Gemini Omni 1.2 vs 1.1: อะไรเปลี่ยนไป ทดสอบจากคลิปจริง

Gemini Omni 1.2 Flash คือโมเดลวิดีโอ Omni รุ่นที่สามของ Google ที่สร้างคลิปพร้อมเสียงที่ซิงก์กันจากข้อความ รูปภาพ หรือวิดีโอ และสิ่งที่เปลี่ยนไปเด่นที่สุดเมื่อเทียบกับ Omni 1.1 สรุปได้ในประโยคเดียว คือเทคยาวขึ้นในราคาที่ถูกลง Google ปล่อยรุ่นนี้เมื่อวันที่ 5 พฤศจิกายน 2026 เรานำขึ้นระบบจริงบน BananaBanana ในอีกสี่วันต่อมา และใช้งานคู่กับ 1.1 มาตั้งแต่นั้น

คำตอบสั้น ๆ: Omni 1.2 สร้างวิดีโอได้ 3 ถึง 15 วินาทีในเทคเดียว (1.1 หยุดที่ 10 วินาที) และราคาต่อวินาทีถูกลงราว 30% ในทุกความละเอียด: 720p อยู่ที่ $0.07 ต่อวินาที แทนที่จะเป็น $0.10 เสียงยังเปิดอยู่ตลอดเหมือนเดิม การต่อขยายยังสูงสุดที่ 40 วินาที และคลิปที่เคลื่อนไหวระหว่างเฟรมแรกกับเฟรมสุดท้ายก็ยังจำกัดไว้ที่ 10 วินาที ถ้าเป็นงานใหม่ ก็แทบไม่มีเหตุผลให้อยู่กับ 1.1 ต่อ

ด้านล่างคือตัวเลข ผลจากพรอมต์เดียวกันที่รันบนทั้งสองโมเดล และกรณีที่ 1.1 ยังน่าใช้อยู่

Gemini Omni 1.1 กับ 1.2 ต่างกันตรงไหน?

ตัวเลขที่ขยับมีสองตัว และมีคำกล่าวอ้างเรื่องคุณภาพตามมาอีกหลายข้อ ตามประกาศของ Google ความยาวคลิปเพิ่มเป็นสูงสุด 15 วินาที "ปรับได้ทีละหนึ่งวินาทีตั้งแต่ 3 ถึง 15 วินาที" ราคา 720p ลดลงเหลือ $0.07 ต่อวินาที และโมเดลลิปซิงก์ได้ชัดขึ้น แยกผู้พูดหลายคนได้ชัดเจนขึ้น รวมถึงมี "การตัดภาพกระโดด (jump cut) ที่ไม่ต้องการน้อยลงอย่างมาก" ส่วนการ์ดโมเดล ระบุเพิ่มว่าผลลัพธ์ยังคงฝังลายน้ำ SynthID ที่มองไม่เห็นไว้

นี่คือการเปรียบเทียบสองรุ่นบนแพลตฟอร์มของเราในตอนนี้:

รายละเอียดหนึ่งจากบันทึกการเรียกเก็บเงินของเราเอง: 1.2 ใช้โทเคนเอาต์พุตต่อวินาทีเท่ากับ 1.1 เป๊ะ (5,792 ต่อวินาทีที่ 720p และ 17,376 ที่ 4K) โมเดลไม่ได้ทำงานน้อยลงเลย แค่ Google ลดราคาโทเคนจาก $17.50 เหลือ $12 ต่อหนึ่งล้านโทเคน และส่วนที่ประหยัดได้ต่อวินาทีก็มาจากตรงนั้นตรง ๆ

Gemini Omni 1.2 Flash, 10 วินาทีที่ 720p, เปิดเสียง พรอมต์โดยย่อ: ช่างจักรยานขันน็อตให้แน่น เงยหน้าขึ้นแล้วพูดว่า "Most squeaks come from one loose bolt. Check this one first, then ride." ค่าใช้จ่าย: $0.70

พรอมต์เดียวกันบนทั้งสองโมเดล: 1.2 เป็นอย่างไรบ้าง?

ผมรันพรอมต์เดียวผ่านทั้งสองรุ่นด้วยการตั้งค่าเดียวกันทุกอย่าง: 16:9, 720p, 10 วินาทีพอดี ผู้หญิงผมสั้นสีเทาสวมผ้ากันเปื้อนยีนส์ ในร้านซ่อมจักรยาน มีบทพูดหนึ่งประโยค ใส่ "single continuous shot, no scene cuts" และบรรทัด "Audio:" ที่ขอเสียงพูดของเธอ เสียงประแจดังแกร๊ก ๆ และเสียงบรรยากาศในห้อง โดยไม่มีดนตรี

พรอมต์เดียวกันบน Gemini Omni 1.1 Flash, 10 วินาทีที่ 720p ค่าใช้จ่าย: $1.00

สิ่งที่ผมเห็นเมื่อดูทีละเฟรม:

• ทั้งคู่ถ่ายเป็นช็อตเดียว ตรวจจับการเปลี่ยนฉากด้วย ffmpeg แล้วไม่พบการตัดภาพเลยทั้งสองไฟล์ บน 1.1 คำสั่งนี้สำคัญมาก ถ้าไม่ใส่ Omni มักจะตัดต่อคลิปออกเป็นหลายมุมกล้องเอง
• ทั้งคู่พูดบทได้ ผู้หญิงทั้งสองคนพูดประโยคตามสคริปต์ใส่กล้อง ด้วยเสียงที่สร้างขึ้นในรอบเดียวกับภาพ แทร็กเสียงของ 1.2 ดังกว่าอย่างเห็นได้ชัด (ระดับเฉลี่ยสูงกว่าราว 4 dB) ซึ่งสะดวกถ้าคุณโพสต์โดยไม่มิกซ์เสียง
• 1.1 ทำตามคำบรรยายรูปลักษณ์ตรงตัวกว่า มันให้ผมสั้นเกรียนสีเทาตามพรอมต์ ส่วน 1.2 เลือกทรงบ๊อบยาวระดับคาง เป็นเรื่องเล็ก แต่ก็เตือนว่า "ดีกว่าโดยเฉลี่ย" ไม่ได้แปลว่าดีกว่าในทุกเทค
• 1.2 ใช้ประแจเป็นพร็อพ เธอยกประแจขึ้นหาเลนส์ระหว่างพูด ซึ่งดูเหมือนวิดีโอของครีเอเตอร์จริง ๆ มากกว่าเวอร์ชัน 1.1

นี่คือเบนช์มาร์กไหม? ไม่ใช่ มันเป็นแค่คลิปหนึ่งคู่ และ Omni ให้เทคที่ต่างกันทุกครั้ง (ไม่มี seed ให้ล็อกองค์ประกอบภาพ) สิ่งที่มันบอกได้คือ 1.2 ไม่ได้เสียจุดแข็งอะไรของ 1.1 ไปเลย และถูกกว่า $0.30 สำหรับ 10 วินาทีเท่ากัน

เทค 15 วินาทีมีความหมายจริงไหม?

มากกว่าที่ห้าวินาทีที่เพิ่มมาจะบอก สิบวินาทียาวพอสำหรับฮุก แต่สั้นไปสำหรับแอ็กชันที่ครบหนึ่งจังหวะ: การรินเครื่องดื่มตั้งแต่ต้นจนจบ การแกะกล่องสินค้า หรือรีวิวสั้น ๆ หน้ากล้อง บน 1.1 คุณต้องเรนเดอร์ 10 วินาทีแล้วค่อยต่อขยาย

Gemini Omni 1.2 Flash, 15 วินาทีที่ 720p ในเทคเดียว พรอมต์โดยย่อ: ช่างปั้นเซรามิกขึ้นรูปชามบนแป้นหมุน ปาดให้เรียบด้วยไม้ปาด ใช้ลวดตัดชามออกจากแป้น แล้วยกขึ้นวางบนแผ่นไม้ เสียงคือเสียงหึ่งของแป้นหมุนและเสียงดินเปียก ไม่มีดนตรี ค่าใช้จ่าย: $1.05

บอกตามตรง ผมคิดว่าคลิปนี้จะพังกลางทาง Omni มีนิสัยชอบทิ้งเหตุการณ์ช่วงท้ายของพรอมต์ ("then she cuts it free…") แล้วส่งฉากที่สวยแต่นิ่งกลับมา ครั้งนี้ไม่ใช่: มือขึ้นรูปผนังชาม ไม้ปาดเข้ามา ราววินาทีที่ 11 ลวดสอดเข้าใต้ก้นชาม และพอถึงวินาทีที่ 14 ชามก็ถูกยกออกจากแป้น สี่ขั้นตอน เทคเดียว ไม่มีการตัดภาพ คลิปเดียวพิสูจน์อะไรได้ไม่มาก แต่นี่คือพรอมต์หลายขั้นตอนแบบที่ Omni รุ่นก่อน ๆ ชอบบีบให้กลายเป็นฉากนิ่งทุกทีที่เราลอง

ทีนี้มาดูเรื่องเงิน การได้ 15 วินาทีจาก 1.1 ต้องใช้คลิป 10 วินาที ($1.00) บวกการต่อขยาย 5 วินาที และการต่อขยายคิดเงินตามความยาวทั้งหมดของผลลัพธ์ ขั้นที่สองจึงมีราคา 15 × $0.10 = $1.50 รวมเป็น $2.50 ส่วน 15 วินาทีเท่ากันบน 1.2 ในเทคเดียว: $1.05 ไม่ถึงครึ่ง และคุณยังข้ามขั้นตอนที่การต่อขยายอาจทำให้ภาพเพี้ยนไปจากลุคเดิมได้ด้วย

Gemini Omni 1.2 ราคาต่อคลิปเท่าไร?

ทุกวินาทีคิดเงินตามความละเอียด รวมเสียงแล้ว:

Google ระบุราคาของ 1.2 ไว้ราว $0.0232, $0.0695, $0.1043 และ $0.2085 ต่อวินาทีสำหรับความละเอียดทั้งสี่ระดับ เราปัดเป็นเซนต์ และที่ 4K เราปัดลงเป็น $0.20

โบนัสการเติมเงินช่วยลดราคาที่จ่ายจริงลงไปอีก การฝากคริปโตตั้งแต่ $50 ขึ้นไปจะได้ยอดเพิ่ม 5% ตั้งแต่ $100 ขึ้นไปได้เพิ่ม 10% และถ้ามีโค้ดโปรโมชันที่ใช้งานอยู่ จะได้อีก 10% ของทุกยอดฝากซ้อนเข้าไป ดังนั้นฝากคริปโต $100 พร้อมโค้ดจะกลายเป็นยอดคงเหลือ $120 ทำให้ 720p ตกวินาทีละราว $0.058 และคลิป 720p เต็ม 15 วินาทีอยู่ที่ประมาณ $0.88 การชำระผ่านบัตร PayPal และ SEPA จะได้รับเครดิตโดยไม่มีโบนัสการฝาก

เวิร์กโฟลว์ของผม: ทำร่างที่ 360p ($0.30 สำหรับเต็ม 15 วินาที) ปรับจังหวะและมุมกล้องให้ลงตัวตรงนั้น แล้วค่อยเรนเดอร์เทคที่เลือกใหม่ที่ 720p อย่าลืมว่าร่างกับงานจริงเป็นการสร้างแยกกัน งานจริงจึงไม่ใช่การอัปสเกลร่างแบบเฟรมต่อเฟรม ตารางราคาครบทุกโมเดลอยู่ที่หน้าราคา

สิ่งที่ไม่เปลี่ยน: ข้อจำกัดของ Omni 1.2

เพดาน 15 วินาทีไม่ได้ใช้ได้ทุกกรณี และนี่คือจุดที่คนสะดุดกันก่อนเลย

• เฟรมแรกและเฟรมสุดท้าย: ยังคง 10 วินาที ตอนที่เราทดสอบคลิป 12 วินาทีระหว่างคีย์เฟรมสองภาพ API ของ Google ปฏิเสธพร้อมข้อความ "Interpolation duration 12 seconds exceeds maximum duration 10 seconds" ตอนนี้สตูดิโอและเซิร์ฟเวอร์ MCP จำกัดกรณีนี้ไว้ที่ 10 วินาทีก่อนตัดเงิน คุณจึงไม่ต้องเจอข้อผิดพลาดนี้เอง
• การต่อขยายเพิ่มได้ 3–10 วินาทีต่อครั้ง รวม 40 วินาที การเริ่มจาก 15 วินาทีแค่ช่วยให้ไปถึงได้ในจำนวนครั้งที่น้อยลง แทรกอะไรตรงต้นคลิปหรือกลางคลิปไม่ได้
• ปิดเสียงไม่ได้ ทุกคลิปของ Omni มีแทร็กเสียง ถ้าต้องการความเงียบ Veo 3.1 เรนเดอร์แบบไม่มีเสียงได้ และ Wan 3.0 ปิดเสียงได้ฟรี
• ไม่มี seed ไม่มีช่อง negative prompt และได้หนึ่งผลลัพธ์ต่อคำขอ ให้เขียนสิ่งที่ไม่ต้องการลงในพรอมต์ ("no music", "no dialogue") ซึ่งได้ผลเกือบทุกครั้ง แต่ไม่ใช่ทุกครั้ง
• การแก้ไขคำพูดถูกจำกัด ตามการ์ดโมเดล การแก้ไขวิดีโออาจเปลี่ยนสิ่งที่คนในคลิปพูดได้ และ Google จำกัดความสามารถนี้ไว้ก่อนในตอนนี้

Google เองก็บอกว่ายังพัฒนาต่อในเรื่องแอ็กชันกีฬาที่รวดเร็ว การเปลี่ยนบทพูดอย่างฉับพลัน และฟิสิกส์ที่ซับซ้อน ความเห็นของผม: ถ้าช็อตไหนขึ้นอยู่กับว่าลูกบอลเด้งถูกต้องหรือเปล่า ให้เรนเดอร์ร่าง 360p ก่อน

ควรย้ายจาก Omni 1.1 ไป 1.2 ไหม?

สำหรับโปรเจกต์ใหม่ ควรย้าย ฟีเจอร์เหมือนเดิม เทคยาวขึ้น และถูกลงราวหนึ่งในสามในทุกความละเอียด ผมนึกไม่ออกเลยว่ามีบรีฟใหม่งานไหนที่ 1.1 ชนะบนกระดาษ

การเก็บ 1.1 ไว้ใช้ยังสมเหตุสมผลในสองกรณี กรณีแรก คุณกำลังทำซีรีส์ต่อจากที่ถ่ายด้วย 1.1 และอยากให้ลุคเหมือนกันทุกตอน กรณีที่สอง คุณปรับชุดพรอมต์มาสำหรับ 1.1 แล้ว และสิ่งที่มันตีความออกมาคือสิ่งที่คุณต้องการพอดี (การทดสอบทรงผมข้างบนคือตัวอย่างเล็ก ๆ ว่าสองโมเดลอ่านพรอมต์ต่างกันอย่างไร) ทั้งสองรุ่นยังใช้งานได้ในตัวสร้างวิดีโอและผ่าน MCP โดยเลือกได้ทีละคลิป

มีอีกวันที่ที่ควรจำไว้ บันทึกการอัปเดตของ Google ระบุว่าตั้งแต่วันที่ 3 ธันวาคม 2026 Gemini API จะส่งคำขอสำหรับ gemini-omni-1.1-flash ไปที่ 1.2 แทน ที่นี่ตอนนี้ยังเลือกได้ทั้งสองรุ่น ถ้าฝั่งเรามีการเปลี่ยนแปลง บทความนี้จะได้รับการอัปเดต

ถ้าอยากรู้ลึกกว่านี้ว่า Omni API รับและปฏิเสธอะไรบ้าง อ่านได้ที่รีวิว Gemini Omni Flash API ของเรา ส่วนหน้าโมเดลที่มีคลิปตัวอย่างเพิ่มเติมคือ Gemini Omni 1.2

FAQ

Gemini Omni 1.2 ดีกว่า 1.1 ไหม?

ถ้าดูจากสเปก ใช่: เทค 15 วินาทีแทน 10 วินาที และราคาต่ำกว่าราว 30% โดยฟีเจอร์เท่าเดิม Google ยังบอกว่าลิปซิงก์ชัดขึ้นและมีการตัดภาพกระโดดที่ไม่ต้องการน้อยลง ในการทดสอบเทียบกันของเรา ทั้งคู่พูดบทหนึ่งประโยคได้ในช็อตเดียว โดย 1.2 ใช้เงิน $0.70 เทียบกับ $1.00

วิดีโอจาก Gemini Omni 1.2 ยาวได้แค่ไหน?

3 ถึง 15 วินาทีในการสร้างครั้งเดียว กำหนดได้ละเอียดถึงวินาที ถ้าใช้ทั้งเฟรมแรกและเฟรมสุดท้าย ขีดจำกัดคือ 10 วินาที ฉากที่ยาวกว่านั้นต้องใช้การต่อขยาย ครั้งละ 3–10 วินาที รวมสูงสุด 40 วินาที

คลิป Omni 1.2 ยาว 10 วินาทีราคาเท่าไร?

$0.70 ที่ 720p, $0.20 ที่ 360p, $1.00 ที่ 1080p และ $2.00 ที่ 4K รวมเสียงแล้ว การสร้างที่ล้มเหลวจะได้รับเงินคืนอัตโนมัติ

ยังใช้ Omni 1.1 ได้อยู่ไหม?

ได้ Omni 1.1 Flash ยังใช้งานได้คู่กับ 1.2 ทั้งในตัวสร้างวิดีโอและเซิร์ฟเวอร์ MCP และคุณเลือกรุ่นได้ทีละคลิป Google มีแผนจะส่งการเรียก Gemini API สำหรับ 1.1 ไปที่ 1.2 ตั้งแต่วันที่ 3 ธันวาคม 2026

Omni 1.2 ทำวิดีโอแบบไม่มีเสียงได้ไหม?

ไม่ได้ ทุกคลิปของ Omni มีแทร็กเสียง คุณบรรยายเสียงในบรรทัด "Audio:" หรือขอ "no music, no dialogue" ได้ แต่ถ้าต้องการคลิปที่เงียบจริง ๆ ให้ใช้ Veo 3.1 หรือ Wan 3.0