跳到正文
Grok image
简体中文
English简体中文繁體中文DeutschEspañolPortuguês

Gemini Omni 1.1 Flash

Gemini Omni 1.1 Flash 是 Google 在 2026 年 8 月 27 日发布的生成式视频模型,通过 Google AI Studio 与 Gemini Enterprise Agent Platform 提供。本页把发布方自己的公告与模型卡,和本站服务对同一模型返回的设置并列在一起,并逐条点出两者不一致的地方。

更新于:

Google Gemini Omni 1.1 Flash

先选模式,再写描述,生成前先看服务端报出的成本。

Google Gemini Omni 1.1 Flash
AI 视频0
5s
2s15s

生成结果

生成内容将显示在这里

素材出处

这个模型的官方素材

五条能取回并核实的发布方素材,每条都保留发布方自己的框法,不用为画廊另编提示词。

发布方发布了九个文件,其中八个都以同一张品牌收尾卡结束,这也是抽帧必须靠量测而不能只靠眼睛的原因。九份里有两份完全没有出现在这里,原因写在记录里,而不是悄悄略过。

一条带有蓝色与橙色斑纹的泗水玫瑰鱼悬停在分枝状珊瑚上方,海水清亮湛蓝 看说明 ↗

01 / 官方能力演示截帧

来自 4K 放大演示

Google,The Keyword ↗

该条目随附的提示词

发布方在公告里写了提示词,但没有对应到具体文件

在工作台打开这条提示词 ↗

发布方在公告正文里写了提示词,但没有把它们对应到具体文件,因此这里不为任何一条素材归属提示词。画面里出现的文字都是发布方叠加的,不是模型渲染出来的。

一朵淡蓝色小花从湿润的苔藓间探出,周围是蕨类叶片,浅景深近摄 看说明 ↗

02 / 官方能力演示截帧

同一段 4K 演示中的第二张静帧

Google,The Keyword ↗

该条目随附的提示词

发布方在公告里写了提示词,但没有对应到具体文件

在工作台打开这条提示词 ↗

发布方在公告正文里写了提示词,但没有把它们对应到具体文件,因此这里不为任何一条素材归属提示词。画面里出现的文字都是发布方叠加的,不是模型渲染出来的。

三个卡通角色在明亮的房间里起舞:戴棒球帽的白狗、戴眼镜的章鱼和绿色的熊 看说明 ↗

03 / 官方能力演示截帧

视频参考演示生成出的画面

Google,The Keyword ↗

该条目随附的提示词

发布方在公告里写了提示词,但没有对应到具体文件

在工作台打开这条提示词 ↗

发布方在公告正文里写了提示词,但没有把它们对应到具体文件,因此这里不为任何一条素材归属提示词。画面里出现的文字都是发布方叠加的,不是模型渲染出来的。

同一名女子在明亮窗墙前的两幅小面板,嵌在两组更大的同场景静帧之间 看说明 ↗

04 / 官方能力演示截帧

发布方自己排布的首尾帧对照

Google,The Keyword ↗

该条目随附的提示词

发布方在公告里写了提示词,但没有对应到具体文件

在工作台打开这条提示词 ↗

发布方在公告正文里写了提示词,但没有把它们对应到具体文件,因此这里不为任何一条素材归属提示词。画面里出现的文字都是发布方叠加的,不是模型渲染出来的。

一名穿深色长外套的女子走过石柱廊,画面中央叠着一行醒目的白色字幕 看说明 ↗

05 / 官方能力演示截帧

场景延展,画面里带着发布方自己的字幕

Google,The Keyword ↗

该条目随附的提示词

发布方在公告里写了提示词,但没有对应到具体文件

在工作台打开这条提示词 ↗

发布方在公告正文里写了提示词,但没有把它们对应到具体文件,因此这里不为任何一条素材归属提示词。画面里出现的文字都是发布方叠加的,不是模型渲染出来的。

用发布方自己的话说,Gemini Omni 1.1 Flash 是什么

Google 的公告称其为「a production-ready update for developers that offers improved control over generative video」,并列出这次更新带来的能力:延长场景、指定首尾帧、生成高分辨率 4K 输出。DeepMind 的模型卡在正文里明确写道,它「describes Gemini Omni Flash and Gemini Omni 1.1 Flash」,把这一系列描述为「our next step towards models that can create and edit anything from any input—starting with video」,输入是「text strings (e.g., a question, a prompt), images, audio, and video files」,输出是「high-quality, high-resolution video with audio」。

模型卡用发布方自己的话列出三项已知局限:「maintaining complete consistency throughout edits, generating scenes with complex motion, or rendering perfectly accurate text remains a challenge」。它把 SynthID 这一 Google 的数字水印工具列为训练后缓解措施,并说明该模型在编辑视频时可以改变人的语音,但目前「we are restricting this capability」。

模型卡在 2026 年 5 月初次发布、2026 年 8 月最后更新,这也是系列名与 1.1 版本共用同一份文档的原因。本页没有任何一句是 Google 的声明,Google 也没有审阅过本页。

引文一律保留发布方的英文原文。把规格翻译一遍,正是数字开始走样的常见路径。

服务为这个产品声明五种模式,工作台能表达四种

这是本页最要紧的一点,也和本系列其他视频页都不同。本站所售服务为 Gemini Omni 1.1 Flash 声明五种任务类型:文生视频、图生视频、参考生视频、视频编辑、视频延长。而工作台自己的模式词表只覆盖四种任务类型,服务声明的五种里有两种在词表中完全没有对应。

这里说的是工作台自身代码能表达什么,依据是它的模式列表,以及在源码中检索这两个名称的结果。这不是说该模型不能做编辑:发布方把对话式编辑写为核心能力,服务也为它上架了两种模式。

服务声明的模式需要提供什么在本站工作台是否可达
文生视频一段文字描述的场景可达
图生视频提示词加一到两张静态图可达
参考生视频最多十张图片与最多三段参考视频可达
视频编辑提示词与且仅与一段视频界面里不存在同名模式
视频延长提示词与且仅与一段视频界面里不存在同名模式

工作台实际会渲染哪些控件,以及为什么本地表一条都用不上

工作台按服务为每种模式发布的表单结构来构建控件,只有当服务完全没有发布某个字段时,才会退回本站源码里自带的模型表。对这个产品,服务在三种可达模式里都发布了分辨率、宽高比与时长字段,因此本地表里的每一个值,对界面而言都是死代码。

中间一列是访客看到的。右列之所以保留,只是为了让差异留在记录里;服务发布了的字段,优先于本地默认值。

设置项服务发布的值本站本地表里的值(不会进入表单)
分辨率360p、720p、1080p、4k,默认 720p720p、1080p,默认 720p
宽高比auto、16:9、9:16,默认 auto16:9、9:16、1:1、4:3、3:4,默认 16:9
时长3 到 10 之间的数值,默认 52 到 15,步长 1,默认 5
图生视频参考图数1 到 21

这里的时长是一个数字,不是一份菜单

在这个模型上,服务把时长发布为界于 3 到 10 之间、默认 5 的数值字段,而不是一串可选项。工作台据渲染出数字输入框,所以并不存在一份可供对照的时长菜单,本地表里 2 到 15 的范围与能提交的内容毫无关系。

和发布方对读,这组边界是自洽的:公告说延长以 10 秒为步长推进,这暗示单次生成大约就是这个长度,而服务 10 秒的上限正好落在这条线上。两个可达来源都没有给出单次生成的时长参数,所以本页不声称引用了它。

发布方明确写出来的,是生成之后会发生什么。场景延展让模型「analyze up to 10 seconds of prior context — a leap from previous models that only referenced the final second」,并按「10-second increments up to a total cumulative length of 40 seconds」延长。

场景延展做到四十秒,而工作台没有任何延长控件

延长是这份公告的中心,而且写得很具体:回看十秒的上文、以十秒为一步、累计四十秒。服务为这个产品上架了视频延长模式,表单里是且仅是一段参考视频,这正是一次延长调用的形状。但工作台没有能表达视频延长的模式,访客无法从这些表单走到它。

模型卡里还有一条在看发布会报道时容易漏掉的上限:改变人的语音被描述为目前受限的能力。这是关于该模型被允许做什么的说明,不是关于本站卖什么,之所以如实转述,是因为建立在语音之上的编辑正是制作团队会提前排进计划的事。

还有一处价格细节属于这一节而不属于下一节。服务把视频延长发布为每次 0 点,并在自己的数据里标注为兜底。照字面读就是免费,这不太可能是本意。本页不对它引用任何「零」的报价,这个问题留给运营方确认。

分辨率:四档,两边都按秒计价

Google 为四档输出发布了每秒价格,并提供 360p 草稿模式,称其「up to 60% faster and at a third of the cost compared to Omni 1.1's standard 720p resolution」。这些数字是作为一张表格图片随公告发布的,不是可选中的文本,所以是从图片上读出来的,该图片与本页一并归档。本站所售服务发布的是同样四档。

两条阶梯形状并不相同。以最便宜一档为 1,发布方的比值是 1、3.33、5、10,服务的是 1、2.6、4、7.8。这只是对两边各自发布的四个数字做的算术,仅此而已。它说明不了「一点」值多少钱;本站按点数计费,由服务端在任务开始前报价,并不公布每秒单价。

服务还发布了每次 2 点的其他输出 Token 附加费,预估 1,000,并把计费方式描述为「参数+时长」。这对某一条片子到底意味着多少,属于报价要回答的问题,不属于这张表。

发布方那一列是 Google 自己的 API 美元价,不是本站的价格,引用时已标明出处。

档位发布方每秒价格本站服务每秒点数
360p$0.035
720p$0.1013
1080p$0.1520
4k$0.3039

首尾帧,以及那个不会出现的选择器

公告把首尾帧控制作为主打能力介绍:给出开头与结尾两张图,「Omni 1.1 generates continuous video between two keyframes, making it ideal for complex camera orbits, zoom transitions, or seamless looping clips」。发布方为它发布的演示,也就是本页展示了其中一帧的那段,是全部发布素材里对这一能力最清楚的例证。

服务没有为这个产品声明首尾帧模式,本地模型表也把它关掉了。于是,一个能表达首尾帧任务的工作台,对这个模型无话可说。这与本系列的上一页正好互为镜像:那一页是服务声明了某个模式、却被另一个选择器过滤掉;这里是模式存在于界面里,而模型永远走不到它。

参考视频是本页必须小心处理的唯一一种输入。公告说「reference up to three seconds of video」,服务发布的字段接受最多三段参考视频。三秒与三段不是同一个度量,两边也都不构成对对方的否定,所以这里各自照原文报告,不去调和。

声音默认就有,而这一次是服务自己写明的

模型卡把输出描述为带音频的视频,没有任何限定条件,所以音频在这个模型上不是可选项。本站所售服务比它本可以做到的更进一步,直接在自己的数据里为这个产品写明了立场:音频受支持、会被生成、默认开启,且没有开关。最后那个字段决定了访客能做什么。

这一点值得与本系列上一页对照:上一页里,音频字段的缺失只能从「没有任何这样的字段被发布」推断出来,而这里服务直接声明了缺失。两种情况下访客看到的结果一样,但只有一种需要靠推断。

发布方也把语音素材记为一种输入类型,模型卡还把音频列入训练模态。这两点都不会在工作台里变出人声选择器,因为这个产品没有发布任何这样的字段。

画廊展示了什么,又没展示什么

与本系列上一页不同,这个模型的官方素材是能下载的:九个文件直接从 Google 自己的存储取回,都是真实内容,包含七段能力演示与一段合作方短片。从中抽取了二十四帧,每一帧都看过。

这二十四帧里有七帧是同一张近乎全白的收尾卡,带着模型标记,八段片子都以它结束。值得发布的只有五帧:4K 演示里两张干净生成图、视频参考演示里一张、首尾帧演示里的一组面板对,以及一张带有发布方烧录字幕的帧,本页在说明里写清了那行字是发布方叠上去的。

有一份素材被撤下的理由值得点名。文件名里就写着水印的那段,是合作方演示,画面里烧着某平台的商标,片尾黑卡上又出现一次。把带着第三方商标的画面放进本站画廊,会被读成本站出品的东西带水印,所以不展示,并把原因记录在案。

第二份被撤下,是因为它没完成自己的任务。用来演示 360p 草稿模式的片段本身是 1920×1080,而且是全套素材里码率最高的一份,因此交付的文件根本展示不了它存在要展示的分辨率差异。本页关于 360p 的说法,改从公告原文引用。

被剔除的素材及其量测结果都写进本页的构建记录,而不是留在一句「画廊很短」里。

效果案例

发布方的 4K 放大演示:22.8 秒,1920×1080,每秒 25 帧,带音轨。这里把源码率 4.13 Mbps 重新编码到 0.9 Mbps 以便页面加载,分辨率与帧率未做改动。

Google,The Keyword,Gemini Omni 1.1 Flash 公告,2026-09-19 取自 storage.googleapis.com/gweb-uniblog-publish-prod/original_videos/sm_KW_omni-flash__capability-video__upscale-4k__16x9.mp4_2.mp4。 · 第三方素材。权利归发布方所有;此处标注出处展示,不主张任何所有权。

首尾帧演示:27.8 秒,1920×1080,每秒 25 帧,带音轨,这里重新编码到 0.9 Mbps。片段里带着发布方自己的字幕,并以一张品牌卡收尾,这两点在按原样发布的文件里都能看到。

Google,The Keyword,Gemini Omni 1.1 Flash 公告,2026-09-19 取自 storage.googleapis.com/gweb-uniblog-publish-prod/original_videos/sm_KW_omni-flash__capability-video__first-last-frame__16x9_1.mp4。 · 第三方素材。权利归发布方所有;此处标注出处展示,不主张任何所有权。

一条带有蓝色与橙色斑纹的泗水玫瑰鱼悬停在分枝状珊瑚上方,海水清亮

第 1.0 秒的截帧。放一张高频细节的题材,正是分辨率演示该做的事:细密斑纹与珊瑚分枝,最能看出放大是稳住了还是糊掉了。发布方那枚小小的 4K 角标在画面左上角。

本站用 AVFoundation 从发布方公开的能力演示片段中截取,2026-09-19。 · 第三方素材。权利归发布方所有;此处标注出处展示,不主张任何所有权。

一朵淡蓝色小花从湿润的苔藓间探出,周围是蕨类叶片,近摄浅景深

同一段片子的第 11.0 秒。刻意换一个题材:前者考的是硬边细节,这一张考的是柔和质地,只在其中一种上成立的分辨率说法,算不上什么说法。

本站用 AVFoundation 从发布方公开的能力演示片段中截取,2026-09-19。 · 第三方素材。权利归发布方所有;此处标注出处展示,不主张任何所有权。

三个卡通角色在明亮房间里起舞:戴棒球帽的白狗、戴眼镜的章鱼和绿色小熊

视频参考演示第 7.0 秒的截帧。它是全套素材里对这一能力主张最清楚的一帧,因为三个角色同时在场,而每一个都是各自独立的一份参考。

本站用 AVFoundation 从发布方公开的能力演示片段中截取,2026-09-19。 · 第三方素材。权利归发布方所有;此处标注出处展示,不主张任何所有权。

同一名女子在明亮窗墙前的两幅面板,两侧是更大的同场景静帧,亮度略有差别

发布方自己呈现首尾帧结果的方式:把两张关键帧做成小面板,与它们生成出的画面放在一起。此处按发布原样展示。这种排布是发布方做的,所以不能把画面读成一次未经编辑的完整生成。

本站用 AVFoundation 从发布方公开的能力演示片段中截取,2026-09-19。 · 第三方素材。权利归发布方所有;此处标注出处展示,不主张任何所有权。

一名穿深色长外套的女子走过石柱廊,画面中央叠着一行醒目的白色字幕

场景延展演示第 1.0 秒的截帧。画面里的文字是发布方叠加的字幕,不是模型渲染出的文字,这也是它作为静帧、而不作为某段片子的封面使用的原因:那行字属于演示,不属于生成结果。

本站用 AVFoundation 从发布方公开的能力演示片段中截取,2026-09-19。 · 第三方素材。权利归发布方所有;此处标注出处展示,不主张任何所有权。

常见问题

这是 Gemini Omni 1.1 Flash 的官方页面吗?

不是。这是本站关于该模型的页面。Google 的公告与 DeepMind 的模型卡作为来源链接给出,Google 与 DeepMind 都没有审阅过本页。

我能在这里编辑或延长一段视频吗?

不能通过本页描述的表单做到。服务为这个产品声明了视频编辑与视频延长,但工作台的模式词表覆盖四种任务类型,这两者都不在其中。

我实际能跑几种模式?

三种:文生视频、图生视频、参考生视频。服务声明的是这三种,加上界面无法表达的两种编辑模式。

发布方在讲四十秒的片子,为什么时长字段写的是三到十秒?

两者量的不是同一件事。三到十是服务为单次生成发布的取值范围;四十秒是发布方为场景延展记录的累计上限,以十秒为一步累加得到。本工作台没有任何延长控件。

有 4K 吗?

服务为这个产品发布了四档输出,360p、720p、1080p 与 4k,默认 720p。发布方为四档都标了价,分别是每秒 $0.03、$0.10、$0.15、$0.30。本站收多少由服务端在任务开始前以点数报价,不是每秒单价。

生成的视频有声音吗?

默认有,而且没有开关。服务在自己的数据里为这个产品写明:音频受支持、会被生成、默认开启,且没有开关。发布方的模型卡同样把输出描述为带音频的视频。

我能挂几张参考图或几段参考视频?

服务为参考生视频发布的上限是最多十张图与最多三段参考视频,图生视频是一到两张图。发布方另有一句「最长三秒的参考视频」,那是时长,不是数量。

发布方发了九个文件,为什么画廊只有五条?

因为九个里有八个都以同一张品牌卡收尾,其余帧大多带着界面外壳或烧录字幕。另有两份完全没有出现在这里:一份带第三方平台的可见水印,另一份是 360p 演示,它本身就是 1920×1080 发布,因而展示不了自己存在要展示的分辨率。

继续探索