作流中，360p 最多可快 60%，成本约为标准 720p 的三分之一。实际工作中可先用 360p 探索提示词和构图，选定结果后再输出高分辨率版本。
1080p 与 4K 放大
API 提供 1080p 和 4k 选项，Google 将二者描述为放大输出。更大的画面不能修复错误姿势、连续性问题或提示词遵循不足，因此应先确认内容与运动，再支付最终分辨率的成本。
视频参考
Omni 1.1 可以同时使用短视频、图片和文本参考。参考视频能传递难以用文字准确表达的动作、节奏或视觉语境。
Poyo.ai 上的 Gemini Omni 1.1 Flash 价格
Poyo.ai 的换算为 200 积分 = $1。价格取决于请求是否包含视频输入，以及输出是否为 4K。
无视频输入
| 分辨率 | 4 秒 | 6 秒 | 8 秒 | 10 秒 |
|---|---|---|---|---|
| 360p / 720p / 1080p | 45 积分 / $0.225 | 60 / $0.30 | 75 / $0.375 | 90 / $0.45 |
| 4K | 105 积分 / $0.525 | 120 / $0.60 | 135 / $0.675 | 150 / $0.75 |
无视频输入时，360p、720p 和 1080p 使用同一档价格。360p 更适合快速探索；提示词确认后，1080p 的交付价值更高。
有视频输入
| 分辨率 | 每次生成价格 |
|---|---|
| 360p / 720p / 1080p | 120 积分 / $0.60 |
| 4K | 180 积分 / $0.90 |
视频输入任务采用固定的单次生成价格，不使用上面的时长表。
与 Google 公布价格的比较
Google 标准 Gemini API 的 720p 视频输出有效价格约为 $0.10/秒。按等效秒价计算，Poyo.ai 无视频输入的 720p 档位约低 44%-55%，具体取决于时长。
| 时长 | Poyo.ai 等效秒价 | 相对 Google 公布的 720p 价格 |
|---|---|---|
| 4 秒 | $0.05625 | 低 43.75% |
| 6 秒 | $0.05000 | 低 50% |
| 8 秒 | $0.04688 | 低 53.13% |
| 10 秒 | $0.04500 | 低 55% |
此比较只适用于 720p、无视频输入。360p、放大后的 1080p/4K 和编辑任务的计费方式并不完全相同，不能沿用同一折扣结论。
如何选择分辨率和时长
| 目标 | 建议起始设置 | 原因 |
|---|---|---|
| 提示词探索 | 360p、4 秒 | 最快排除不理想方案 |
| 社媒概念片 | 720p、6 秒 | 运动、成本和审核时间平衡较好 |
| 可发布短片 | 1080p、8-10 秒 | 无视频输入时仍处于同一价格档 |
| 最终广告素材 | 内容确认后再做 4K | 只为正确的镜头支付高分辨率成本 |
| 修改已有素材 | 视频输入，720p/1080p | 先验证编辑，再进行 4K 输出 |
| 较长叙事 | 短片段审核后逐段延长 | 比一次生成长片更易控制连续性 |
使用 Gemini Omni 1.1 Flash 的工作流
1. 先确定任务
从生成、动画、插值、编辑或延长中选择一个主要任务。一次同时改变角色、地点、镜头、动作、风格和节奏，会让结果难以判断和修复。
2. 准备干净的参考素材
图片参考应清楚展示需要保留的主体、服装、产品或环境。视频编辑应从没有多余切镜的短源片开始；官方文档说明编辑与延长最多可使用 10 秒的视频上下文。
3. 分开描述场景、镜头、时间与音频
场景：[主体、环境、光线、重要物体]
镜头：[景别、镜头感、运动、是否允许切镜]
时间：[每个时间段发生什么]
音频：[对白、环境音、音效，或无对白]
如果需要单一连续镜头，请明确写出，否则模型可能通过多个切镜构成短叙事。
4. 先草稿，后终稿
先用短时长、低分辨率确认构图、运动和指令遵循。结构错误的结果不应直接放大。每轮只改一条指令，才能判断什么因素让镜头变好或变坏。
5. 逐帧检查连续性
重点检查脸部与身体身份、手与物体接触、服装配饰、可读文字、阴影反射、背景布局、唇音同步，以及原片与延长片段的接缝。
实用提示词模板
单一连续镜头
单一连续镜头，不切镜。一台小型黄铜自动机械人在被雨打湿的工坊桌面上行走，摄影机以视线高度在侧面跟拍。暖色窗光映在浅水洼中。只有轻微机械声和远处雨声，无对白。
分时产品揭晓
[0-2s] 深色石台上密封玻璃瓶的微距特写。
[2-5s] 摄影机缓慢环绕，瓶身凝结水珠并捕捉暖色侧光。
[5-8s] 背景展开为干净的海岸日出，玻璃瓶保持不变。
单一连续镜头，无文字，克制的环境音。
对话式编辑
保持人物、镜头运动、时间和房间不变。只把红色椅子替换成做旧木长凳，并匹配原始光线、阴影、反射和接触位置。
场景延长
沿用现有镜头路径继续场景。人物走到打开的门口，停下并望向室外，晨光进入房间。保持脸部、外套、房间布局、移动速度和环境音一致。
从 Gemini Omni Flash Preview 迁移
Google 计划于 2026 年 9 月 30 日停用 gemini-omni-flash-preview，替代模型为 gemini-omni-1.1-flash。迁移不能只改一个字符串：
- 替换所有环境中的预览版模型 ID。
- 分别测试文本、图片和视频输入。
- 验证 360p、720p、1080p 和 4K。
- 用两张按顺序排列的图片测试首尾帧。
- 复核视频上传和延长限制。
- 比较音频、时长、安全响应与文件交付。
- 按稳定版价格重新计算预算。
- 在停用日期前清理预览版专用回退逻辑。
局限与负责任使用
- 高速运动可能出现身体物理错误。
- 手、工具和物体接触可能失真。
- 长片或多次编辑后，角色可能发生漂移。
- 放大只提高交付分辨率，不会修正语义错误。
- 视频编辑的地区可用性可能不同。
- Google 表示英语已完整支持，其他语言尚未达到同等评估程度。
- 提示词、参考素材和输出都受安全过滤器约束。
- 生成视频包含用于来源识别的 SynthID。
请取得人物、声音、表演、品牌和源视频的使用许可，不要用对话式编辑冒充真实人物或歪曲真实事件。
常见问题
模型 ID 是什么？
稳定版 Gemini API 模型 ID 为 gemini-omni-1.1-flash，它不同于 Google 的 gemini-omni-flash-preview，也不同于 Poyo.ai 之前的 omni-flash。
是否支持 4K？
支持 360p、720p、1080p 和 4K；Google 将 1080p 和 4K 描述为放大输出。
单次视频有多长？
模型规格为每次生成 3-10 秒。通过官方延长工作流可逐段构成长故事，文档记录的累计上限为 40 秒。
在 Poyo.ai 上多少钱？
无视频输入时，360p/720p/1080p 的 4 秒生成从 45 积分（$0.225）起，4K 从 105 积分（$0.525）起。有视频输入时，普通分辨率为 120 积分（$0.60），4K 为 180 积分（$0.90）。
在 Poyo.ai 上使用 Gemini Omni 1.1 Flash
把生成和编辑视为迭代式生产系统：低成本打样、确认运动、每次只精修一个变化，并在场景完全正确后再投入 4K。
前往 Gemini Omni 1.1 Flash 模型页面立即体验模型、查看最新请求结构与价格表，并创建 API 密钥。