从“随机抽一条”到“像导演一样控制镜头”，Google 正把 AI 视频带入可续拍、可走位、可精修的新阶段
Google DeepMind 更新了 Gemini Omni 1.1 Flash。截至 2026 年 9 月 1 日，它在 Arena 文生视频榜单排名第一，在图生视频榜单排名第二。比榜单更重要的是，模型一次补齐了 AI 视频生产中最缺的五项能力：长镜头续拍、首尾帧控制、视频参考、360P 草稿和最高 4K 输出。
导航页已整理官方产品入口、能力参数、适用场景和使用提示。
一、Arena 文生视频登顶，但排名只是结果
Arena 当前榜单显示，Gemini Omni 1.1 Flash 在文生视频中排名第一，图生视频得分 1488、排名第二。榜单会随投票变化，所以真正值得创作者关注的不是一个静态名次，而是模型开始理解“上一段发生了什么”和“下一镜应该怎么走”。
过去生成视频更像抽卡：一条提示词换一个孤立片段。Omni 1.1 Flash 则把前后镜头、关键帧、参考视频和分辨率分层组合成一套制作工作流。
二、最大升级：模型能“回看”前面 10 秒
场景延展功能允许模型分析最多 10 秒历史画面，再生成下一段 10 秒视频；连续调用后，累计长度可达到 40 秒。相比只参考最后一秒，10 秒上下文能保留更多角色脸部、服装、站位、灯光方向、对白语气和镜头运动。
这并不意味着连续性绝对不会出错，但它让导演可以围绕同一场戏逐段推进，而不必每次重新描述所有细节。
三、三句提示词，把特写一路拉成完整世界
官方演示从红发女子的侧脸特写开始：第一段横摇带入对话人物，第二段拉远揭示地下墓穴，第三段继续后撤，将场景扩展为失重的巨大图书馆。几次延展中，角色外观、红色侧光与空间关系保持连贯。
这类工作流的正确用法不是一次要求模型“拍完所有内容”，而是每次只推进一个镜头目标，并在提示词中重复必须保持的视觉锚点。
四、电影级运镜可以直接写进指令
Omni 1.1 Flash 的续拍指令可以明确要求移动变焦、机械急推、360 度环绕、时间冻结或持续后拉。模型不仅要生成画面，还要理解镜头运动如何改变透视、主体大小和空间纵深。
写运镜提示词时，建议同时交代四件事：摄影机怎么动、镜头焦段怎么变、主体在画面中保持什么状态，以及背景需要产生怎样的透视变化。
五、对白也能续：画面连续只是第一层
在港口人物对话演示中，镜头连续后拉，人物继续上一句没说完的话，配乐强度也随叙事推进。对于短剧、采访和虚拟角色栏目，这意味着续拍目标从“画面接上”升级为“表演和声音一起接上”。
实际制作仍应检查口型、声线、对白事实与环境音。重要台词最好先锁定文案，再让模型负责表演，避免事实性内容被自由改写。
六、首尾帧功能：头尾你定，中间交给模型
指定起始帧和结束帧后，模型会生成中间的连续运动。这对复杂转场、环绕镜头、产品变形、甩镜匹配和无缝循环尤其有用。它把过去依赖运气的过渡镜头，变成有明确目标的插值任务。
要提高成功率，首尾帧的主体数量、构图方向和光线条件不宜差异过大；变化很复杂时，可以拆成两到三段中间关键帧。
七、一镜到底和无缝循环，更适合商业镜头
大厅中的鼓手、萨克斯手和芭蕾舞者可以通过甩镜连续连接；另一个演示则让摄影机推进电视屏幕，屏幕中再次出现同一房间和人物，形成递归式循环。
这类镜头很适合音乐视频、产品广告、品牌片头与社交媒体循环视频。相比普通文生视频，首尾帧让创作者可以先确定品牌画面，再让模型负责运动。
八、视频参考：动作难描述，直接给模型看
模型可以引用最多 3 秒的参考视频，并与文字、图片一起作为输入。参考视频可以携带动作、节奏和运镜语言，例如让不同角色分别模仿古典舞、嘻哈和霹雳舞，同时保持在同一场景中表演。
这改变了人与模型的沟通方式：动作不必全部翻译成文字。但使用真人动作或商业素材时，应确认肖像权、表演权与素材授权。
九、三个应用方向：转场、看房与草稿室
Transition Studio 类应用可以输入首帧和尾帧，再选择传送门、甩镜、形变匹配或前景擦除等技法；房产应用可以在房间之间推拉环绕，同时约束模型不添加不存在的家具；Draft Room 则用多个低清变体并排比较，每次只改变一个变量。
这些案例说明，专业价值往往来自“把模型能力包装成固定流程”，而不是单独提供一个提示词输入框。
十、360P 草稿：把试错成本放到最低
官方称 360P 草稿生成最高可比 720P 快 60%，成本约为三分之一。正确流程是先批量生成低清版本，检查构图、动作、色调和镜头方向；选中后再放大到 1080P 或 4K，而不是从一开始就用最高规格反复抽卡。
草稿阶段不必追求纹理细节，只要能判断故事、镜头和节奏是否正确。对广告和短剧团队，这会显著提升提案与分镜确认效率。
十一、4K 输出与价格：先做草稿，再做母版
Omni 1.1 Flash 支持将成片输出到 1080P 或 4K。按照发布时的官方价格表，360P 为每秒 0.03 美元、720P 为每秒 0.10 美元、1080P 为每秒 0.15 美元、4K 为每秒 0.30 美元。价格可能调整，正式预算应以 Google 当前 API 页面为准。
| 规格 | 发布时价格 | 建议用途 |
|---|---|---|
| 360P | 0.03美元/秒 | 草稿、分镜、批量试方向 |
| 720P | 0.10美元/秒 | 常规预览与社交媒体 |
| 1080P | 0.15美元/秒 | 正式内容交付 |
| 4K | 0.30美元/秒 | 广告、影视与高规格母版 |
十二、完整制作流程：从分镜到4K交片
- 先明确故事目标、角色和视觉锚点。
- 用首尾帧确定镜头的起点与终点。
- 用360P生成多个草稿，每次只改变一个变量。
- 用视频参考补充难以文字描述的动作与节奏。
- 通过场景延展逐段续拍，并在每段后检查一致性。
- 将选中的镜头放大到1080P或4K，再进入剪辑、调色和声音混合。
这条链路把“抽卡”变成了可审阅、可回退、可比较的导演流程。你也可以阅读站内的Gemini Omni Flash 实测观察，了解上一代在对话式编辑方面的能力与限制。
十三、仍需注意的限制与风险
- 连续性不是绝对：长镜头中仍可能出现脸部、服装、手部和空间结构漂移。
- 地区限制：Google AI Studio、Gemini 和 Flow 的可用性可能因地区与账号套餐不同。
- 版权合规：视频参考、角色图片、音乐和声音都应确认授权。
- 榜单会变化：Arena 名次属于当前快照，不应作为唯一采购依据。
- 高分辨率不等于高质量：4K 放大无法修复草稿阶段错误的构图和动作。
十四、结论：AI 视频正在从生成工具变成导演系统
Gemini Omni 1.1 Flash 的意义，不只是画面更清晰，而是创作者可以控制故事如何延展、镜头如何运动、动作参考什么、试错花多少钱，以及最终用什么规格交付。
首尾帧定镜头，360P做草稿，视频参考锁动作，场景延展接戏，4K完成交付——这套流程让 AI 视频第一次真正接近专业制作语言。
