Gemini Omni 1.2 Flash API：生成 15 秒视频并继续剪辑

2026 年 11 月 5 日，Gemini Omni 1.2 Flash API 在 Gemini API 付费层正式上线。一次请求返回 3–15 秒带声音的视频。再发一次请求就能修改同一个片段，不用重新上传（Google 发布说明 和 Omni 指南，2026 年 11 月 6 日核对）。

• 模型：gemini-omni-1.2-flash，通过 client.interactions.create 或 POST /v1beta/interactions 调用。
• 片段：3–15 秒，24 fps，16:9 或 9:16，带生成的音轨。
• 剪辑：第二轮请求带上 previous_interaction_id，改写你生成的片段，输入最多 15 秒。
• 价格：一条 15 秒 720p 视频的视频 token 约 $1.04。输入和文本 token 另算。

Gemini Omni 1.2 Flash API 支持什么

请求发到 POST https://generativelanguage.googleapis.com/v1beta/interactions，请求体里写 "model": "gemini-omni-1.2-flash"。这就是 Interactions API。它在 2026 年 6 月开放后，Google 建议新项目都从这里开始（Interactions API 概览，2026 年 11 月 6 日核对）。旧的 generateContent 接口继续服务其他 Gemini 模型。

模型返回带原生音频的视频，也能返回文本（模型卡）。输出为 24 fps，默认 720p，也可以选 360p。1080p 与 4k 通过超分得到，每条片段都带不可见的 SynthID 水印。默认横屏 16:9，竖屏输出 9:16。

只有付费层能用。Google 价格表在免费层的输入和输出两栏都写着 Not available。限流页面显示 Omni Flash 在 Tier 1 每分钟 8 次请求、每天 40 次（价格、限流，2026 年 11 月 6 日核对）。

上一代 gemini-omni-1.1-flash 在四周过渡期内仍可使用。2026 年 12 月 3 日起，发给它的请求由 1.2 处理，按 1.2 的价格计费，代码不用改。

用 Interactions API 生成视频

Python SDK 只有三步：建客户端、建交互、把 base64 视频写入文件。示例显式设置时长，并把交互保存下来，方便之后剪辑。需要 google-genai 包（pip install -U google-genai），以及放在 GEMINI_API_KEY 里的 Gemini API key。两轮请求都发到 Google 的端点，OmniaKey 的 key 在这里用不了。

# Setup: install google-genai and set GEMINI_API_KEY to your Google API key.
import base64
import os

from google import genai

client = genai.Client(api_key=os.environ["GEMINI_API_KEY"])

# Turn 1: generate a 15-second landscape clip and keep it editable.
first = client.interactions.create(
    model="gemini-omni-1.2-flash",
    input=(
        "One continuous tracking shot follows a paper airplane gliding "
        "through a busy library, dust in the sunlight."
    ),
    response_format={
        "type": "video",
        "duration": "15s",       # whole seconds from "3s" to "15s"; default "10s"
        "aspect_ratio": "16:9",  # or "9:16"
        "resolution": "720p",    # 720p is the default; 1080p and 4k are upscaled
    },
    store=True,
)

# Turn 2: edit that clip with a follow-up prompt, no re-upload.
edit = client.interactions.create(
    model="gemini-omni-1.2-flash",
    previous_interaction_id=first.id,
    input="Make the paper airplane bright red. Keep the camera move unchanged.",
)

with open("library_flight.mp4", "wb") as f:
    f.write(base64.b64decode(edit.output_video.data))

时长用字符串写整秒，范围 3 到 15，不写这个字段时生成 10 秒。分辨率是同一个 response_format 对象里的另一个键，和类型设置并列。

SDK 从 output_video.data 读出 base64 成品；这个便捷字段只在 SDK 里存在。直接发 REST 请求时，同样的字节放在 steps[] 里一个类型为 video 的 content 条目中。片段超过 4 MB 时，在 response_format 里加 "delivery": "uri"（Omni 指南，2026 年 11 月 6 日核对）。然后用 client.files.get 轮询，等文件状态变成 ACTIVE，再用 client.files.download 取回。

代码改自 Google 的 Python 示例，通过了语法检查；我们没有对 API 实际运行过。

修改已生成的片段，不用从头再来

把第一轮交互的 id 作为 previous_interaction_id 传进去，再描述要改什么。模型保留片段的上下文，执行修改并返回新视频。Google 的编辑示例只发模型、这个 id 和提示词。第二轮同样用这三个字段（Omni 指南，2026 年 11 月 6 日核对）。

延长用同一套循环。用自然语言要求续写，模型会追加 3–10 秒，默认 10 秒，并以输入视频最后 10 秒作为上下文，总长最多 30 秒。它只能在结尾追加，没法在开头之前或中间插入一段。

自己拍的素材，先通过 Files API 上传 15 秒以内的片段，再对它写提示词。在欧洲经济区、瑞士和英国，上传视频的剪辑和延长不可用；模型生成的片段在这些地区可以剪辑。当前版本不支持语音编辑，也不支持音频输入和音频参考，参考视频里的音频会被忽略。

时长、分辨率和参考素材的限制

各项操作的区间不同，下表按 Google 的指南整理（Omni 指南，2026 年 11 月 6 日核对）。

参考素材另有上限：

• 每次请求最多 6 张参考图，每个角色最多 3 张，最多 2 个角色。
• 11–15 秒的输出接受 1 条最长 3 秒的参考视频。3–10 秒的输出最多接受 3 条参考视频，每条最长 3 秒。
• 参考视频用于生成新片段。剪辑和延长改用参考图。
• YouTube 链接不能当作媒体输入，先把文件上传。

Google 官方示例展示的内容

Google 在 2026 年 11 月 5 日的发布文章 里放了九段演示片段（2026 年 11 月 6 日核对）。我们下载了其中两段，用 ffprobe 检查：都是 1920×1080、24 fps，带 AAC 立体声音轨。两个文件开头都有一段标题画面，所以文件长度比里面的场景更长。

这两帧显示同一个片段如何从中近景拉到远景。第 6 秒，一名男子跪在浅水里，一只手扶着浮木。第 12 秒，机位升到海岸上方，人在水线附近显得很小，左边是长满棕榈的山丘，右边是开阔海面。

万神殿这一帧在第 12 秒进入建筑内部：穹顶的圆形开口、周围一圈同心方形藻井，还有落在室内的一束阳光。Google 的说明写的是由两张建筑照片引导的连续无人机飞行；第 6 秒时，同一段示例还在外面的柱廊之间。

官方价格：把一条片段的费用算对

Google 对文本、图片和视频的输入按每百万 token $1.50 收费，文本输出每百万 $9.00，视频输出每百万 $12.00。这些费率只在付费层提供（价格页，2026 年 11 月 6 日核对）。所有金额单位为美元。视频按输出 token 计费，720p 输出每秒 5,792 个 token。

一条 15 秒 720p 片段在视频 token 上计费 15 × 5,792 × $12.00 / 1,000,000 = $1.04256，约 $1.04。还没算输入和文本 token。先算出总额再四舍五入。

怎么选视频工作流

一个 15 秒带声音的镜头能覆盖场景，或者这条片段还要经过好几轮小改动时，用 Omni 生成。编辑循环是选它的理由：每一轮都保留上一段片段的上下文。你可以每条消息只改一个道具、一个背景或一处镜头说明，不用把整个场景重讲一遍。

镜头需要一次跑更久，或者工作围绕参考视频展开时，换别的模型。字节跳动的 Seedance 2.5 一次请求最多生成 30 秒，Seedance 2.5 评测 说明了 API 文档中的 30 秒时长上限。Kling 4.0 与 Seedance 2.5 对比 讲了运动表现和参考优先的做法。

Omni 由 Google 自己发布，属于付费产品，不在 OmniaKey 的视频目录里。需要长镜头时，可以在 OmniaKey 用 Seedance 2.5。AI 视频生成器 在浏览器里直接跑提示词，不用写代码。

常见问题

Gemini Omni 1.2 Flash API 免费吗？

不免费。这个模型只在 Gemini API 付费层提供，Google 价格表在免费层一栏写着 Not available。

Gemini Omni 1.2 Flash API 用哪个端点？

用 Interactions API：向 POST https://generativelanguage.googleapis.com/v1beta/interactions 发请求，请求体里写 "model": "gemini-omni-1.2-flash"。也可以在 Python、JavaScript、Go 或 Java SDK 里调用 client.interactions.create。generateContent 是其他 Gemini 模型使用的旧接口。

一条 Gemini Omni 1.2 Flash 片段能有多长？

生成请求为 3–15 秒，默认 10 秒。延长每轮加 3–10 秒，总长最多 30 秒；首尾帧插值在 3–10 秒之间；剪辑用的输入视频必须在 15 秒以内。

只能剪辑生成的片段，还是自己上传的也可以？

两种都可以，各有条件。上传的片段要在 15 秒以内，而且在欧洲经济区、瑞士和英国不能剪辑或延长；模型生成的片段在这些地区可以剪辑和延长。

gemini-omni-1.1-flash 会怎样？

在四周过渡期内继续可用。2026 年 12 月 3 日起，发给它的请求由 gemini-omni-1.2-flash 处理，按 1.2 的价格计费，代码不用改。

参考来源

• Google：Gemini Omni 1.2 Flash 发布文章
• Google：Gemini Omni Flash 模型卡
• Google：用 Gemini Omni Flash 生成和编辑视频
• Google：Interactions API 概览
• Google：Gemini API 发布说明
• Google：Gemini API 价格
• Google：Gemini API 限流