Gemini Omni 1.2 对比 1.1：用真实视频实测有哪些变化
Gemini Omni 1.2 与 1.1 正面对比：同一条提示词分别生成，15 秒单镜头实测，按分辨率计算的每秒真实价格， 以及 1.2 依然没有放开的各项限制，全部基于我们实际生成的视频。
Gemini Omni 1.2 Flash 是 Google 第三代 Omni 视频模型：它可以从文本、图片或视频生成带同步声音的视频片段，而它相对 Omni 1.1 最主要的变化一句话就能说清——单镜头更长，价格更低。Google 于 2026 年 11 月 5 日发布了它，四天后我们就把它接入了 BananaBanana 的生产环境，从那以后一直和 1.1 并排运行。
简短回答： Omni 1.2 单次可以生成 3 到 15 秒（1.1 最多 10 秒），每秒价格在所有分辨率下都便宜了大约 30%：720p 从每秒 $0.10 降到 $0.07。声音依然始终开启，延长依然最多到 40 秒，在首帧和尾帧之间做动画的片段依然最长 10 秒。新项目基本没有理由继续留在 1.1。
下面是具体数字、同一条提示词在两个模型上的生成结果，以及哪些情况下 1.1 仍然值得用。
Gemini Omni 1.1 和 1.2 之间到底改了什么？
变的数字有两个，外加几条关于画质的说法。根据 Google 的发布公告，片段时长提高到最长 15 秒，“从 3 秒到 15 秒，以 1 秒为步长”；720p 降到每秒 $0.07；口型同步更清晰，多说话人的条件控制区分得更明确，而且“不必要的跳切明显减少”。模型卡还补充说明，输出内容仍然带有不可见的 SynthID 水印。
以下是两代模型目前在我们平台上的对比：
| Omni 1.1 Flash | Omni 1.2 Flash | |
|---|---|---|
| 单镜头时长 | 3–10 秒 | 3–15 秒 |
| 首帧 + 尾帧 | 最长 10 秒 | 最长 10 秒 |
| 场景延长 | 每次 +3–10 秒，总计 40 秒 | 每次 +3–10 秒，总计 40 秒 |
| 视频到视频编辑的源视频 | 前 10 秒 | 最长 15 秒 |
| 360p / 720p 每秒 | $0.03 / $0.10 | $0.02 / $0.07 |
| 1080p / 4K 每秒 | $0.15 / $0.30 | $0.10 / $0.20 |
| 声音 | 始终开启 | 始终开启 |
补充一个来自我们自己计费日志的细节：1.2 每秒消耗的输出 token 数和 1.1 完全一样（720p 每秒 5,792 个，4K 每秒 17,376 个）。模型并没有少干活，只是 Google 把 token 单价从每百万 $17.50 降到了 $12，每秒省下的钱就是这么来的。
Gemini Omni 1.2 Flash，720p，10 秒，带声音。提示词大意：一位自行车修理师拧紧一颗螺栓，抬起头说 "Most squeaks come from one loose bolt. Check this one first, then ride." 费用：$0.70。
同一条提示词跑两个模型：1.2 表现如何？
我用完全相同的设置把同一条提示词分别交给两代模型：16:9，720p，正好 10 秒。画面是一位系着牛仔围裙、留着灰色短发的女性，场景是自行车修理铺，一句台词，加上 "single continuous shot, no scene cuts"，再加一行 "Audio:"，要求有她的说话声、扳手的咔哒声和室内环境音，不要音乐。
同一条提示词在 Gemini Omni 1.1 Flash 上的结果，720p，10 秒。费用：$1.00。
逐帧看下来，我注意到这些：
- 两者都保持了单镜头。 用 ffmpeg 做场景检测，两个文件里都没有检测到任何剪切。在 1.1 上这条指令非常关键；不写的话，Omni 往往会自作主张地把一个片段剪成好几个机位。
- 两者都说出了台词。 两位女性都对着镜头说出了脚本里的那句话，声音是在同一次生成中一起出来的。1.2 的音轨明显更响（平均电平高约 4 dB），如果你不做混音就直接发布，这一点挺方便。
- 1.1 对造型描述执行得更字面。 它按提示词给了她剪短的灰发；1.2 则换成了齐下巴的波波头。小事一桩，但它提醒我们：“平均更好”不等于每一条都更好。
- 1.2 把扳手当成了道具。 她一边说话一边把扳手举向镜头，看起来比 1.1 的版本更像真实的创作者视频。
这算基准测试吗？不算。这只是一组片段，而且 Omni 每次生成的结果都不一样（没有可以锁定构图的 seed）。但它至少说明，1.1 擅长的东西 1.2 一样没丢，而同样 10 秒还便宜了 $0.30。
15 秒单镜头真的有用吗？
比“多了五秒”听起来更有用。10 秒足够放一个开场钩子，但要完整拍完一个动作就有点短了：从头到尾倒一杯饮品、拆开一件产品、对着镜头做一段简短测评。在 1.1 上，你只能先生成 10 秒，再去延长。
Gemini Omni 1.2 Flash，720p，15 秒单镜头。提示词大意：一位陶艺师在拉坯机上拉出一只碗，用木刮片抹平，用钢丝把它从转盘上切下，再把它端到木板上；音频是转盘的嗡嗡声和湿泥的声音，不要音乐。费用：$1.05。
说实话，我本以为这条会在半路崩掉。Omni 有个老毛病：会丢掉提示词里靠后的动作（"then she cuts it free…"），交回一个好看但几乎不动的画面。这次没有：双手拉起碗壁，刮片跟上，大约在第 11 秒钢丝从碗底穿过，到第 14 秒碗已经被端离转盘。四个步骤，一个镜头，没有剪切。一个片段说明不了太多问题，但这恰恰是早期 Omni 版本在我们手里一再压扁成静态画面的那种多步骤提示词。
再算算钱。用 1.1 拿到 15 秒，需要一个 10 秒片段（$1.00）再加 5 秒延长，而延长是按延长后的完整时长计费的，所以第二步要 15 × $0.10 = $1.50。合计 $2.50。同样的 15 秒在 1.2 上一个镜头搞定：$1.05。不到一半的价钱，还省掉了一个步骤——延长时画面风格本来就有可能偏离原片。
Gemini Omni 1.2 每条视频要多少钱？
按分辨率逐秒计费，声音包含在内：
| 分辨率 | 每秒 | 3 秒 | 10 秒 | 15 秒 |
|---|---|---|---|---|
| 360p（草稿） | $0.02 | $0.06 | $0.20 | $0.30 |
| 720p | $0.07 | $0.21 | $0.70 | $1.05 |
| 1080p | $0.10 | $0.30 | $1.00 | $1.50 |
| 4K | $0.20 | $0.60 | $2.00 | $3.00 |
Google 公布的 1.2 价格，四档分辨率分别约为每秒 $0.0232、$0.0695、$0.1043 和 $0.2085。我们按美分取整，4K 向下取整为 $0.20。
充值奖励还能让实际单价再低一些。加密货币充值 $50 及以上，余额额外增加 5%；$100 及以上增加 10%；如果账户上有生效的优惠码，每笔充值再额外加 10%。也就是说，带优惠码用加密货币充 $100，余额就是 $120，相当于 720p 每秒约 $0.058，一条完整的 15 秒 720p 片段约 $0.88。银行卡、PayPal 和 SEPA 付款到账时不享受充值奖励。
我的做法是：先用 360p 出草稿（完整 15 秒只要 $0.30），在草稿上把节奏和镜头调好，再把满意的版本用 720p 重新生成。注意草稿和成片是两次独立的生成，所以成片并不是把草稿逐帧放大。所有模型的完整价格表见价格页面。
没有变的：Omni 1.2 的限制
15 秒的上限并不是所有场景都适用，大家最先踩的坑就在这里。
- 首帧 + 尾帧：依然是 10 秒。 我们测试在两张关键帧之间生成 12 秒片段时，Google 的 API 直接拒绝，报错 "Interpolation duration 12 seconds exceeds maximum duration 10 seconds"。现在工作室和 MCP 服务器会在扣费前就把这种情况限制在 10 秒，所以你自己不会碰到这个错误。
- 延长每次追加 3–10 秒，总计最多 40 秒。 从 15 秒起步，只是能用更少的步骤到达上限。不能在开头或中间插入内容。
- 声音无法关闭。 每个 Omni 片段都有音轨。如果需要静音，Veo 3.1 可以生成无声视频，Wan 3.0 可以免费关闭声音。
- 没有 seed，没有负面提示词字段，每次请求只出一个结果。 想排除的东西就写进提示词（"no music"、"no dialogue"）；大多数时候管用，但不是每次都管用。
- 台词编辑受限。 根据模型卡，编辑视频可能会改变人物所说的内容，Google 目前对这项能力加了限制。
Google 自己也承认，快速的体育动作、脚本的快速切换和复杂物理效果还在继续改进。我的建议：如果一个镜头成败取决于球弹得对不对，先出一版 360p 草稿。
该不该从 Omni 1.1 换到 1.2？
新项目的话，换。功能一样，单镜头更长，每个分辨率都便宜约三分之一。我想不出哪个全新的需求在纸面上是 1.1 更占优的。
保留 1.1 只在两种情况下说得通。一是你在继续一个用 1.1 拍的系列，希望各集之间的画面风格保持一致。二是你在 1.1 上调好了一整套提示词，而它对这些提示词的理解正是你想要的（上面的发型测试就是两个模型对同一提示词理解不同的一个小例子）。两代模型在生成器里和通过 MCP 都可以继续使用，每个片段单独选择。
还有一个日期要记住。Google 的发布说明称，从 2026 年 12 月 3 日起，Gemini API 会把发往 gemini-omni-1.1-flash 的请求路由到 1.2。在我们这里，两者目前都可以选；如果我们这边有变化，会更新这篇文章。
想更深入了解 Omni API 接受什么、拒绝什么，可以看我们的 Gemini Omni Flash API 测评。更多示例片段见模型页面 Gemini Omni 1.2。
FAQ
Gemini Omni 1.2 比 1.1 更好吗？
从规格上看，是的：单镜头从 10 秒提高到 15 秒，价格低约 30%，功能不变。Google 还表示口型同步更清晰、不必要的跳切更少。在我们的对比测试中，两者都在一个镜头里完成了一句台词；1.2 花了 $0.70，1.1 花了 $1.00。
Gemini Omni 1.2 的视频最长可以多长？
单次生成 3 到 15 秒，可精确到秒。同时使用首帧和尾帧时，上限为 10 秒。更长的场景要靠延长，每次 3–10 秒，总计最多 40 秒。
用 Omni 1.2 生成一条 10 秒视频要多少钱？
720p $0.70，360p $0.20，1080p $1.00，4K $2.00，均含声音。生成失败会自动退款。
现在还能用 Omni 1.1 吗？
可以。Omni 1.1 Flash 在生成器和 MCP 服务器中与 1.2 并列提供，每个片段都可以选择用哪一代。Google 计划从 2026 年 12 月 3 日起把 Gemini API 中对 1.1 的调用路由到 1.2。
Omni 1.2 能生成没有声音的视频吗？
不能。每个 Omni 片段都有音轨。你可以在 "Audio:" 一行里描述声音，或者要求 "no music, no dialogue"，但如果需要真正无声的片段，请用 Veo 3.1 或 Wan 3.0。