รีวิว Gemini Omni Flash API: ตัว Preview ทำอะไรได้จริงบ้าง

Gemini Omni Flash คือโมเดลมัลติโมดัลแบบ "any-to-any" (มักจะเรียกว่า ส่งอะไรเข้าไปก็ได้ และสามารถส่งคำสั่งผลลัพธ์กลับมาได้หลากหลายประเภท) ตัวแรกของ Google ที่สามารถสร้างผลลัพธ์เป็นวิดีโอได้ กล่าวคือคุณสามารถส่งข้อความ รูปภาพ หรือผลลัพธ์ก่อนหน้าเข้าไป และตัวโมเดลจะส่งกลับมาเป็นคลิปขนาด 720p สั้นๆ พร้อมเสียง ซึ่งคุณสามารถปรับแต่งแก้ไขต่อได้ด้วยการอธิบายความต้องการเพิ่มเติมด้วยภาษาธรรมดา Google ได้เปิดตัวโมเดลนี้ในเวอร์ชันทดสอบสาธารณะ (public preview) เมื่อวันที่ 30 มิถุนายน 2026 พร้อมกับ Nano Banana 2 Lite โดยมีรหัสโมเดลสำหรับ API คือ gemini-omni-flash-preview

คำตอบแบบรวดเร็ว หากคุณต้องการคำตอบเรื่องนี้เพียงเรื่องเดียว: Gemini Omni Flash API รองรับการสร้างวิดีโอจากข้อความ (text-to-video), การสร้างวิดีโอจากภาพ (image-to-video), การสร้างวิดีโออ้างอิงภาพต้นแบบ (reference-to-video) โดยใช้ภาพวัตถุอ้างอิงได้สูงสุด 3 ภาพ และการแก้ไขวิดีโอผ่านการพูดคุยสั่งงาน (conversational editing) แต่โมเดลนี้ไม่รองรับความละเอียด 1080p, การควบคุมความยาวคลิป, ค่า seed, การระบุพารามิเตอร์ negative prompt, การต่อความยาววิดีโอ (video extension) หรือการปิดเสียง และหากคุณเคยเห็นตัวอย่างการทำงานของ Omni Flash ใน Google Flow แล้วคาดหวังว่าจะมีชุดเครื่องมือเดียวกันใน API คุณอาจจะต้องผิดหวัง เพราะเราได้ทำการเชื่อมต่อโมเดลนี้เข้ากับ เครื่องมือสร้างวิดีโอของเรา ตั้งแต่สัปดาห์แรกที่เปิดตัว ดังนั้นรีวิวนี้จึงอ้างอิงจากสิ่งที่ endpoint ส่งกลับคืนมาจริงๆ ไม่ใช่คำโฆษณาบนหน้าการตลาด

สิ่งที่ Gemini Omni Flash API มอบให้คุณจริงๆ

ตัว API เปิดให้ใช้งาน Omni Flash ผ่าน Interactions API (interactions.create) ไม่ใช่ผ่าน endpoint generateVideos แบบที่ Veo ใช้ ซึ่งจุดนี้มีความสำคัญมาก เนื่องจากอินเทอร์แอคชัน (interactions) จะทำงานแบบเก็บสถานะ (stateful) โดยผลลัพธ์ที่ตอบกลับมาแต่ละครั้งจะมีรหัส id ที่คุณสามารถนำไปใช้อ้างอิงในภายหลังได้

จากข้อมูลใน เอกสารประกอบการใช้งาน Omni ของ Google ปัจจุบันมี 4 ฟังก์ชันที่สามารถทำงานได้จริง:

• ข้อความเป็นวิดีโอ (Text-to-video): ใส่ prompt เข้าไป จะได้คลิปขนาด 720p ออกมา พร้อมเสียงประกอบในตัว
• ภาพเป็นวิดีโอ (Image-to-video): ภาพของคุณจะกลายเป็นเฟรมเปิดตัว และ prompt จะเป็นตัวอธิบายการเคลื่อนไหวของภาพนั้น
• อ้างอิงภาพเป็นวิดีโอ (Reference-to-video): ใช้ภาพวัตถุอ้างอิงได้สูงสุด 3 ภาพเพื่อรักษาความสม่ำเสมอของตัวละครหรือผลิตภัณฑ์ในฉากใหม่
• แก้ไขวิดีโอผ่านการพูดคุยสั่งงาน (Conversational editing): ส่งค่า previous_interaction_id พร้อมคำสั่งสั้นๆ จากนั้นโมเดลจะแก้ไขคลิปโดยคงส่วนอื่นๆ ที่เหลือไว้เหมือนเดิม

คลิปวิดีโอด้านบนถูกสร้างขึ้นจากโมเดล gemini-omni-flash-preview โดยตรงผ่านขั้นตอนการประมวลผลของเราเอง ดังนั้นสิ่งที่คุณเห็นคือตัวอย่างที่สร้างขึ้นจริง ไม่ใช่สื่อโฆษณาประชาสัมพันธ์ โดยเราใช้ prompt ข้อความเพียงชุดเดียว: เรือใบกระดาษที่ลอยผ่านน้ำหมึกที่หกเลอะ, เพิ่มวลี "single continuous scene" เพื่อป้องกันไม่ให้โมเดลตัดฉาก และเพิ่มบรรทัด "Audio:" เพื่อขอให้สร้างเสียงกระดาษยับและเสียงคลื่นน้ำ ซึ่งโมเดลเลือกความยาว 10 วินาทีให้เองโดยอัตโนมัติ ลองเปิดเสียงดูสิครับ ตัวเสียงประกอบนี้ก็ถูกสร้างขึ้นโดย AI ด้วยเช่นกัน

คลิปวิดีโอแต่ละตัวจะมีความยาว 3 ถึง 10 วินาที ที่อัตราเฟรม 24 fps และนี่คือเรื่องน่าประหลาดใจข้อแรก: คุณไม่สามารถเลือกความยาวของคลิปเองได้ เนื่องจากไม่มีพารามิเตอร์กำหนดความยาว (duration) โดยตัวโมเดลจะตัดสินใจเองว่าคลิปควรมีความยาวเท่าใดตามรายละเอียดใน prompt เช่น หากคุณสั่งให้สร้างภาพ "a slow pan across a foggy harbor at dawn" (การแพนกล้องช้าๆ ผ่านท่าเรือที่มีหมอกหนาในยามรุ่งสาง) คุณอาจจะได้วิดีโอยาว 9 วินาที หรือคุณอาจจะได้แค่ 4 วินาทีก็ได้ สำหรับการทำ storyboard นั้นถือว่าใช้งานได้ดี แต่สำหรับงานใดๆ ที่ต้องตัดต่อให้เข้ากับเสียงเพลง เรื่องนี้ถือเป็นเรื่องที่ชวนหงุดหงิดเอามากๆ

เรื่องระบบเสียงเป็นเซอร์ไพรส์ข้อที่สอง และเป็นเรื่องที่น่าประทับใจมาก เพราะทุกคลิปที่สร้างขึ้นจะมาพร้อมกับเสียงประกอบ ไม่ว่าจะเป็นเสียงบรรยากาศ (ambient), เสียงเอฟเฟกต์ หรือแม้แต่เสียงพูดหากคุณระบุความต้องการลงไป ทว่าคุณไม่สามารถปิดเสียงนี้ได้ การควบคุมเพียงอย่างเดียวที่คุณมีคือการใช้ข้อความ ดังนั้นเราจึงเลือกใช้วิธีเพิ่มบรรทัด "Audio: ..." ต่อท้าย prompt ซึ่งผลลัพธ์ที่ได้ถือว่าทำงานได้ดีเลยทีเดียว

ฟีเจอร์อะไรที่ Flow มี แต่ API ไม่มี?

Google Flow เป็นเครื่องมือการทำงานโปรดักชันแบบครบวงจรที่ครอบทับโมเดลต่างๆ เอาไว้ ซึ่งการรองรับตรงส่วนนั้นเป็นสิ่งที่ตัว API ดิบยังไม่มี โดย Flow จะมีระบบ Scene Builder สำหรับสร้างฉากแบบต่อเนื่องหลายคัท (multi-shot) และมีปุ่มควบคุมกล้องที่ตั้งค่าไว้ล่วงหน้า (ประเภทช็อต, มุมกล้อง, การเคลื่อนไหว) แต่มีรายละเอียดเรื่องความละเอียดที่คนมักจะเข้าใจผิดกันคือ ปกติแล้ว Flow ก็เรนเดอร์ที่ขนาด 720p เป็นค่าเริ่มต้นเช่นกัน ส่วนเวอร์ชัน 1080p และ 4K จะปรากฏขึ้นในขั้นตอนดาวน์โหลดเพื่อเป็นตัวเลือกในการส่งออก (export) เพิ่มเติมจากการเรนเดอร์ของ Veo เท่านั้น ไม่ใช่โหมดการสร้างวิดีโอแบบอื่น ซึ่งเครื่องมือช่วยเหลือเหล่านี้ไม่มีอยู่เลยใน gemini-omni-flash-preview

และนี่คือตารางเปรียบเทียบตามจริงหลังจากเราได้ทดลองใช้งานทั้งสองฝั่งเป็นเวลาหนึ่งสัปดาห์:

ทางเอกสารทางการของ Google ได้ระบุข้อจำกัดบางส่วนนี้ไว้อย่างตรงไปตรงมา โดยเอกสารระบุว่าการต่อความยาววิดีโอ (extension) และการแทรกเฟรมเพิ่มความสมูท (interpolation) "ยังไม่รองรับ" เช่นเดียวกับการกำหนดระบบสั่งการ (system instructions), ค่าความสุ่มของผลลัพธ์ (temperature) และพารามิเตอร์ negative prompt (ซึ่งแนะนำให้เขียนสิ่งที่ไม่ต้องการลงใน prompt ปกติแทน แต่จากประสบการณ์ของผมพบว่าได้ผลแค่ประมาณครึ่งหนึ่งเท่านั้น) นอกจากนี้ การใช้ภาพวิดีโออ้างอิงมีระบุไว้ใน API schema โดยจำกัดความยาวสูงสุดไว้ที่ 3 วินาที แต่ในเอกสารยอมรับว่าตัวโมเดลยังไม่สามารถประมวลผลวิดีโออ้างอิงได้อย่างถูกต้องในขณะนี้

ดังนั้น API เวอร์ชันทดสอบนี้จึงเป็นเพียงส่วนเล็กๆ จากความสามารถทั้งหมดที่โมเดลสามารถทำได้บนแพลตฟอร์มของ Google เอง ซึ่งเป็นเรื่องปกติของรุ่นทดลองใช้ (preview) แต่ก็อาจจะมีสะดุ้งอยู่เหมือนกันเวลาที่ลูกค้าขอไฟล์ส่งออกแบบ 1080p แต่ขีดจำกัดสูงสุดของระบบอยู่ที่ 720p เท่านั้น

Conversational editing คือฟีเจอร์เด็ดที่ตอบโจทย์ใช้งานได้จริง

ฟีเจอร์แก้ไขคือจุดที่ช่วยสร้างมูลค่าให้แก่ Omni Flash ได้อย่างแท้จริง หลังจากที่คุณสร้างคลิปขึ้นมาแล้ว ลองดูผลงาน จากนั้นคุณสามารถส่งคำสั่งสั่งงานเพิ่มเติมตามไป เช่น "make the jacket red and slow down the camera" (เปลี่ยนแจ็คเก็ตเป็นสีแดงและเคลื่อนกล้องช้าลง) ควบคู่กับรหัส previous_interaction_id ของผลลัพธ์แรก ตัวโมเดลจะทำการสร้างวิดีโอขึ้นมาใหม่โดยนำการแก้ไขของคุณไปประยุกต์ใช้ในขณะที่ยังคงรักษารายละเอียดส่วนใหญ่ของคลิปเดิมเอาไว้ โดยไม่ต้องอัปโหลดไฟล์ใหม่ ไม่ต้องมาส์กจุด และไม่มีเส้นไทม์ไลน์ให้ปวดหัว

เอกสารของ Gemini Enterprise ระบุว่าคุณสามารถแก้ไขวิดีโอต่อเนื่องกันได้สูงสุดถึงสามครั้งในขณะที่ระบบยังจำบริบทเดิมอยู่ แต่ในการใช้งานจริง การแก้ไขแต่ละครั้งคือการเรนเดอร์ขนาด 720p ใหม่ทั้งหมด ดังนั้นความสม่ำเสมอของภาพ (consistency) อาจจะมีการคลาดเคลื่อนไปบ้างเล็กน้อยในการส่งคำสั่งแต่ละรอบ โดยใบหน้าของบุคคลจะรักษารายละเอียดได้ดีกว่าข้อความบนป้ายต่างๆ และในบางครั้งการเคลื่อนไหวที่ซับซ้อนก็อาจจะเปลี่ยนไปได้ ทั้งที่คุณเพียงแค่ต้องการเปลี่ยนสีเสื้อเท่านั้น

ข้อควรระวังข้อหนึ่งที่เราพบจากการนำไปใช้งานจริงคือ อินเทอร์แอคชันหลัก (parent interactions) ฝั่งของ Google จะมีวันหมดอายุ หากคุณพยายามแก้ไขคลิปที่สร้างไว้เมื่อนานมาแล้ว ตัว API อาจจะส่งค่ากลับคืนมาเป็น 404 เนื่องจากไม่พบรหัสอ้างอิงดังกล่าว ซึ่งบนเว็บ BananaBanana เราจะแสดงข้อความแจ้งเตือนว่าวิดีโอนี้หมดอายุแล้วและจะทำการคืนเครดิตสำหรับการทดลองใช้ให้ แต่ถ้าคุณพัฒนาแอปพลิเคชันขึ้นมาด้วย API ดิบเอง คุณต้องเขียนระบบเตรียมรับมือในส่วนนี้ไว้ด้วย

Gemini Omni Flash มีค่าใช้จ่ายเท่าไร?

จาก ประกาศเปิดตัว ของ Google ระบุราคาสำหรับ Omni Flash ไว้ที่ $0.10 ต่อวินาทีของวิดีโอที่ได้ และเนื่องจากตัวโมเดลเป็นผู้เลือกความยาวของคลิปเอง บิลค่าใช้จ่ายของคุณจึงขึ้นอยู่กับอารมณ์ของโมเดลด้วยส่วนหนึ่ง: ผลลัพธ์ความยาว 3 วินาทีจะมีราคา $0.30 ในขณะที่ผลลัพธ์ความยาว 10 วินาทีจะมีราคา $1.00 แม้ว่าจะใช้ prompt เดียวกัน การตั้งค่าเหมือนกัน แต่คุณอาจได้บิลค่าใช้จ่ายที่ต่างกัน

ส่วนที่ BananaBanana เราได้ปรับราคาให้เข้าใจง่ายขึ้น โดยคิดค่าบริการสร้างวิดีโอด้วย Omni Flash ในราคาคงที่ $1.00 ต่อครั้ง ไม่ว่าตัวโมเดลจะเลือกความยาวคลิปเท่าใด และการแก้ไขคลิปก็มีราคาเท่ากันที่ $1.00 เนื่องจากระบบต้องเรนเดอร์วิดีโอใหม่ทั้งหมด ส่วนโมเดล Nano Banana 2 Lite ซึ่งเปิดตัวในวันเดียวกัน จะมีค่าบริการรูปภาพละ $0.03 บนระบบของเรา (อัตราค่าบริการ API ของ Google อยู่ที่ $0.034 สำหรับภาพระดับ 1K) ดูอัตราค่าบริการทั้งหมดได้ที่ ส่วนข้อมูลราคา

การจ่ายเงินหนึ่งดอลลาร์ต่อคลิปนั้นคุ้มค่าหรือไม่? สำหรับงานร่างแบบดราฟต์ที่ต้องมีเสียงประกอบ ซึ่งปกติแล้วต้องผ่านขั้นตอนการสร้างวิดีโอก่อนแล้วค่อยนำมาผสมเสียงอีกรอบ วิธีนี้คงตอบได้ว่าคุ้มค่ามาก แต่สำหรับฟุตเทจประกอบ (b-roll) แบบไม่มีเสียงนั้นคงไม่คุ้ม เนื่องจาก Veo 3.1 Fast สามารถสร้างคลิปแบบไม่มีเสียงได้ในราคาที่ถูกกว่าและกำหนดเวลาได้ตรงเผงกว่ามาก

คุณควรเลือกใช้ Omni Flash หรือ Veo 3.1?

สรุปแบบสั้นๆ: ทั้งสองโมเดลแบ่งหน้าที่การทำงานกัน แต่ไม่ใช่การแบ่งแบบ "งานร่างแบบร่างกับงานคุณภาพสุดท้าย" ตามที่คุณคาดคิดไว้

เรื่องหนึ่งที่ควรทราบก่อนตัดสินใจเลือกใช้: ความต่างของทั้งสองโมเดลไม่ได้อยู่ที่เรื่องความละเอียดจริงๆ แต่เป็นเพราะ Veo 3.1 เรนเดอร์การเคลื่อนไหวและการเคลื่อนที่ทางฟิสิกส์ได้สมจริงและน่าเชื่อถือมากกว่ามาก น้ำไหลอย่างเป็นธรรมชาติ รอยพับของเสื้อผ้าพับในจุดที่ควรพับ วัตถุชนกันจริงๆ แทนที่จะลอยทะลุผ่านกันเหมือนผี สำหรับ Omni Flash นั้นทำจุดนี้ได้ถูกต้องเป็นบางครั้งแต่ยังไม่สม่ำเสมอ และในบางคลิปคุณอาจสังเกตเห็นจุดผิดพลาดได้ทันทีโดยไม่ต้องเพ่งมองหา

เลือกใช้ Veo 3.1 เมื่อคุณต้องการส่งออกงานระดับ 4K แท้, ต้องการกำหนดความยาวคลิปที่แน่นอน (กำหนดหน่วยเป็นวินาทีเต็ม เช่น 4 ถึง 8 วินาที ไม่มีการนับเศษจุดทศนิยม), ต้องการผลลัพธ์แบบไม่มีเสียง, ต้องการต่อความยาววิดีโอในภายหลัง หรือต้องการควบคุมทั้งเฟรมแรกและเฟรมสุดท้ายของวิดีโอ การควบคุมเฟรมแรกและเฟรมสุดท้ายร่วมกันถือเป็นฟีเจอร์ที่ถูกมองข้ามมากที่สุด ทั้งที่เพียงแค่คุณป้อนรูปภาพเดียวกันให้เป็นทั้งเฟรมแรกและเฟรมสุดท้าย คุณก็จะได้วิดีโอแบบลูปไร้รอยต่อ (seamless loop) ซึ่งเป็นเทคนิคเบื้องหลังทั้งหมดสำหรับการสร้างวิดีโอพื้นหลังแบบวนลูป นี่คือเครื่องมือระดับโปรดักชันสำหรับงานมุมมองกว้าง (widescreen) หรืองานที่มีรายละเอียดทางฟิสิกส์หนักๆ

เลือกใช้ Omni Flash เมื่อผลงานจะถูกนำไปเปิดแสดงบนหน้าจอโทรศัพท์มือถือ สำหรับ TikTok, Shorts หรือ Reels นั้น พูดตามตรงเลยว่าระบบของแพลตฟอร์มจะบีบอัดไฟล์เหลือแค่ขนาด 720p เท่านั้น แถมคุณยังได้วิดีโอที่มีเสียงติดตั้งมาให้เลยจบในงบ $1 และฟีเจอร์การสั่งแก้ไขด้วยภาษาธรรมดายังสะดวกกว่าการมานั่งเขียน prompt เริ่มต้นใหม่ทั้งหมดในขณะที่คุณกำลังรีบทำตามไอเดียที่คิดได้ ณ ตอนนั้น ในกลุ่มงานลักษณะนี้ Omni Flash จึงไม่ใช่แค่เครื่องมือวาดแบบร่าง แต่เป็นตัวเลือกที่ดีกว่าอย่างเห็นได้ชัด

กระบวนการทำงานส่วนตัวของผมหลังจากทดลองใช้งานมาสองวัน: สำหรับงานลูกค้าที่เป็นแนวหน้าจอกว้าง ผมจะใช้วิธีขึ้นโครงสร้างคอนเซ็ปต์คร่าวๆ ใน Omni Flash ในราคา $1 ต่อครั้ง จากนั้นนำวิดีโอช็อตที่เลือกไปทำใหม่ใน Veo เพื่อให้ได้งานคุณภาพสุดท้าย ส่วนสำหรับคลิปแนวตั้งที่จะนำไปโพสต์ลงโซเชียลมีเดียทันที ผลงานที่ได้จาก Omni บ่อยครั้งก็สามารถนำไปใช้งานได้เลยโดยไม่ต้องแก้ไขอะไรเพิ่ม

ทั้งสองโมเดลเปิดใช้งานจริงแล้วบน เครื่องมือสร้างวิดีโอ BananaBanana ของเรา คุณจึงสามารถเปรียบเทียบผลลัพธ์จาก prompt เดียวกันได้ทันทีโดยไม่ต้องเขียนโค้ดแม้แต่บรรทัดเดียวหรือตั้งค่าโปรเจกต์ Google Cloud และหากคุณต้องการอ่านรีวิวเวอร์ชันย่อเกี่ยวกับความสามารถ ขีดจำกัด และราคาคงที่แบบเข้าใจง่ายในหน้าเดียว คุณสามารถเข้าไปอ่านรายละเอียดเพิ่มเติมได้ที่ หน้า Gemini Omni

FAQ

gemini-omni-flash-preview คืออะไร?

คือรหัสรุ่นโมเดล API ของ Gemini Omni Flash ซึ่งเป็นโมเดลสร้างวิดีโอผ่านการพูดคุยสั่งงานที่ Google เปิดตัวรุ่นทดลองสาธารณะเมื่อวันที่ 30 มิถุนายน 2026 โดยโมเดลนี้สามารถสร้างและแก้ไขคลิปความละเอียด 720p ความยาว 3–10 วินาทีพร้อมเสียง ผ่านทาง Interactions API

Gemini Omni Flash สามารถสร้างวิดีโอความละเอียด 1080p หรือ 4K ได้หรือไม่?

ไม่ได้ครับ ตัว API สามารถส่งออกวิดีโอที่ความละเอียด 720p ที่ 24 fps เท่านั้น เช่นเดียวกับ Google Flow ที่เรนเดอร์ขนาด 720p เป็นค่าเริ่มต้น โดยไฟล์วิดีโอขนาด 1080p และ 4K จะเปิดให้ดาวน์โหลดบนขั้นตอนการดาวน์โหลดของ Veo เรนเดอร์เท่านั้น หากคุณต้องการไฟล์ส่งออกความละเอียดสูงอย่างแท้จริง กรุณาเลือกใช้งาน Veo 3.1

สามารถกำหนดความยาววิดีโอใน Omni Flash API ได้หรือไม่?

ไม่ได้ครับ เนื่องจากไม่มีพารามิเตอร์ควบคุมความยาว (duration) โดยตัวโมเดลจะสุ่มเลือกความยาวในช่วง 3 ถึง 10 วินาทีตามรายละเอียดใน prompt การระบุจังหวะหรือความเร็วใน prompt อาจช่วยโน้มน้าวความยาวคลิปได้บ้าง แต่ไม่มีอะไรรับประกันความยาวที่แน่นอนได้

Omni Flash จะสร้างเสียงประกอบด้วยเสมอหรือไม่?

ใช่ครับ ทุกคลิปจะมีเสียงประกอบถูกสร้างขึ้นพ่วงมาด้วยเสมอ และไม่มีฟังก์ชันปิดเสียงนี้ คุณสามารถอธิบายลักษณะเสียงที่คุณต้องการ (หรือสั่งขอเสียงบรรยากาศห้องเงียบๆ "quiet ambient room tone") ลงใน prompt ได้โดยตรง

Omni Flash สามารถต่อความยาววิดีโอหรือเพิ่มเฟรมเพื่อเพิ่มความสมูทให้กับวิดีโอเดิมได้หรือไม่?

ไม่ได้ครับ จากข้อมูลในเอกสารของ Google ระบุว่าการต่อความยาววิดีโอ (extension) และการทำอินเตอร์โพเลชันแทรกเฟรม (interpolation) ยังไม่รองรับบน API รุ่นทดสอบนี้ วิธีการเดียวในการปรับปรุงแก้ไขวิดีโอคลิปเดิมคือการใช้ระบบแก้ไขวิดีโอสั่งงานด้วยภาษาธรรมชาติอ้างอิงจากคลิปผลลัพธ์แรก