Gemini Omni Flash API 评测：预览版真实功能与表现
Gemini Omni Flash API 深度评测：解析 gemini-omni-flash-preview 实际支持的功能、与 Flow 的区别以及每段视频的真实生成成本。
Gemini Omni Flash 是 Google 推出的首款支持输出视频的“任意到任意”（any-to-any）多模态模型：你可以输入文本、图片或上一步的生成结果，它就会返回一段带声音的 720p 短片，并且你还可以用通俗易懂的语言描述修改要求，继续对其进行编辑。Google 于 2026 年 6 月 30 日与 Nano Banana 2 Lite 一同发布了该模型的公开预览版，其 API 模型 ID 为 gemini-omni-flash-preview。
如果你只想快点知道结论，这里是简短的回答：Gemini Omni Flash API 支持文本生成视频（text-to-video）、图片生成视频（image-to-video）、支持最多 3 张主体图片的参考图生成视频（reference-to-video）以及对话式视频编辑。但它不支持 1080p、视频时长控制、随机种子（seed）、负向提示词（negative prompt）参数、视频延展（video extension）或关闭音频。如果你在 Google Flow 中看过 Omni Flash 的演示，并期望 API 也能提供同样整套的工具，你可能会感到失望。我们在发布当周就将其集成到了我们的生成器中，因此这篇评测是基于该 API 接口返回 of 真实结果，而不是营销页面上的宣传。
Gemini Omni Flash API 的真实能力
该 API 通过 Interactions API（interactions.create）提供 Omni Flash 能力，而不是通过 Veo 使用的 generateVideos 接口。这个细节非常重要，因为交互（interactions）是有状态的。每次返回的响应都包含一个稍后可供引用的 id。
根据 Google 的 Omni 官方文档，目前有四种任务可用：
- 文本生成视频（Text-to-video）。 输入一段提示词，输出一段包含背景音乐与音效的 720p 视频。
- 图片生成视频（Image-to-video）。 你的图片将成为视频的第一帧，并通过提示词来描述画面中的动态。
- 参考图生成视频（Reference-to-video）。 支持最多三张主体图片，从而在全新的场景中保持角色或产品的一致性。
- 对话式编辑（Conversational editing）。 传递
previous_interaction_id以及一条简短的修改指令，模型即可在保持其余部分不变的情况下修改视频。
上面的视频片段是通过我们自己的管道直接由 gemini-omni-flash-preview 生成的，所以你看到的是一个真实样本，而不是官方宣传素材。输入的文本提示词为：一只纸帆船在洒出的墨水中漂流，并附带了 "single continuous scene"（单镜头连续场景）以防止模型进行画面转场切镜头，此外还有一行 "Audio:"（音频）提示词要求加入纸张沙沙声和水波纹声。模型自动选择了 10 秒的时长。请打开声音，音频也是同步生成的。
每个生成的视频长度在 3 到 10 秒之间，帧率为 24 fps。这里有第一个出乎意料的地方：你无法指定时长。因为根本没有时长参数。模型会根据提示词自己决定视频应该有多长。如果你输入“黎明时分薄雾弥漫的港口的缓慢平移镜头”，你可能会得到 9 秒的视频，但也可能会得到 4 秒的视频。这对于故事板设计（storyboarding）来说没问题；但对于任何需要卡点音乐的剪辑来说，这就真的很让人头疼了。
音频是第二个让人感到惊喜的地方。每次生成的视频都会自带声音：环境噪音、音效，如果你有要求的话甚至还能生成人声。不过，你无法将其关闭。你唯一能控制音频的方式就是通过文本，所以我们最终在提示词后面追加了一行 "Audio: ..."，实际效果相当不错。
Flow 拥有哪些 API 所不具备的功能？
Google Flow 是一个封装了多个模型的多功能生产工具，而这种封装正是原生 API 所缺少的。Flow 提供了用于多镜头序列的场景构建器（Scene Builder）和预设的镜头控制（镜头类型、角度、运动）。很多人对分辨率有一个误解：其实 Flow 默认渲染也是 720p。1080p 和 4K 版本是在下载步骤中作为 Veo 渲染之上的一个导出选项出现的，而不是一种不同的生成模式。这些工具在 gemini-omni-flash-preview 中都是不存在的。
| 功能・特性 | Flow / Gemini アプリ | Gemini Omni Flash API |
|---|---|---|
| 分辨率 | 720p 渲染；下载时提供 1080p / 4K | 仅支持 720p，24 fps |
| 视频长度 | 场景构建器（Scene Builder）串联镜头 | 3–10 秒，由模型决定 |
| 镜头控制 | 预设镜头类型、角度及运动 | 仅支持文本提示词 |
| 视频延展 | 支持（通过 Veo） | 不支持 |
| 音频 | 开启，提供 UI 控制控件 | 始终开启，仅能通过提示词控制 |
| 种子 / 负向提示词 | 无论如何都对用户隐藏 | 不支持 |
| 每次请求生成的视频数 | 每次一段 | 每次交互一段，不支持 sampleCount |
官方文档对其中的一些限制表现得很坦率。Google 的文档指出，视频延展（extension）和插帧（interpolation）“不受支持”，系统指令（system instructions）、温度参数（temperature）以及负向提示词参数也是如此（他们建议将负向提示词直接写进常规提示词中，但根据我的经验，这大体只有一半的成功率）。API 架构（schema）中列出了视频参考（video references），并有 3 秒的上限限制，但文档承认模型目前还无法正确处理它们。
因此，当前的预览版 API 只是该模型在 Google 自身平台上所能发挥的能力的一个缩影。对于预览版来说，这很正常。但当客户要求导出 1080p 时，受限于 720p 的上限，还是会让人有些沮丧。
对话式编辑：真正实用的王牌功能
编辑才是 Omni Flash 展现真正实力的地方。生成一段视频后，观看效果，然后发送一条后续指令，如“把夹克变成红色，并放慢相机镜头”，同时附带上第一个结果的 previous_interaction_id。模型便会在保留大部分原始画面的基础上，应用你的修改并重新构建视频。无需重新上传，无需遮罩，也无需时间线。
Google 的 Gemini Enterprise 文档提到，在会话保持上下文的同时，你可以叠加最多三次连续的编辑。而在实际操作中，每次编辑都是一次全新的 720p 渲染，因此每次修改后的一致性都会发生轻微的偏差。人脸比标牌上的文本保留得更好。有时当你仅仅要求调整颜色时，复杂的动态却意外地发生了改变。
我们在生产中遇到了一个限制：父级交互（parent interactions）会在 Google 的端失效。如果你尝试编辑很久之前生成的视频，API 可能会针对所引用的交互返回 404 错误。在 BananaBanana 上，我们将其显示为已过期的视频并退还扣除的额度，但如果你是基于原始 API 进行开发，请务必做好这一规划。
Gemini Omni Flash 的价格是多少？
Google 的 发布公告 将 Omni Flash 的价格定为每秒输出视频 $0.10。由于视频时长是由模型自己决定的，因此你的账单在某种程度上取决于模型当时的选择：生成 3 秒的结果花费 $0.30，而 10 秒的结果则需要 $1.00。同样的提示词，同样的设置，账单金额却不尽相同。
在 BananaBanana 上，我们简化了这一计费。无论模型选择何种长度，单次 Omni Flash 的生成费用统一为 $1.00，并且由于每次编辑都是一次完整的重新渲染，所以编辑也同样收费 $1.00。同日发布的 Nano Banana 2 Lite 在我们这里的收费为每张图片 $0.03（Google 的 API 官方费率为 1K 图片每张 $0.034）。完整的价格列表请见 价格方案区域。
每段视频 1 美元划算吗？如果是一个需要同时生成视频和配音、而原本需要分别进行视频和音频两步生成的带声音草稿，答案很可能是划算的。但如果是无声的背景素材（b-roll），那就不划算了。Veo 3.1 Fast 可以用更低的成本生成具有精确时长的无声视频。
你应该使用 Omni Flash 还是 Veo 3.1？
简短版本：它们分工明确，但并不是像你预期的那样简单划分为“草稿”与“终稿”。
在选择之前需要了解一件事：它们之间的质量差距其实并不在于分辨率。Veo 3.1 在渲染动态和物理规律方面更为逼真。水的流动更自然，织物的褶皱恰到好处，物体之间会发生真实的碰撞，而不是像幽灵般互相穿透。Omni Flash 虽然也经常能处理好这些，但不够稳定，在某些视频片段中你甚至不需要仔细寻找就能看出端倪。
当你需要真实的 4K 导出、精确的视频长度（你可以设置为 4 到 8 秒的整数秒，不支持小数秒）、无声输出、后续视频延展，或者需要同时控制第一帧和最后一帧时，请选择 Veo 3.1。最后这一点常常被低估：通过将同一张图片作为起始帧和结束帧输入，你可以获得一段无缝循环的视频，这也是制作循环背景视频的核心技巧。它是任何宽屏或需要复杂物理交互内容的首选专业级生产工具。
而当目标播放介质是手机屏幕时，请选择 Omni Flash。对于 TikTok、Shorts 或 Reels 等平台，说实话 720p 在经过平台自身的压缩后，已经足够清晰了。此外，仅需 $1 的生成成本就自带了配音，而且在寻找灵感的过程中，对话式编辑也比每次都重新从头写提示词要高效得多。在这一领域，它不仅仅是个草稿工具，更是更好的选择。
在体验了两天后，我个人的工作流是：对于宽屏的客户项目，我仍会先在 Omni Flash 中以每次 1 美元的成本进行概念设计，然后用 Veo 以最终质量重新制作选中的版本。而对于直接发布到社交媒体的竖屏短视频，Omni 生成的版本通常可以直接使用。
这两款模型均已在 BananaBanana 生成器 中上线，因此你无需编写任何代码或配置 Google Cloud 项目，即可直接在相同的提示词下对它们进行比较。如果你想查看这篇评测的精简版本——将功能、局限性以及统一定价整理在一页中——它就在 Gemini Omni 专属页面 上。
常见问题
什么是 gemini-omni-flash-preview？
它是 Gemini Omni Flash 的 API 模型 ID。Gemini Omni Flash 是 Google 于 2026 年 6 月 30 日发布的公开预览版对话式视频生成模型。它能够通过 Interactions API 生成并编辑带有音频的 720p 视频，长度为 3 至 10 秒不等。
Gemini Omni Flash 可以生成 1080p 或 4K 视频吗？
不能。该 API 仅支持输出 24 fps 的 720p 视频。Google Flow 默认也同样是渲染 720p 视频，其 1080p 和 4K 版本是在 Veo 渲染的下载步骤中提供的。如果你需要真正的高分辨率导出，请使用 Veo 3.1。
我可以在 Omni Flash API 中设置视频长度吗？
不能。目前没有视频时长参数，模型会根据你的提示词在 3 至 10 秒之间自主选择。在提示词中提及节奏（pacing）会有所帮助，但没有什么能保证获得精确的时长。
Omni Flash 会始终生成音频吗？
是的，每个生成的视频都包含自动生成的原声带，并且没有禁用该功能的标识（flag）。你可以在提示词中直接描述你想要的音频效果（或者要求“安静的室内环境音”）。
Omni Flash 可以延展或插帧已有的视频吗？
不能。根据 Google 官方文档，预览版 API 并不支持视频延展（extension）和插帧（interpolation）。对上一次生成的视频进行对话式编辑是目前迭代视频片段的唯一方法。