Gemini Omni 1.2 vs 1.1: Thay đổi gì, thử trên clip thật

Gemini Omni 1.2 Flash là mô hình video Omni thế hệ thứ ba của Google: nó tạo clip có âm thanh đồng bộ từ văn bản, hình ảnh hoặc video, và thay đổi đáng chú ý nhất so với Omni 1.1 có thể nói gọn trong một câu. Cảnh quay dài hơn, giá rẻ hơn. Google phát hành mô hình này ngày 5 tháng 11 năm 2026; bốn ngày sau chúng tôi đưa nó vào vận hành thực tế trên BananaBanana và từ đó đến nay vẫn chạy song song với 1.1.

Trả lời nhanh: Omni 1.2 tạo được từ 3 đến 15 giây trong một lần quay (1.1 dừng ở 10 giây) và rẻ hơn khoảng 30% mỗi giây ở mọi độ phân giải: $0.07 một giây ở 720p thay vì $0.10. Âm thanh vẫn luôn bật, phần mở rộng vẫn tối đa 40 giây, và clip chuyển động giữa khung hình đầu và khung hình cuối vẫn bị giới hạn ở 10 giây. Với dự án mới, gần như không còn lý do để ở lại 1.1.

Dưới đây là các con số, cùng một prompt chạy trên cả hai mô hình, và những trường hợp 1.1 vẫn còn hợp lý.

Gemini Omni 1.1 và 1.2 khác nhau ở điểm nào?

Có hai con số thay đổi, kèm theo vài tuyên bố về chất lượng. Theo thông báo của Google, độ dài clip tăng lên tối đa 15 giây, "theo bước một giây từ 3 đến 15 giây", 720p giảm xuống $0.07 mỗi giây, và mô hình khớp khẩu hình rõ hơn, phân biệt nhiều người nói tốt hơn, với "ít cú jump cut không mong muốn hơn đáng kể". Model card bổ sung rằng đầu ra vẫn mang watermark SynthID vô hình.

Đây là cách hai thế hệ so với nhau trên nền tảng của chúng tôi hiện nay:

Một chi tiết từ chính nhật ký tính phí của chúng tôi: 1.2 tiêu đúng bằng số token đầu ra mỗi giây như 1.1 (5.792 mỗi giây ở 720p, 17.376 ở 4K). Mô hình không hề làm ít việc hơn. Google chỉ đơn giản hạ giá token từ $17.50 xuống $12 mỗi triệu, và khoản tiết kiệm theo giây đến thẳng từ đó.

Gemini Omni 1.2 Flash, 10 giây ở 720p, có âm thanh. Tóm tắt prompt: một thợ sửa xe đạp siết một con bu lông, ngẩng lên và nói "Most squeaks come from one loose bolt. Check this one first, then ride." Chi phí: $0.70.

Cùng một prompt trên hai mô hình: 1.2 thể hiện ra sao?

Tôi chạy một prompt qua cả hai thế hệ với thiết lập giống hệt nhau: 16:9, 720p, đúng 10 giây. Một người phụ nữ tóc ngắn màu xám mặc tạp dề denim, một xưởng sửa xe đạp, một câu thoại, "single continuous shot, no scene cuts", và một dòng "Audio:" yêu cầu giọng nói của cô ấy, tiếng cờ lê lách cách và âm thanh nền của căn phòng, không có nhạc.

Cùng prompt đó trên Gemini Omni 1.1 Flash, 10 giây ở 720p. Chi phí: $1.00.

Những gì tôi thấy khi xem từng khung hình:

• Cả hai đều giữ một cảnh quay liền. Chạy phát hiện chuyển cảnh bằng ffmpeg cho thấy không có cú cắt nào ở cả hai file. Trên 1.1, chỉ dẫn này rất quan trọng; thiếu nó, Omni hay tự dựng clip thành nhiều góc máy.
• Cả hai đều nói đúng câu thoại. Mỗi người phụ nữ nói câu trong kịch bản vào ống kính, với giọng được tạo cùng một lượt. Track âm thanh của 1.2 to hơn thấy rõ (mức trung bình cao hơn khoảng 4 dB), khá tiện nếu bạn đăng mà không mix lại.
• 1.1 bám sát mô tả ngoại hình hơn. Nó cho cô ấy mái tóc xám cắt ngắn đúng như prompt; 1.2 lại chọn kiểu bob ngang cằm. Chuyện nhỏ, nhưng nó nhắc rằng "tốt hơn trung bình" không có nghĩa là tốt hơn ở mọi lần quay.
• 1.2 dùng cờ lê làm đạo cụ. Cô ấy giơ nó về phía ống kính trong lúc nói, trông giống video của một creator thật hơn bản 1.1.

Đây có phải benchmark không? Không. Chỉ là một cặp clip, và Omni cho ra một phiên bản khác nhau mỗi lần (không có seed để khóa bố cục). Điều nó cho thấy là 1.2 không đánh mất gì mà 1.1 làm tốt, và rẻ hơn $0.30 cho cùng 10 giây.

Một cảnh quay 15 giây có thực sự đáng giá?

Đáng hơn những gì năm giây tăng thêm gợi ý. Mười giây đủ cho một câu hook, nhưng ngắn cho một hành động trọn vẹn: rót một ly từ đầu đến cuối, mở hộp một sản phẩm, một bài review ngắn trước ống kính. Trên 1.1, bạn phải render 10 giây rồi mới mở rộng.

Gemini Omni 1.2 Flash, 15 giây ở 720p trong một lần quay. Tóm tắt prompt: một nghệ nhân gốm vuốt một chiếc bát trên bàn xoay, làm phẳng bằng dao gỗ, cắt bát ra bằng dây thép rồi nhấc lên một tấm ván; âm thanh là tiếng ù của bàn xoay và tiếng đất sét ướt, không có nhạc. Chi phí: $1.05.

Thú thật, tôi đã nghĩ clip này sẽ hỏng giữa chừng. Omni có thói quen bỏ qua các sự kiện ở cuối prompt ("then she cuts it free…") và trả về một cảnh đẹp nhưng đứng yên. Lần này thì không: đôi tay vuốt thành bát, dao gỗ vào cuộc, khoảng giây thứ 11 sợi dây luồn xuống dưới đáy, và đến giây 14 chiếc bát đã được nhấc khỏi bàn xoay. Bốn bước, một lần quay, không cú cắt nào. Một clip chẳng chứng minh được nhiều, nhưng đây đúng là kiểu prompt nhiều bước mà các phiên bản Omni trước cứ liên tục ép thành cảnh tĩnh khi chúng tôi thử.

Giờ đến chuyện tiền. Để có 15 giây từ 1.1, bạn cần một clip 10 giây ($1.00) cộng một lần mở rộng 5 giây, mà phần mở rộng được tính phí theo toàn bộ độ dài kết quả, nên bước thứ hai tốn 15 × $0.10 = $1.50. Tổng cộng: $2.50. Cùng 15 giây đó trên 1.2 trong một lần quay: $1.05. Chưa tới một nửa, và bạn bỏ qua được một bước mà phần mở rộng có thể trôi xa khỏi phong cách hình ảnh ban đầu.

Gemini Omni 1.2 tốn bao nhiêu cho mỗi clip?

Mỗi giây được tính phí theo độ phân giải, đã bao gồm âm thanh:

Google niêm yết 1.2 ở khoảng $0.0232, $0.0695, $0.1043 và $0.2085 mỗi giây cho bốn mức độ phân giải. Chúng tôi làm tròn đến cent, và ở 4K thì làm tròn xuống $0.20.

Thưởng nạp tiền còn kéo giá thực tế xuống thấp hơn nữa. Nạp crypto từ $50 trở lên được cộng thêm 5% vào số dư, từ $100 trở lên được thêm 10%, và một mã khuyến mãi đang kích hoạt cộng thêm 10% của mỗi lần nạp. Vậy $100 crypto kèm mã sẽ thành $120 số dư, tức một giây 720p chỉ còn khoảng $0.058 và một clip 720p trọn 15 giây khoảng $0.88. Thanh toán bằng thẻ, PayPal và SEPA được cộng tiền mà không có thưởng nạp.

Quy trình của tôi: làm bản nháp ở 360p ($0.30 cho trọn 15 giây), chỉnh nhịp và chuyển động máy quay ở đó, rồi render lại bản ưng ý ở 720p. Nhớ rằng bản nháp và bản cuối là hai lượt tạo riêng biệt, nên bản cuối sẽ không phải là bản nháp được upscale từng khung hình. Bảng giá đầy đủ cho mọi mô hình có trên trang bảng giá.

Điều không thay đổi: giới hạn của Omni 1.2

Mức trần 15 giây không áp dụng ở mọi nơi, và đây là chỗ mọi người vấp phải đầu tiên.

• Khung đầu và khung cuối: vẫn 10 giây. Khi chúng tôi thử một clip 12 giây giữa hai keyframe, API của Google từ chối với thông báo "Interpolation duration 12 seconds exceeds maximum duration 10 seconds". Studio và MCP server giờ giới hạn trường hợp này ở 10 giây trước khi trừ tiền, nên bạn sẽ không tự gặp lỗi đó.
• Mỗi bước mở rộng thêm 3–10 giây, tổng cộng 40 giây. Bắt đầu từ 15 giây chỉ giúp bạn đến đích với ít bước hơn. Không thể chèn thêm gì vào đầu hay giữa clip.
• Không tắt được âm thanh. Mọi clip Omni đều có track âm thanh. Nếu cần im lặng, Veo 3.1 render không có tiếng, còn Wan 3.0 có thể tắt âm thanh miễn phí.
• Không có seed, không có trường negative prompt, mỗi yêu cầu chỉ một mẫu. Hãy viết những thứ cần loại bỏ vào prompt ("no music", "no dialogue"); phần lớn thời gian chúng có tác dụng, nhưng không phải lúc nào cũng vậy.
• Chỉnh sửa lời thoại bị hạn chế. Theo model card, việc chỉnh sửa video có thể thay đổi điều mà người trong clip nói, và hiện Google đang giới hạn khả năng này.

Chính Google cũng nói họ vẫn đang cải thiện các pha thể thao nhanh, thay đổi kịch bản đột ngột và vật lý phức tạp. Ý kiến của tôi: nếu một cảnh quay phụ thuộc vào việc quả bóng nảy có đúng hay không, hãy render bản nháp 360p trước.

Có nên chuyển từ Omni 1.1 sang 1.2?

Với dự án mới thì có. Tính năng như nhau, cảnh quay dài hơn, rẻ hơn khoảng một phần ba ở mọi độ phân giải. Tôi không nghĩ ra brief mới nào mà trên giấy tờ 1.1 lại thắng.

Giữ 1.1 chỉ hợp lý trong hai trường hợp. Bạn đang làm tiếp một series quay bằng nó và muốn phong cách hình ảnh nhất quán giữa các tập. Hoặc bạn đã tinh chỉnh một bộ prompt cho 1.1 và cách nó diễn giải chúng chính xác là thứ bạn muốn (bài thử kiểu tóc ở trên là một ví dụ nhỏ về việc hai mô hình đọc cùng một prompt khác nhau thế nào). Cả hai thế hệ vẫn có trong trình tạo và qua MCP, và bạn chọn cho từng clip.

Còn một mốc thời gian cần nhớ. Ghi chú phát hành của Google cho biết từ ngày 3 tháng 12 năm 2026, Gemini API sẽ chuyển các yêu cầu gửi tới gemini-omni-1.1-flash sang 1.2. Ở đây hiện cả hai vẫn chọn được; nếu phía chúng tôi có thay đổi, bài viết này sẽ được cập nhật.

Muốn tìm hiểu sâu hơn về những gì Omni API chấp nhận và từ chối, hãy xem bài đánh giá Gemini Omni Flash API của chúng tôi. Trang mô hình với nhiều clip mẫu hơn là Gemini Omni 1.2.

FAQ

Gemini Omni 1.2 có tốt hơn 1.1 không?

Xét về thông số thì có: cảnh quay 15 giây thay vì 10 và giá thấp hơn khoảng 30%, với cùng tính năng. Google cũng cho biết khớp khẩu hình rõ hơn và ít jump cut không mong muốn hơn. Trong bài thử song song của chúng tôi, cả hai đều xử lý tốt một câu thoại trong một cảnh quay liền; 1.2 tốn $0.70 so với $1.00.

Video Gemini Omni 1.2 dài tối đa bao nhiêu?

Từ 3 đến 15 giây trong một lượt tạo, chỉnh được theo từng giây. Khi dùng cả khung đầu lẫn khung cuối, giới hạn là 10 giây. Cảnh dài hơn phải dùng tính năng mở rộng, 3–10 giây mỗi bước, tổng cộng tối đa 40 giây.

Một clip Omni 1.2 dài 10 giây giá bao nhiêu?

$0.70 ở 720p, $0.20 ở 360p, $1.00 ở 1080p và $2.00 ở 4K, đã bao gồm âm thanh. Các lượt tạo thất bại được hoàn tiền tự động.

Tôi có còn dùng được Omni 1.1 không?

Có. Omni 1.1 Flash vẫn có sẵn bên cạnh 1.2 trong trình tạo và MCP server, và bạn chọn thế hệ cho từng clip. Google dự kiến chuyển các lệnh gọi Gemini API cho 1.1 sang 1.2 từ ngày 3 tháng 12 năm 2026.

Omni 1.2 có tạo được video không có tiếng không?

Không. Mọi clip Omni đều có track âm thanh. Bạn có thể mô tả âm thanh trên dòng "Audio:" hoặc yêu cầu "no music, no dialogue", nhưng nếu cần một clip thực sự im lặng thì hãy dùng Veo 3.1 hoặc Wan 3.0.