Gemini Omni 1.2 Flash 上線，15 秒影片把草稿與成品分開計費

用 AI 摘要這篇文章：

ChatGPT Claude Perplexity Google Grok

Google 在 11 月 5 日發布影片生成模型 Gemini Omni 1.2 Flash，隔天 11 月 6 日就登上 Google Cloud 的正式版。三件事先放前面：原生影片長度上限從上一代的 10 秒提高到 15 秒；720p 影片價格調降三成，換算下來每秒 0.07 美元；而既有 Omni 1.1 的 API 請求從 12 月 3 日起會自動改走 1.2，並按新費率計費。

這條時間軸可以在三個官方位置分別對上。Google 官方部落格的公告文章由 Google DeepMind 產品經理 Anish Nangia 署名，日期是 11 月 5 日；Google AI Studio 的 X 帳號在同一天貼出發布影片，貼文時間換算成台北時間是 11 月 6 日凌晨 1 點 08 分；Google Cloud 部落格的正式版文章由資深產品經理 John Nack 署名，日期 11 月 6 日。模型文件頁的版本表也把這個版本的發布日標為 11 月 5 日，並註明支援退場時間最早是 2027 年 11 月 5 日。

Pin

如果你正在做商品短片、社群素材或分鏡草稿，這次更新真正值得問的是三個問題：降價三成到底省在哪裡？15 秒能裝下什麼、不能裝下什麼？你現在可以在哪裡用得到？接下來逐一回答，後面幾段整理官方自己承認還沒做好的部分。

降價省在哪：解析度階梯把草稿與成品分開計費

帳面上的降價只有一句話：影片輸出從 1.1 的每百萬 token 17.50 美元降到 12.00 美元，輸入維持每百萬 1.50 美元不變。官方部落格用「降價三成」描述這件事，用 17.50 與 12.00 兩個數字換算，降幅約 31%，方向一致。

Pin

但我在 Gemini API 定價頁看到的重點是計費的底層單位：影片輸出按 token 計費，720p 影片每秒消耗 5,792 個 token，換算成每秒單價之後，四種解析度拉出一道九倍以上的價格階梯。

表裡的 720p 每秒單價與 15 秒約 1.04 美元是定價頁原文寫的數字（頁面同時給了 10 秒約 0.70 美元的參考），其他三行的 15 秒金額是我用官方每秒單價直接相乘的換算。1080p 與 4K 的單價在頁面上標註為含升頻（upsampling）的計費方式。

拿一個量產情境換算：假設一支 15 秒商品影片要試十個構圖版本，全部用 360p 草稿試，共 3.5 美元；挑出兩支進 720p 修改，各 1.04 美元；最後只有一支升頻到 4K 交件，3.13 美元。整個流程合計約 8.7 美元。反過來如果十次都直接生成 4K，帳單是 31.3 美元。這道階梯省錢的關鍵，是把「試錯」這件事留在便宜的那層。

這裡有一個官方沒有講清楚的點：定價頁只說按輸出 token 計費，並沒有單獨揭露「對話修改」的輸出是否與完整生成相同價。依輸出計費的原則推論，一次修改後重送的 15 秒 720p 片段，帳面上應該就是 1.04 美元那一級，但這是從計費規則推的，不是官方明寫的修改價目。要精算修改成本的團隊，上線後先跑一輪小額帳單對帳再放量。

這道階梯為什麼重要？因為官方在公告裡明講了配套的工作流：先用 360p 或 720p 快速出草稿，用後續的修改指令修細節，不用整支重新生成，最後只把滿意的成品升頻到 1080p 或 4K。換句話說，便宜的不是每一秒，而是「還不確定要不要的每一秒」。一支 15 秒的 4K 成品要 3.13 美元，但同一支片的 360p 草稿只要 0.35 美元，草稿與成品的成本差接近九倍。

修改本身就是這次的主打功能。官方公告寫的是「在對話中修改」，可以換產品、換背景、改光線、改天氣、改畫面比例，而且修改及於完整的 15 秒片段，不是只改第一格。Google Cloud 部落格特別標了一行注意事項：音訊參考目前採允許名單制（allowlisting），一般帳號拿不到；模型文件頁的模態欄更是直接把音訊輸入標成不支援。所以公告裡展示的聲音線索功能，多數人現在自己用不到；Google 自己另一條 Gemini 3.8 Flash TTS 配音產品線，走的是逐句導戲而非整段生成的路。

把計費單位拆細這件事，AI 業界今年已經出現過幾次。OpenAI 的 GPT-Live-1 API 把語音層與推理層分開計費，是同一個方向的不同切法；影片生成這邊，採用多家模型按原價轉收的 Sume API 之類的服務，則讓「每秒多少錢」變成選模型時的第一個比價欄位。Omni 1.2 Flash 用解析度與升頻的 token 費率把草稿與成品拉出價差，等於把比價往下多切了一層。

15 秒的邊界：四個規格限制先看清楚

15 秒聽起來只比 10 秒多一半，但可設定的長度是 3 到 15 秒、以 1 秒為步長，等於一支商品示範可以讓動作有開始、進行與結束。不過模型文件頁的技術規格列出四個容易被忽略的邊界。

比例只有 16:9 與 9:16 兩種。要做 1:1 方形的社群貼文，目前的做法是生成之後自己裁，主體位置要先想好。

首尾影格模式的輸出上限是 10 秒，不是 15 秒。給定第一格與最後一格讓模型補中間的用法，吃不到這次的長度紅利。

延伸模式每次輸出 3 到 10 秒，接在輸入影片的最後 30 秒之後，所以一次延伸最多可以把片段推到 40 秒左右；要更長的內容就是一直接下去，每一段都是新的計費與新的一致性風險，不是一次生成到底。

官方在公告裡給的示範案例也值得看細節，因為它們透露模型被設計來解的題目。虛擬試穿那個例子，輸入是一張模特兒照片加三套服裝的正反面產品照，輸出是 15 秒內 360 度轉身與剪接的試穿序列，官方特別強調服裝的剪裁、垂墜與背面細節要保持一致。另一個多說話人示範，輸入是一張溫室場景圖、四個角色與嘴形參考、幾段一秒的聲音參考，輸出是 15 秒動畫裡每個取樣聲音都被路由給正確角色、嘴形對上、還有喜劇節奏。鏡頭控制那個例子是一鏡到底的 FPV 無人機鏡頭，從廣場穿過青銅門再爬上萬神殿穹頂，官方標榜零跳接。這些都是官方自己挑的展示，不是第三方實測，但題目本身（試穿一致性、多角色聲音路由、長鏡頭連續性）就是這版模型想站穩的三個位置。

每次提示的參考素材上限是 10 張圖與 3 段影片，動態參考最長 3 秒。另外有一個容易看錯的數字：文件頁寫的影片輸入上限其實有兩套，「影片理解」可以吃最長 10 分鐘的輸入，「編輯」與「升頻」的輸入上限才是 15 秒。所以拿長素材當參考去理解沒問題，要直接改的片段仍然只有 15 秒以內。文件頁同時寫明，模型的輸入上限是 131,072 個 token，思考（thinking）功能是支援的，但系統指令、結構化輸出與函式呼叫都不支援，API 呼叫走的是 Interactions API，GenerateContent API 尚未支援。這些是開發者接 API 前要先確認的介面差異。

入口步調不一致：三種身分三種走法

公告把入口分成開發者、企業與一般使用者三條線，步調並不相同。

開發者這條線，模型在 Gemini API 上只開放付費層，定價頁明寫免費層不供應；付費層的資料不會用於改進 Google 產品。可以在 Google AI Studio 做原型，官方也提供了幾個互動式範例應用可以直接部署來改，或直接接 API。企業這條線，Google Cloud 提供了保障吞吐量的 Provisioned Throughput，適合有固定產量的團隊。

一般使用者這條線最分散。Google Vids 只要有 Google 帳號或 Workspace 訂閱，就能不加價生成 15 秒片段，這是幾個入口裡成本最低的嘗試方式；而且 Vids 不只是生成，Cloud 部落格描述的用法是把生成片段與虛擬主角、音樂、旁白組合成產品解說、預告、社群貼文與銷售簡報，等於生成層掛在一個簡報式的剪輯工具裡。Gemini 應用程式內的 15 秒影片則是逐步向 Google AI Ultra 訂閱者推出，公告用的字眼是 rolling out，其他方案的用戶還要等。另有 Google Ads 入口，把影片生成接進廣告投放的規模化流程；至於在 Gemini for business 對話裡直接用一張產品照生成短影片，Cloud 部落格的說法是 coming soon，還沒上路。

生態圈的採用名單看起來熱鬧，Artlist、FLORA、invideo、Krea、Picsart、Runway、Photoroom、QuickFrame 都出現在 Cloud 部落格的引述裡，但這些是廠商自己的說法。Photoroom 執行長說 GA 之後有 SLA 可以依賴，QuickFrame 的技術長宣稱 1080p 的 15 秒影片可以單次生成完整 CTV 廣告。這些引述值得當方向參考，還不能當成已驗證的結論。

官方自己承認還沒做好的部分

公告的結尾有一句很有用的但書：快速體育動作、快速劇本變更與複雜物理都還在改善中。對需要精確呈現技術動作的內容，例如運動教學、碰撞演示或精密的產品操作特寫，這三項剛好都是高風險區，生成的結果要逐格檢查再交件。

修改「只動指定處」也一樣沒有保證。公告的說法是可以換背景、換產品、改光線，但沒有承諾其他部分保證不動；Cloud 部落格裡 FLORA 的產品行銷經理宣稱它「改的正是你要求的那件事，換配色或換背景，產品本體不動」，這句話是廠商經驗，不是官方規格。兩句話並排放著看，實際的驗收標準應該落在中間：修改後要整支重看，確認指定處有變、沒指定的地方沒有跟著變。

一致性的改善也沒有給任何量化基準。公告用了「更強的參考遵循」「更少的視覺漂移」這類描述性說法，沒有附測試集或比較數字，所以「15 秒從頭到尾角色不變」應該當成設計目標來驗收，不能當成保證。這也是為什麼修改流程的價值要看你自己留下什麼紀錄：哪一輪改了什麼、接受了什麼、退回了什麼。講求產量的團隊可以把這套驗收習慣直接搬進既有的 AI 影片製作流程，例如把對話修改當成剪輯前的最後一關，而不是生成後的手動修補；配音與剪輯已經收進同一條時間軸的 ElevenLabs Studio 4.0 是這種分工的另一個例子。

輸出的浮水印與來源標示倒是給得完整：所有輸出帶 SynthID 隱形浮水印，並支援 C2PA 內容憑證。商業使用時生成內容的標示義務仍然要自己處理，浮水印幫忙的是溯源，不是免責。

最後是兩個日期。12 月 3 日起，打向 gemini-omni-1.1-flash 的 API 請求會自動路由到 1.2 並按 1.2 計費，程式碼裡寫死舊版模型名稱的團隊，帳單會先說話；文件頁同時標註這個版本的支援退場時間最早是 2027 年 11 月 5 日，而且寫明 Gemini API 不屬於 Google Cloud 服務、有自己的條款。定價頁也自帶提醒：折扣與模型供應狀況都可能變動。

Pin

現在可以做什麼

按身分分流最實際。有 Google 帳號的人，先在 Google Vids 用零額外成本生成幾支 15 秒片段，驗收自己題材的一致性與嘴形，這一步不用花錢就已經能判斷值不值得繼續。要量產商品影片的團隊，把草稿固定在 360p、成品才升頻的流程寫進工作規範，並在 12 月 3 日之前檢查所有寫死 1.1 的程式與預算表。需要音訊參考、1:1 比例或精確體育動作的人，這版先觀望，這三項剛好是目前明確的缺口。

回查的時點也順便記下：12 月 3 日前後確認自動路由是否如期生效、費率是否如文件所寫，以及 Gemini 應用程式對非 Ultra 用戶的開放進度。定價與模型供應狀況都可能變動，排預算前再看一次 Gemini API 定價頁的現行數字。