**真正值得問的，不是 Gemini Omni 1.2 Flash 能不能做出好看的短片。**而是模型路由、輸入契約、輸出品質與計費單位，是否符合你要交付的工作。Omni 1.2 Flash 值得關注，因為同一個模型系列涵蓋生成、編輯、延長與升級解析度，同時支援短影片工作流程與原生音訊。
**資料檢視日期：2026 年 11 月 6 日。**本指南綜合了 Google 發布公告、Google Cloud GA 公告、Google Cloud 模型文件、EvoLink 模型頁面，以及 Segmind、Kingy AI 和 Shattered 的第三方文章。模型事實以 Google 文件為主要來源。EvoLink 與 Segmind 描述的是各自的路由、價格與測試；這些頁面都不能證明 ToAPIs 目前提供此模型。
1. Gemini Omni 1.2 Flash 帶來什麼
Google Cloud 將 gemini-omni-1.2-flash 列為正式推出的多模態模型，適用於影片、圖片與文字任務。文件中的能力矩陣包括文字轉影片、圖片轉影片、參考素材轉影片、首尾影格影片、影片編輯、影片延長與影片升級解析度。文件也列出 thinking，但此模型不支援 系統指令、結構化輸出、函式呼叫 或 Gemini Live API。
模型頁面記載，生成與編輯的影片輸出時長為 3 到 15 秒，首尾影格生成為 3 到 10 秒，延長則會追加 3 到 10 秒。支援的長寬比為 16:9 與 9:16；記載的輸出解析度為 360p、720p、1080p 與 4k。影片輸入限制取決於操作：編輯與升級解析度最多接受 15 秒，而延長可依其契約使用較長來源影片的末段。
| 能力 | 主要文件的說明 | 整合時要確認的問題 |
|---|---|---|
| 文字轉影片 | 由提示詞生成影片，時長 3–15 秒 | 所選供應商提供哪些解析度與音訊欄位？ |
| 圖片或參考素材轉影片 | 圖片與影片參考素材，各路由有各自限制 | 圖片順序與參考素材名稱是否具有語義？ |
| 首尾影格 | 支援，輸出時長 3–10 秒 | 第二張圖片是尾影格還是另一個參考素材？ |
| 影片編輯 | 編輯最長 15 秒的來源影片 | 時長與長寬比是否沿用來源？ |
| 影片延長 | 依延長契約增加 3–10 秒 | duration 指追加時長還是輸出總時長？ |
| 影片升級解析度 | 將支援的來源解析度升級至 4K | 此操作是否與生成分開計費？ |
發布公告強調相較前一代的五項實用改進：可生成 15 秒短片、公布的 720p 價格更低、更能遵循圖片與影片參考素材、先以低解析度生成草稿再升級至 1080p 或 4K，以及對白更自然、唇形同步更清晰，並支援多說話者情境。Google 也介紹了對話式編輯，例如變更產品、光線或攝影機角度，而不必從頭重做。
這些是產品層級的說法，不代表每個供應商都會提供所有控制項。供應商可能把同一模型系列拆成不同 slug、省略某項能力，或增加不同的計費層。務必把確切路由結構視為整合契約。
依據官方功能列表與第三方路由說明繪製的原創工作示意圖。實際端點因供應商而異，並非模型生成結果。
2. 六種路由，六種不同契約
EvoLink 頁面在同一個非同步影片介面上提供六種任務路由：文字轉影片、圖片轉影片、參考素材轉影片、影片編輯、影片延長與影片升級解析度。其模型 ID 有助於理解路由規劃，但它們是 EvoLink 識別碼，並非已確認的 ToAPIs 識別碼。
Segmind 的評測提供另一種以路由為主的觀點，並明確指出其發布測試中無法使用 refine 路由。這正說明了為何不能只憑吸引人的能力清單，就在未即時檢查結構的情況下將欄位照搬進產品表單。
| 路由 | 常見輸入 | 需要驗證的主要邊界 |
|---|---|---|
| 文字轉影片 | 提示詞 | 3–15 秒；解析度、比例、音訊與 seed 可能因供應商而異 |
| 圖片轉影片 | 首張圖片與提示詞 | 第二張圖片可能指定尾影格；確認最長時長 |
| 參考素材轉影片 | 參考圖片或影片及提示詞 | 數量、時長與參考素材命名規則各有不同 |
| 影片編輯 | 來源影片與一項明確修改 | 來源長度、安全篩選，以及輸出是否沿用來源構圖 |
| 影片延長 | 既有影片與續接提示詞 | 新增時長不一定等於總時長 |
| 影片升級解析度 | 既有影片，通常不需提示詞 | 可接受的來源尺寸、輸出級別與單獨計費 |
路由選擇器應一併切換驗證規則、說明文字與成本預估。不要讓通用的 duration 欄位在不知不覺中，把延長路由的語義帶入生成路由。也不要假設 image_urls 欄位在圖片轉影片與參考素材轉影片請求中代表相同意思。
不要混用 Google Cloud 與 Gemini API 的限制
Gemini API 指南記載最多六張參考圖片，而 Google Cloud 模型頁面列出每個提示詞最多十張圖片。Gemini API 的影片參考限制也會隨請求時長而異：11–15 秒的較長生成僅支援一段較短的參考影片，並不適用於 3–10 秒工作所能使用的相同參考素材額度。這些是不同平台的契約，不是互相矛盾、可以取平均或合併的數值。
不同平台契約：Gemini API 最多六張參考圖，Cloud 文件每個提示詞最多十張圖。上限不可拼接，仍須核對具體路由與時長。
Gemini API 的文件整合方式是 Interactions API，不是 generate_content、OpenAI chat-completions 呼叫或 Veo 專用的 generate_videos 方法。以下是經調整的付費呼叫範例，不是 ToAPIs 請求。它需要目前版本的 google-genai SDK、符合資格的帳戶，以及在本機設定好的金鑰；絕不可把憑證放進提示詞或瀏覽器套件。本篇文章沒有執行此範例。
import base64
from pathlib import Path
from google import genai
client = genai.Client()
interaction = client.interactions.create(
model="gemini-omni-1.2-flash",
input=(
"A blue ceramic cup on a neutral table. "
"One continuous slow camera push-in. "
"Soft room ambience, no speech, no text."
),
response_format={
"type": "video",
"resolution": "360p",
"duration": "5s",
"aspect_ratio": "16:9",
},
)
Path("omni-draft.mp4").write_bytes(
base64.b64decode(interaction.output_video.data)
)
print("interaction ID:", interaction.id)
在此 API 中，duration 是類似 "5s" 的字串，不是從閘道表單複製來的整數；生成控制項位於 response_format 之下。對於較大的檔案，指南記載可透過 URI 傳遞並處理檔案就緒狀態。多輪編輯使用 previous_interaction_id；設定 store=false 會移除後續工作流程所需的已儲存狀態。請先評估這些取捨，不要盲目照抄延遲設定。
3. 解析度策略：先生成草稿，再選擇性升級
Gemini API 指南明確將 360p 與 720p 列為原生生成級別，並將 1080p 與 4K 列為升採樣輸出。因此，提供 4K 交付選項並不能證明模型原生生成 4K。發布資料中最實用的工作流程，是將探索與交付分開。使用 360p 或 720p 反覆調整提示詞並檢查構圖。短片通過驗收清單後，可直接以較高解析度重新生成，或將選定的來源送入文件記載的升級路由。
這種策略可減少浪費在高解析度生成上的成本，但也增加了需要衡量的第二項操作。升級工具可以增加細節，卻不會改變原有動態，也無法修正糟糕的構圖。它不能保證錯誤的標籤、不穩定的臉孔或不正確的物體移動在 4K 下就會變正確。
在工作記錄中保留來源解析度、輸出解析度、路由、時長與 token 用量。使用相同來源、裁切與驗收標準，比較原生高解析度輸出和升級後輸出。Segmind 的第三方評測指出，升級解析度能帶來實用細節，但也將其視為需計費的工作流程步驟，而不是所有原生生成都可免費替代的方案。
正式環境應設定兩道關卡：
- 創意關卡：主體身分、構圖、動態、文字、對白與聲音均符合需求。
- 交付關卡：尺寸、時長、編解碼器、音軌、權利與檔案保留均符合下游要求。
只有同時通過兩道關卡的短片，才應進入最終素材庫。
依據 Gemini API 指南繪製的流程示意。高解析度交付採用升頻，並不保證修復動作、文字或主體一致性問題。
4. 針對精確遵循指令的影片撰寫提示詞
當第三方測試揭示了應該檢查什麼，而不是被當成普遍基準宣稱時，才特別有助於提示詞設計。Segmind 回報指出，模型在有標註的解說影片、動態字體、依提供的尾影格製作圖表動畫、風格化動態圖像，以及對實景影片進行單項修改方面表現良好。同一評測也指出，從零開始生成寫實人物、只憑數字繪製資料圖，以及某些多步驟或品牌標誌編輯的效果較弱。
穩健的 Omni 提示詞應分別說明：
- 主體及其可見身分；
- 場景中依序發生的節拍；
- 攝影機運動，以及必須保持固定的內容；
- 精確的畫面文字，並以引號另外標示；
- 對白、音樂與音效；
- 最終狀態，若路由支援，最好以尾影格輸入固定；
- 編輯時要保留的一項修改，以及所有必須維持不變的內容。
例如：
Create a flat 2D motion-graphics explainer in 16:9.
Show the title 'HOW A PRODUCT VIDEO API WORKS' exactly as written.
First show one product photo, then three labelled route cards from left to right,
then connect the cards to one finished video frame.
Keep every label fixed after it appears. Use a locked-off camera.
Add a short, calm voiceover and a soft click for each route card.
End on the complete diagram. Do not add any other text or logos.
這份需求是建議的測試，不是經實測的 Omni 輸出。相較於「電影感」或「容易瘋傳」等形容詞，驗收規則更有用：每個標籤都必須準確相符、順序正確、攝影機保持固定，音訊只能包含指定的聲音元素。
5. 原生音訊、參考素材與編輯
官方文件列出支援語音、音樂與音效，Google 的發布文章則強調更自然的對白、更清晰的唇形同步，以及可區分多位說話者的情境。Google Cloud 公告也指出，音訊參考素材須經允許清單核准。這代表音訊需要單獨檢查能力與權限，不能只在通用影片表單中放一個核取方塊。
參考素材一致性是此模型的主要主題之一。Google 表示模型更能遵循圖片與影片參考素材，官方模型頁面也支援參考素材生成。然而，支援參考素材不等於保證身分一致。請在整段短片中檢查臉孔、服裝、產品輪廓、可見標記、光線與動態。
對話式編輯也是一種工作流程概念，不一定對應單一通用端點。發布資料描述了在同一短片中變更產品、光線或攝影機角度。供應商可能透過影片編輯、interaction ID、前一項任務參照，或不同的請求本文來實作。將假設寫入資料庫之前，請先確認契約。
每次編輯都應記錄：
- 來源影片及其權利；
- 精確的一項修改指令；
- 必須保持不變的內容；
- 路由與模型 ID；
- 傳回的任務或 interaction ID；
- 音訊與安全審查結果。
這些紀錄能讓失敗的編輯便於診斷，也能讓成功的編輯具備足夠的可重現性以供審查。
6. Token 定價不等於 ToAPIs 報價
Google 的發布資料公布了 720p 影片的供應商價格，並說明相較前一模型有所降價。EvoLink 頁面提供自己的 token 計算器、折扣與各路由價格。Kingy AI依 token 假設推算 720p 每秒估價，而 Shattered則以公布的每秒價格介紹此次發布。這些數字不可互換。
截至 2026 年 11 月 6 日檢視的 Gemini API Standard 定價表列出：文字、圖片與影片輸入每百萬 token 為 USD 1.50；包含 thinking 在內的文字輸出每百萬 token 為 USD 9.00；影片輸出每百萬 token 為 USD 12.00。此模型沒有免費層。這些是該平台的供應商牌價，不是 ToAPIs 報價。
同一張定價表列出 720p 每秒影片輸出 5,792 tokens。因此，15 秒 720p 短片的示意影片輸出費用為 15 × 5,792 × 12 / 1,000,000 = USD 1.04256，尚未計入輸入與文字／thinking 輸出費用。這解釋了發布標題約 USD 0.07／秒的四捨五入估值，但不能將其視為固定的全包費用。價格、token 規則與閘道加價都可能變動。
正式環境的成本模型應列明：
| 成本維度 | 應保留的資料 |
|---|---|
| 供應商或閘道 | 確切供應商、模型 ID 與日期 |
| 計費單位 | 秒數、影片輸出 tokens、輸入 tokens、thinking tokens 或套裝 |
| 解析度乘數 | 原生輸出與升級解析度操作 |
| 輸入媒體 | 圖片、來源影片及其 token 計費規則 |
| 重試與拒絕政策 | 安全、驗證或傳輸失敗是否收費 |
| 驗收產出率 | 嘗試次數除以通過交付清單的短片數 |
若要估算假設性的 token 方案，請寫出公式，不要照抄競爭對手報價：
raw generation cost = input tokens × input rate
+ video output tokens × video rate
+ thinking tokens × thinking rate
workflow cost = raw generation cost
+ accepted retries
+ storage, transfer and review time
cost per accepted clip = workflow cost / accepted clips
在當前目錄或報價端點確認模型、SKU、單位與帳戶適用費率之前，不要發布 ToAPIs 價格。也不要宣稱第三方測得的延遲或成本適用於其他閘道。
供應商牌價示意，查閱於 2026 年 11 月 6 日，並非 ToAPIs 報價。範例中 USD 1.04256 僅包含影片輸出，輸入與文字／思考輸出另計。
7. 正式環境上線前建立驗收測試包
在應用程式中啟用此模型之前，請執行一組小型、可重複的測試：
- 文字轉影片：包含標註、依序節拍與明確音訊提示的解說影片。
- 圖片轉影片：以產品首影格為起點，並指定必要的最終狀態。
- 參考素材轉影片：同一主體的多種視角，並附上連續性檢查清單。
- 影片編輯：修改一段實景短片中的一項內容，同時保留原有表演。
- 影片延長：攝影機方向與聲音應自然延續的鏡頭。
- 升級解析度：以同一支通過驗收的草稿，對照原生高解析度生成。
每項測試都記錄模型 ID、路由、輸入、提示詞、支援時可用的 seed、解析度、時長、任務 ID、排隊時間、處理時間、輸出 token 或計費資料、音訊結果與驗收判定。保留失敗案例，不要只挑選最佳範例。
將第三方評測視為待驗證的假設。例如，Segmind 的 20 項測試評測很有參考價值，因為它同時列出優點與失敗案例；但其計費價格、延遲與供應商行為都屬於 Segmind 的環境，並非所有 Gemini Omni 1.2 Flash 整合的獨立基準測試。
8. 可用性與整合檢查清單
Google 官方模型 ID 為 gemini-omni-1.2-flash，但僅有模型 ID 並不代表閘道已啟用此模型。透過 ToAPIs 整合前，請檢視模型目錄、目前定價與請求文件。確認確切路由、帳戶使用權、請求本文、非同步狀態模型、結果保留期限與計費政策。
若路由不存在或無法取得報價，請維持功能停用，或標示為即將推出。不要默默把其他 Gemini 模型映射到相同的行銷名稱。只有在已通過身分驗證的呼叫成功，且傳回的媒體經過審查後，才能宣稱完成了即時生成。
來源與更新政策
- Google：Gemini Omni 1.2 Flash：15 秒影片與更低價格 — 2026 年 11 月 5 日官方發布公告。
- Google Cloud：Gemini Omni 1.2 Flash 現已正式推出 — 正式推出、企業情境與發布說明。
- Google Cloud 模型文件 — 模型 ID、能力、限制與發布狀態。
- Gemini API Omni 指南 — Interactions API、平台專屬參考素材、升級解析度級別與編輯狀態。
- Gemini API 定價 — Standard token 費率與影片 token 換算；這是供應商價格，不是 ToAPIs 報價。
- EvoLink Gemini Omni 1.2 Flash API 頁面 — 閘道路由、計算器與供應商專屬定價呈現。
- Segmind：Gemini Omni 1.2 Flash 測試 — 第三方測試、路由觀察、提示詞與計費工作流程背景。
- Kingy AI：規格、基準測試、定價與可用性 — 第二手規格與價格概覽；不是獨立的 1.2 基準測試。
- Shattered：Gemini Omni 1.2 Flash 正式推出 — 第二手發布與成本概覽；預測不視為事實。
更新本指南時，任何變更的能力或價格都應記錄供應商、模型 ID、來源 URL 與檢視日期。供應商價格、閘道報價與第三方測試應分開處理。本指南不宣稱 ToAPIs 已提供此模型、不宣稱已進行經過身分驗證的生成、不宣稱有普遍適用的基準測試，也不保證正式環境結果。