Gemini Omni 1.1 Flash 实测：一次只给 10 秒，但它把成本结构改了
8 月 27 日 GA 的这版把视频拆成「360p 草稿 + 上采」两段账，720p 官方换算约 0.10 美元/秒；欧洲用户有一条硬限制
文章目录
共 5 节先说清楚一件容易搞混的事：Google 没有发布 Veo 4。截至今天，deepmind.google 的模型页上最新的 Veo 仍然是 Veo 3.1，页面上找不到 Veo 4 的任何字样。7 到 9 月这两个月里，Google 视频线真正发生的事情是另一件 —— 2026 年 8 月 27 日，Gemini Omni 1.1 Flash 转 GA。
Omni 是 Google 在 2026 年 5 月 I/O 上推出的 any-to-any 多模态模型族，文字、图像、音频、视频进出同一个模型。1.1 Flash 是这个族里第一个正式面向生产环境的版本。
对接单出片的人来说，它值得单独写一篇，不是因为画质，是因为它把一条片子的钱分成了两段来收。
一、官方规格：10 秒一段，40 秒一条
把官方文档（ai.google.dev/gemini-api/docs/omni）里能查到的硬数字先摆齐，查不到的我会说查不到。
| 项目 | Gemini Omni 1.1 Flash |
|---|---|
| 单次生成时长 | 最长 10 秒 |
| 一条片子上限 | 靠场景延展累计到 40 秒 |
| 延展读多少上下文 | 前 10 秒 |
| 分辨率 | 360p 草稿 / 720p 默认 / 1080p 上采 / 4K 上采 |
| 画幅 | 16:9（默认）、9:16 |
| 原生音频 | 有，和画面同一次生成 |
| 首尾帧 | 支持首帧与尾帧插值 |
| 参考图 | 支持，可迁移动作、风格、姿态 |
| 输入模态 | 文本 / 图像 / 视频（Files API 上传，须 ≤10 秒）/ 音频 |
| model id | gemini-omni-1.1-flash |
| 水印 | 每条都带 SynthID 隐形水印 |
帧率官方没写。 模型页的示例里出现过 24fps，但 API 文档里没有这一行，所以我不把它当成规格写进报价单。
「延展读前 10 秒上下文」这一条是官方自己拿来跟 Veo 对比的 —— 文档里明说 Veo 的延展只读 1 秒。实际差别是：延到第三段的时候，人物衣服的褶子、桌上杯子的位置、光从哪边来，Omni 还记得，Veo 经常已经换了一套。
二、价格怎么算：官方只给 token 价，剩下的是二手数
Gemini API 的定价页对 Omni 是按 token 收，不是按秒收。三行官方价：
| 项目 | 单价 |
|---|---|
| 输入 | 1.50 美元 / 100 万 tokens |
| 文本输出 | 9.00 美元 / 100 万 tokens |
| 视频输出 | 17.50 美元 / 100 万 tokens |
官方同时给了一个换算锚点：720p 每秒视频 = 5,792 tokens。按 17.50 美元／百万 token 折过去，就是 每秒约 0.10 美元。一条 40 秒的成片，纯生成费约 4 美元，按今天的汇率是三十块人民币出头。
360p / 1080p / 4K 这三档的每秒价，官方定价页上没有。网上流传的 0.03 / 0.15 / 0.30 美元每秒出自 XenoSpectrum、The Decoder 这类二手站，这里照录并标明它是二手数：报价给客户的时候按官方那一条 720p 的锚点算，别拿二手数去签合同。
真正省钱的地方是 360p 那一档。二手来源称它比 720p 快约 60%、成本约三分之一。这一档的用法不是交付，是筛。
三、能直接抄的工作流：先用草稿档筛，再上采
接单的人最贵的成本从来不是渲染费，是重来的次数。下面这套流程是按「先便宜地错，再贵地对」的顺序排的。
- 1把 40 秒脚本拆成 4 个 10 秒镜头，每个镜头单独写 prompt，不要指望一句话生成整条。
- 2每个镜头在 360p 档 各跑 3 条。这一步只看两件事：构图对不对、人物动作方向对不对。画质糊成什么样都不用管。
- 3每个镜头挑出 1 条，把它的首帧和尾帧导出来存好 —— 这是下一步接龙用的。
- 4用挑中的 4 条作为参考，在 720p 档 重跑。镜头之间用「上一镜的尾帧」作为下一镜的首帧，接缝就不会跳。
- 5需要交付 4K 的，最后再对定稿那一条做上采。上采是单独一档钱，别在筛选阶段开。
- 6音频跟着画面一起出。要换配音就把这一段音频单独导出，拿去做后期，不要为了改一句台词重跑整个镜头。
镜头 prompt 的可抄模板
下面这个结构在 Omni 上比自然语言长句稳定得多。方括号里的换成你自己的内容，其余原样留着。
镜头主体：[一位三十岁出头的女店主，深蓝色围裙，站在早市摊位后]｜动作：[她把一箱橙子搬到台面上，抬头对着镜头笑了一下]｜镜头：[固定机位，中景，略低机位仰拍]｜光线：[清晨侧逆光，摊位顶棚漏下的光斑]｜环境音：[市场嘈杂人声，远处有推车轮子的声音]｜时长：10 秒｜画幅：9:16
六个字段一个不要少。少写「光线」，它会给你一个正午顶光；少写「镜头」，它默认给你一个缓慢推进的运镜，四个镜头接起来就会晕。
延展（续镜）的写法
续镜不要重复描述人物长相 —— 它读了前 10 秒，本来就知道。续镜的 prompt 只写变化：
承接：[同一机位、同一人物继续]｜变化：[她转身走向摊位右侧，镜头跟摇]｜新增元素：[一个背书包的小孩进画]｜环境音：[人声继续，加入小孩说话声]
把人物长相再描述一遍，反而容易触发它重新生成一张脸 —— 续镜的 prompt 越短越稳。
四、中国用户怎么用，以及欧洲那条硬限制
国内直接访问 Gemini API 是不通的，这一点不用绕。能走的路有三条，成本和风险各不相同。
| 路径 | 怎么做 | 代价 |
|---|---|---|
| 自己的海外服务器 | 在海外机器上跑一层转发，业务侧只连自己的机器 | 要有海外机器和卡；合规责任在自己 |
| 第三方聚合平台 | Higgsfield、Runway 这类平台的模型列表里都能选到 Omni | 加价，且积分口径不透明 |
| 国内中转服务 | 按量付费，接口兼容 | 稳定性看服务商；别把客户素材传进来路不明的中转 |
欧洲那条限制要单独说：官方文档写明，上传并编辑图片/视频的功能在欧洲经济区、瑞士、英国不可用。只对模型自己刚生成的视频做编辑则全区域可用。如果你的客户在欧洲、素材要从他们那边传过来，这条会直接卡死你的流程 —— 接单前先问清楚素材从哪儿来。
还有一条影响交付的：每条视频都带 SynthID 隐形水印，可以在 Gemini app、Chrome 和 Google 搜索里验出来。这不是画面上那种可见水印，不影响观感，但意味着「这条片子是 AI 生成的」这件事是可被第三方检测的。给品牌方交片时，最好在合同里写明这条，别等对方自己发现了再解释。
五、什么场景别用它
- 1需要 30 秒以上一镜到底的：它单次只给 10 秒，靠接龙拼出来的东西，在专业剪辑眼里一眼能看出接缝。
- 2需要精确口型对白的：模型页提到 dialogue syncing 和 voice consistency，但官方没给任何口型同步的量化指标。做数字人口播，别赌这一条。
- 3素材在欧洲客户手里的：见上一节那条区域限制。
- 4预算已经按秒签死的：官方只公开了 720p 那一个换算锚点，其余档位的价你只能拿二手数去估。报固定价之前，先自己跑 20 条实测账单。
反过来，它最适合的是这么一类活：社交媒体上的竖屏短片，4 个镜头以内，需要带环境音，预算敏感。360p 筛、720p 出、要 4K 再上采，这三步的账能算清楚，这就是它现在最大的优势。