Gemini Omni 1.1 Flash：谷歌推出的生产级对话式多模态AI视频生成模型

AI新闻 AI铺子 1个月前

一、什么是 Gemini Omni 1.1 Flash

Gemini Omni 1.1 Flash 是Google发布、达到生产可用状态的多模态视频生成模型，模型ID为gemini‑omni‑1.1‑flash，替代此前预览版gemini‑omni‑flash‑preview。该模型归属于Gemini大模型体系，专注视频生成与对话式视频编辑，支持文本、图片、音频、视频多类型输入，输出自带同步音效音轨，依靠Interactions API实现多轮会话式创作，普通创作者可在客户端直接体验，开发者可通过API集成到自有产品中。

它和普通文生视频模型最大区别，不是一次性输出完整长视频，而是支持对话迭代、场景接续续写，可以在原有视频基础上修改画面、延续剧情，不需要每次全部重新生成视频素材。

二、功能特色

场景续写扩展：单段生成3‑10秒视频，依靠会话ID读取最多10秒历史视频上下文，多轮增量接续，累计最长生成40秒连续视频，保留人物、光影、场景一致性，适合连续故事镜头制作。
首尾帧插值控制：传入起始图片、结束图片，自动生成中间运镜、镜头转场，可实现推拉摇移、循环镜头，提升镜头可控度。
草稿‑成片双模式工作流：360p草稿模式，快速测试脚本分镜，降低迭代成本；完成初稿后，支持720p原生输出，1080p、4K超分放大输出成品视频。
原生音视频一体输出：生成视频自带同步环境音效、动作音效；支持参考图片、参考短视频锁定角色形象，用来稳定人物样貌。
对话式视频编辑：基于Interactions API会话机制，自然语言直接修改已有视频，仅改动指定画面区域，其余画面内容保留不变，支持局部调整光影、天气、物体、服装等元素。
内容溯源水印：输出视频内置SynthID水印与C2PA内容凭证，标记AI生成来源，满足合规需求。

Gemini Omni 1.1 Flash（图1）

三、技术细节

模型调用入口：依赖Gemini Interactions API，采用有状态会话机制，依靠previous_interaction_id维持视频上下文状态，实现续写与迭代编辑。
基础输出参数：帧率固定24FPS；支持分辨率360p、720p原生，1080p、4K为上采样输出；支持画面比例16:9、9:16竖版，不支持1:1画幅。
输入限制：单次原始上传视频最大10秒；参考视频最多传入3段，每段最长3秒，参考视频音频不会被复用；上下文窗口1048576 tokens。
不支持参数：不提供负面提示词、seed种子、temperature、top‑p、系统提示词等传统可调参数，依靠自然语言提示完成控制。
部署形态：闭源模型，无本地权重，仅支持云端API调用；输出全部附带AI溯源水印，不可关闭。
输出模式：支持文生视频、图生视频、参考图生视频、视频续写、视频编辑五大任务模式。

四、应用场景

短视频与AI短剧创作：分镜脚本快速原型预览，多轮续写连续剧情片段，竖版9:16适配短视频平台内容产出。
影视MV、故事短片素材制作：首尾帧插值制作顺滑转场镜头，快速生成故事向镜头素材，迭代镜头方案。
开发者产品集成：企业、SaaS平台接入API，搭建自有AI视频生成、视频编辑功能。
营销内容批量制作：草稿模式快速批量测试多条创意，定稿后超分输出高清营销短视频。
教学演示、概念可视化：图文转视频，将故事脚本、概念描述直接生成带音效演示短片。

五、使用方法

5.1 普通用户网页端使用

进入Google Flow或者Gemini App，订阅Google AI Plus/Pro/Ultra；
选择Omni视频创作功能，输入文本提示，或者上传图片、视频；
先生成3‑10秒片段，需要延续剧情直接输入续写指令，模型自动接续画面；
草稿模式快速调试，满意后开启高清超分，导出MP4视频文件。

5.2 开发者API调用（Python极简示例）

from google import genai

client = genai.Client(api_key="你的API_KEY")

# 创建会话，生成第一段视频
resp = client.interactions.create(
  model="gemini‑omni‑1.1‑flash",
  input=[{"type":"text","text":"户外森林，黄昏，镜头缓慢向前移动"}],
  response_format={"resolution":"720p","aspect_ratio":"16:9"}
)
# 获取会话ID，用于下一轮续写
interaction_id = resp.id

# 接续上一段视频继续生成
extend_resp = client.interactions.create(
  model="gemini‑omni‑1.1‑flash",
  previous_interaction_id=interaction_id,
  input=[{"type":"text","text":"镜头继续向前，林间出现小鹿"}],
  response_format={"resolution":"720p"}
)

说明：每次最多生成10秒，多次调用同一个previous_interaction_id，累计最高至40秒，不能一次性直接生成40秒完整视频。

六、竞品对比

选取Google Veo 3.1、Pika 2.5两款主流AI视频模型做横向对比：

对比维度	Gemini Omni 1.1 Flash	Google Veo 3.1	Pika 2.5
核心定位	对话式迭代编辑、场景续写	一次性高质量文生视频	社交媒体短视频快速生成
单段最大时长	3‑10秒，多轮累计40秒	最长16秒	最长12秒
续写能力	✅支持，读取10秒历史上下文	❌不支持续写	有限续写，上下文弱
对话式局部编辑	✅原生支持Interactions会话编辑	❌不支持会话迭代	部分支持，需要重新生成
原生同步音频	✅自带音效音轨	✅原生音频	✅音频生成
输出分辨率	360p/720p原生，4K超分	最高4K原生输出	最高1080p
关键帧插值	✅首尾帧控制	有限支持	✅支持
模型特性	侧重迭代修改、长故事片段拼接	侧重单次生成电影级画质	侧重创意特效、短视频出片速度

七、常见问题解答

Q：Gemini Omni 1.1 Flash可以本地部署运行吗？

A：不可以，该模型属于谷歌闭源商用模型，没有公开权重文件，只能通过谷歌云端API以及官方客户端使用，无法本地下载部署。

Q：能不能直接一次性输出40秒完整视频？

A：不能。模型单次调用最多输出10秒视频，40秒是多轮接续后的累计上限，需要依靠previous_interaction_id会话ID分段链式生成拼接得到长视频。

Q：Gemini Omni 1.1 Flash和Gemini 3.5 Flash是同一个模型吗？

A：两者完全不同。Gemini 3.5 Flash是通用文本推理、编码多模态大模型；Gemini Omni 1.1 Flash是专门面向视频生成编辑的专用模型，两者模型ID、能力、API端点均不相同。

Q：续写视频的时候人物形象会发生漂移变形怎么处理？

A：长片段续写依然会存在人物漂移现象，建议每10‑20秒传入人物参考图片，锁定角色样貌，降低人物崩坏概率，不建议直接拉满40秒长序列而不加参考图约束。

Q：参考视频传入之后，参考视频里面的声音会复用吗？

A：不会，参考视频仅读取画面内容，音频会被模型忽略，生成视频会重新生成全新的音轨音效。

Q：草稿模式和正式高清输出有什么区别？

A：360p草稿模式主要用于快速调试创意，生成速度更快，调用成本更低；确认创意后，再执行720p或者4K超分，获取最终成片，草稿画质不适合直接对外发布使用。

八、相关链接

Gemini API开发者文档：https://ai.google.dev/gemini-api/docs/models?hl=zh‑cn
Google AI Studio在线调试平台：https://aistudio.google.com

九、总结

Gemini Omni 1.1 Flash是谷歌面向创作者与开发者推出的生产就绪AI视频模型，最大亮点在于会话式对话编辑与分段场景续写能力，通过Interactions API实现视频迭代修改，搭配首尾帧控制、草稿快速预览、4K超分与原生音频输出，解决传统文生视频难以持续迭代长剧情镜头的痛点，虽然单次生成时长受限，但分段接续模式，很适合短剧分镜、短视频素材原型开发以及第三方平台API集成，是当前多模态视频生成领域具备差异化优势的工具。