你想让 AI 续写一段人物走进房间的视频，结果门的位置变了，衣服也换了。想多试几个版本，又要反复等待高画质渲染。生成视频要进入真正的制作流程，难点已经不只是“能不能生成”，而是能否按要求稳定修改。Google DeepMind 发布的 Gemini Omni 1.1 Flash，正试图补上这层控制能力。
Omni 是多模态模型——同一个模型可以处理文字、图像、音频和视频等不同信息。此次更新通过 Gemini API 提供；API 是供其他软件调用模型的标准接口，开发者可以借此把视频能力嵌入创作、剪辑或媒体产品。Google AI Studio 则是测试提示词和 API 行为的原型工具。
本文信息全部来自 Google DeepMind 官方博客，尚无论文、统一评测或第三方测试支撑。涉及效果的表述均是官方说法。
续写视频时，多看前面几秒
过去的模型续写视频时，只参考原片最后 1 秒。Omni 1.1 Flash 可以分析此前最多 10 秒的视频上下文，再从结尾继续生成。直观地说，它不再只看故事的“最后一句”，而是先回顾一小段上下文。
视频可以每次延长 10 秒，多次扩展后的累计总长度最高为 40 秒。这里的 40 秒不是单次生成时长。Google 称，更长的上下文可以改善视觉一致性和叙事遵循度，也就是更容易保留人物、场景和故事走向。但官方没有公布评测方法、基准结果或失败率，因此还不能判断改善有多稳定。
Omni 1.1 Flash 还允许开发者加入最长 3 秒的参考视频。参考片段可以提供动作和视觉上下文，例如让指定角色模仿参考视频中的舞蹈。它与场景扩展解决的是相近问题：减少模型凭空猜测，让输入条件更具体。
给镜头钉住起点和终点
更直接的变化是首尾帧控制。开发者可以指定一个镜头的第一帧和最后一帧，模型负责生成两个关键帧之间的连续视频。
关键帧可以理解为制作人员预先钉住的两个画面节点。过去只写文字提示，模型对镜头最终落在哪里有较大自由；现在，开发者可以同时规定“从这里开始”和“到这里结束”。官方列举的用途包括环绕镜头、推进变焦和循环片段。
这属于生成控制——让开发者约束镜头、动作或输出条件，而不是靠反复抽取结果碰运气。不过，“能生成连续视频”只是功能描述，并不意味着每次都能无缝转场，也不保证主体始终稳定一致。
先做便宜草稿，再输出成片
Omni 1.1 Flash 支持生成 360p 低分辨率预览。按 Google 公布的系统吞吐量口径，它相比标准的 720p 生成最高快 60%，成本约为后者的三分之一。这适合快速试镜头、改故事板或检查提示词；确认方向后，再输出 1080p 或 4K 版本。
这套流程的意义不在于低清画面本身，而在于降低试错成本。专业制作通常不会一次定稿。预览越快、越便宜，开发者越容易把生成视频做成可反复调整的工具，而不是等待一次结果的演示。
但“最高快 60%”不能理解为所有任务都会提速 60%。官方没有披露硬件、负载、延迟统计口径和画质差异，“三分之一成本”也缺少具体价格与计费条件。
为什么值得关注
生成式多媒体工具的竞争焦点，正在从“能生成”转向速度、可控性，以及能否稳定嵌入专业产品。Omni 1.1 Flash 的几项更新恰好对应制作流程中的三个实际问题：续写时记住更多前文，用首尾帧约束镜头路径，以低清预览加快迭代。
Google 称该模型已可通过 Google AI Studio 中的 Gemini API 用于专业生产场景，并正在其开发者生态中推出。真正需要检验的，不是示例视频是否顺滑，而是这些控制在不同素材、复杂动作和多轮修改中是否仍然可靠。
局限与未知
- 所有效果论断目前只有 Google DeepMind 一个信源，缺少第三方复现和横向比较。
- 官方没有披露一致性、提示遵循度和失败率的量化评测，所谓“更可控”仍主要是功能层面的判断。
- 360p 的速度与成本数据缺少完整测试条件，也没有说明预览与高分辨率成片之间的结果差异。