Google DeepMind 发布 Gemini Omni 1.1 Flash：把生成式视频拉进"可控"区间

Google DeepMind 推出 Gemini Omni 1.1 Flash 模型，把生成式视频的控制粒度拉到了一个新层级。这次更新的核心不是参数堆砌，而是把“导演权”交还给开发者——你可以决定镜头从哪里开始、到哪里结束、中间怎么过渡。

这次到底更新了什么

新版本主打三项能力：场景扩展可参考前 10 秒画面，以 10 秒为增量向上累计，最长延续 40 秒；支持指定首帧与尾帧，由模型负责补出中间过渡；输出分辨率升至 4K，清晰度与可用素材量都明显提高。

场景扩展并不是简单续写，而是在生成下一段时回头看此前片段，避免人物、配色、光影在多次生成中“漂走”。这正是此前同类工具最让人头疼的稳定性痛点：每跑一次，主角就可能换一张脸。

对开发者和创作者的实际意义

对做短剧模板、广告 demo、互动叙事项目的开发者来说，首尾帧指定意味着可以预先画好关键帧，让模型去补中间过程，比纯文本描述更具可预测性。4K 输出则让素材更接近直接可用，省去放大重绘的步骤。

对独立创作者而言，这一波更新的真正价值不在于画面多“真”，而在于可控性的提升——少几次无效生成，就能省下不少时间与算力成本，把精力放在真正需要决策的环节。

以往用 AI 拍一支 30 秒短片，往往需要拼接七八段、反复重跑。现在上下文窗口拉长、首尾可控，创作者可以把更多精力放在分镜和叙事本身，而不是修补画面细节。

国内用户与后续观察

中国大陆用户目前无法直接调用 Gemini API，但模型一旦通过开源复现，或被国内厂商以类似思路对标，相关工作流会迅速跟进。短期内，更值得关注的是 Vertex AI 与合作伙伴生态对它的承接节奏。

后续值得追踪三条线：第一，4K 输出背后的推理成本与延迟能否压到可商用范围；第二，“首尾帧 + 场景扩展”这套组合，是否会被国内多模态平台快速吸收；第三，更长上下文是否会成为下一代视频模型的标配。

对认真在做视频生成的团队来说，现在是该重新评估工作流的时候了。无论是剪辑模板、电商素材，还是 AI 短剧，新的控制粒度都可能改变原本的人机分工。