谷歌发布Gemini Omni 1.1 Flash：支持40秒场景延展与4K超分

全新定位：从生成器到可指挥的视频编辑器

Gemini Omni 1.1 Flash（模型ID：gemini-omni-1.1-flash）是谷歌对其原生多模态视频生成与编辑模型Omni的首个生产级更新。此次发布标志着Omni从‘能生成’迈向‘可精确指挥’——它不再仅依赖单帧输入，而是能理解长达10秒的视频上下文；支持通过固定首帧与末帧来约束镜头运动逻辑；提供阶梯式分辨率工作流（360p快速预览→720p/1080p/4K终版）；并允许传入视频片段作为角色外观参考，提升跨片段一致性。

场景延展能力大幅增强

场景延展（Scene Extension）是本次更新的核心改进。Omni 1.1 Flash在延续视频时，可分析最多10秒的前置内容（此前版本仅读取最后一秒），每次调用生成3–10秒连续画面，最多支持四次延展，实现累计40秒的完整延伸。系统会自动微调输入视频末尾若干帧，以确保衔接自然。但该功能有明确边界：仅支持向视频末尾追加，不支持开头插入或中间插入；上传的原始视频须≤10秒（多轮延展生成的模型视频除外）；若原始视频中含人物对话，上传视频延展时不可新增语音——仅在多轮交互（通过previous_interaction_id）中支持语音延续。

首尾帧控制与多参考机制

用户现可显式提供<FRIST_FRAME>与<LAST_FRAME>，由模型生成二者之间的连贯运动视频，为轨道环绕（orbits）、变焦推拉（dolly-zooms）及无缝循环等专业运镜提供底层支持。媒体输入通过结构化标签绑定角色：<IMAGE_REF_N>用于静态参考图，<VIDEO_REF_N>用于动态参考视频。后者最多支持3个片段，每段≤3秒，主要用于保持人物外貌一致性；视频内音频被忽略，且模型不支持跨多个参考视频进行联合推理，否则可能降低输出质量。

成本优化：草稿快、终版清、计费明

分辨率通过response_format参数指定，支持360p、720p（默认）、1080p与4k，其中1080p与4k为后处理超分。谷歌称，360p预览生成速度最高提升60%，成本仅为720p的三分之一，推荐采用‘先草稿迭代、再终版渲染’的生产范式。计费方面：输入统一按$1.50/百万token（含文本、图像、视频、音频）；输出中，文本$9.00/百万token，视频$17.50/百万token；720p视频约5,792 tokens/秒，折合约$0.10/秒。所有生成视频均嵌入SynthID隐形水印，支持程序化溯源。

当前限制与落地进展

模型暂不支持系统指令、temperature/top_p调节、stop序列或独立负向提示（需写入prompt正文）；不支持语音编辑与音频参考；YouTube链接不可直接作为输入源；英语全面支持，其他语言未经评估。输出文件＞4MB时，需设置delivery="uri"并通过Files API轮询获取。目前，Adobe（Firefly）、Figma Weave、GMI Cloud与Runway已将Omni Flash部署于生产环境；该模型亦同步上线Google Flow（面向AI Plus/Pro/Ultra订阅用户），并在Gemini App中开放场景延展功能。

编者观点

对于中国AIGC工具厂商而言，Omni 1.1 Flash凸显了‘生产就绪型视频模型’的关键特征：状态化编辑、分阶段分辨率策略、结构化参考机制与透明计费模型——这提示国内产品需加速从‘Demo级生成’转向‘工程化协作流’，尤其在多轮编辑保真、成本可控性与企业API集成深度上补强。