Google AI Releases Gemini Omni 1.1 Flash: 40-Second Scene Extension, First/Last Frame Control, and 4K Upscaling

发生了什么

Google 把 Gemini Omni 视频模型的生产版本更新为 Gemini Omni 1.1 Flash，模型标识符为 gemini-omni-1.1-flash，可在 Gemini API 与 Google AI Studio 中调用，同时通过 Gemini Enterprise Agent Platform 提供企业接入。Adobe（Firefly）、Figma Weave、GMI Cloud 与 Runway 在发布时已在生产环境中使用该模型。消费端方面，Google Flow 已向 AI Plus、Pro 与 Ultra 用户开放该模型，Gemini 应用同步上线了场景延续功能。

围绕场景延续，新版本把读取上下文从旧版的最后 1 秒扩展到最多 10 秒，并以 10 秒为增量累积，模型生成 3 至 10 秒的新片段后即可再次调用，使总长度上限达到 40 秒。调用方还可上传最多 3 段、每段不超过 3 秒的参考视频，主要作用是维持角色一致性，参考视频中的音频会被忽略。生成结果统一携带 SynthID 隐形水印，可程序化检测来源。

清晰度与计费方面，response_format 中的 resolution 提供 360p、720p、1080p 与 4k 四档，默认 720p，1080p 与 4k 由算法上采样得到；Google 称 360p 预览渲染速度比 720p 快最多 60%，成本约为后者的三分之一。视频按每秒 5,792 个 token 计费，输入统一为每百万 token 1.50 美元，文本输出 9.00 美元、视频输出 17.50 美元，标准价格下相当于 720p 视频每秒约 0.10 美元。

时间线与证据

文章于 2026 年 8 月 29 日发布，全文没有引用 Google 的官方公告，也没有给出独立来源链接，因此该日期仅为文章自身标记的发布时间，可视作目前唯一的外部时间锚点。

在版本演进上，文章把 1.1 Flash 直接定位为 Omni 的生产版本更新，并明确把新行为与旧版本并列：旧版场景延续只参考最后 1 秒上下文，1.1 Flash 把这一窗口扩大到最多 10 秒；以 10 秒为增量、3–10 秒的生成为一轮，最多累积到 40 秒。这条改动既是上下文窗口的扩展，也是最大长度的扩展，但文章没有提供 Google 的基准测试或实验数据作为佐证，所有数字均来自 Google 在发布材料中的描述。

在分发渠道上，文章在叙述发布的同时点名了四个生产用户 Adobe Firefly、Figma Weave、GMI Cloud、Runway，并指出它们已在生产环境中使用 gemini-omni-1.1-flash。文章同样把 Google Flow 对 AI Plus、Pro、Ultra 订阅用户开放，以及 Gemini 应用中的场景延续功能，与 API 发布捆绑描述，未区分时间先后。

证据类型上，文章给出的可验证项集中在 API 参数与计费明细，例如每秒 5,792 token 的计费单位、输入与输出单价、resolution 四档取值，以及 SynthID 水印与文件大于 4MB 时改用 delivery="uri" 并轮询 Files API 至 ACTIVE 状态的工程约束。文章未公布官方公告原文、官方博文链接、定价文档链接，也未透露免费层与预留吞吐量情况，因此时间线上的“发布”目前只有文章自身一个证据点，缺少可独立校验的第二来源。

具体变化

1.1 Flash 的输入处理把单段上传视频的时长限制划在 10 秒，多轮扩展由模型自己生成的视频可以超出这一上限。场景延续只能向已有素材末尾追加，不能前置新内容，也不能在中间插入片段；含人物说话的上传视频在扩展时不能新增对白，只有通过 previous_interaction_id 进行多轮扩展时才允许引入对白。多段素材同时输入时，模型不会对多段视频做整体推理，引用多视频还可能拉低输出质量，因此官方建议把参考视频的用途收窄到角色一致性一类需求。

参数面板方面，新版本不再接受系统指令、temperature、top_p、停止序列与独立的否定提示，需要排除的内容必须直接写进提示文本。同时，语音编辑和音频参考均不在支持范围内，YouTube 链接也不能作为视频来源；目前仅明确支持英语，其他语言未做评估。输出体积超过 4MB 时，必须把 delivery 设为 uri 并轮询 Files API，等到状态变为 ACTIVE 才能取回结果。

对使用者的影响

对调用 API 的开发者而言，最直接的成本压力来自分辨率选择。默认 720p 在标准价格下约为每秒 0.10 美元，按文章给出的 4k 取值（同为算法上采样）换算，单价会显著上升；切换到 360p 可把渲染时间压缩到最多六成、账单压到约三分之一，因此预览阶段用 360p 跑版、定稿再升档会成为常见做法。1080p 与 4k 本质是分辨率上采样，不是原生重编码，对画质提升的预期需要相应调低。

对内容生产工作流，更长的可用上下文窗口意味着场景延续不再像旧版那样几乎只能“补一秒”。10 秒的上下文、每轮 3 到 10 秒的增量、40 秒的累积上限，让分镜拼接、长镜头收尾和同一角色多机位剪辑第一次有了可工程化的路径；配合最多三段、每段三秒的参考视频，团队可以围绕一个角色建立小型资产库来稳定外形，但音频通道在参考阶段就被忽略，对白一致性仍要靠多轮扩展并通过 previous_interaction_id 串起来。

对消费端用户，变化集中在两条入口：Google Flow 在 AI Plus、Pro 与 Ultra 三档订阅中开放模型，Gemini 应用则把场景延续作为面向终端的功能直接交付，所有片段都带 SynthID 水印，便于平台做来源核验。

对企业用户，Gemini Enterprise Agent Platform 把同一模型接入企业流程；Adobe Firefly、Figma Weave、GMI Cloud、Runway 在发布时已进入生产，意味着这些生态内的素材生成和编辑链路会以 gemini-omni-1.1-flash 为底座运行，第三方集成方需要在接口和计费上对接每秒 5,792 token 的节奏，并把 4MB 以上的输出切换到 Files API 的 uri 交付模式。

限制与未知

需要先把“限制”与“未知”分开看。功能层面已写明的硬约束包括：场景延续只能向已有素材末尾追加，不能前置或在中间插入；含人物说话的上传视频扩展时不能新增对白，只有通过 previous_interaction_id 走多轮扩展才开放对白；语音编辑、音频参考、否定提示、系统指令、temperature、top_p、停止序列全部不在支持范围内；输入视频时长上限 10 秒，多视频引用不会触发跨段推理，反可能拉低质量；YouTube 链接不能作为视频来源，仅明确支持英语，其他语言未做评估。

工程层面的硬约束同样来自文章：输出大于 4MB 时必须把 delivery 设为 uri 并轮询 Files API，等到状态变为 ACTIVE 才能取回结果；分辨率 1080p 与 4k 由算法上采样生成，本质上不是原生重编码。

“未知”则是文章没有给出的部分。它没有引用 Google 的官方公告、官方博文或定价文档链接，也没有提供可独立校验的第二来源，因此 2026 年 8 月 29 日这个发布时间只是文章自身标记的时间锚点。免费层与预留吞吐量的可用情况未被披露，旧版本的具体版本号、上下文窗口从 1 秒扩到 10 秒的实验或基准数据也未列出，10 秒窗口与 40 秒累积上限之外是否还有更长路径、能否在多轮扩展中维持更复杂的剧情结构，文章没有给出说明。

如何核对

要核对文章中的事实，可以按可验证性强弱分成三层。API 参数与计费层最容易直接落到控制台：把 response_format.resolution 分别设为 360p、720p、1080p、4k 各跑一次，观察 1080p 和 4k 在元数据中是否被标记为上采样版本；接着查看账单，确认输入统一为每百万 token 1.50 美元，文本输出 9.00 美元、视频输出 17.50 美元，并把生成的视频秒数乘以 5,792 token 看是否与按秒计费一致，验证 720p 视频每秒约 0.10 美元的换算。

上下文窗口与扩展长度层可通过对照旧版本验证：在 1.1 Flash 上传一段结尾已知的人声素材做场景延续，先把读取窗口意图压在 10 秒以内、再故意把上下文推到第 10 秒以外，观察续接素材是否仍贴合原片段；按 3 至 10 秒增量逐次调用，累计到 40 秒确认上限；上传超过 10 秒的非模型生成视频应被拒绝，多轮生成的视频则可被继续扩展，由此区分两类输入的上限差异。参考视频部分可上传两段相同角色、不同动作的 3 秒片段，看输出是否更倾向维持外形而非桥接剧情；把参考视频附上音轨，确认续接结果不包含该音频。

可用性与分发层需要交叉比对入口：登录 Google AI Studio 列出模型 ID，应能看到 gemini-omni-1.1-flash；在 Google Flow 的 AI Plus、Pro、Ultra 三档订阅下检查场景延续入口是否同时开放；在 Gemini 应用内触发场景延续，确认输出片段携带 SynthID 水印并能用检测接口读回。企业端可在 Gemini Enterprise Agent Platform 中确认同一模型标识符，并核对 Adobe Firefly、Figma Weave、GMI Cloud、Runway 是否在文档中列为已上线的生产用户。

不支持项需要主动试探来核对：上传一段 11 秒视频应被拒；尝试设置 system instruction、temperature、top_p 或 stop_sequences，接口应回退报错或忽略；写入独立的负面提示关键词，确认其未被识别，而把同一意图改写进提示文本则应生效；上传包含对白的素材做单轮扩展，新增对白应被忽略，改用 previous_interaction_id 串接多轮后再观察；提交 YouTube 链接作为来源，接口应拒绝；用非英语提示词生成，对照官方声明其未被评估。

文章本身只能作为时间锚点，缺少官方公告和定价文档链接，因此发布日期、上下文窗口扩展、40 秒上限等关键数字还需要以 Google 官方文档或控制台实测为准。

读者能做什么

如果读者打算自己上手 1.1 Flash，第一步是确定调用入口。开发者可以在 Gemini API 与 Google AI Studio 中查看模型列表，确认 gemini-omni-1.1-flash 出现在可选模型里，再准备 Interactions API 与 Files API 的调用代码。企业用户则在 Gemini Enterprise Agent Platform 中核对同一模型标识符是否上线，以便把视频生成接入内部流程。终端用户可以直接打开 Gemini 应用触发场景延续，或在 Google Flow 的 AI Plus、Pro、Ultra 订阅中寻找对应的场景延续入口，三档订阅的可用范围需要在账户设置里逐档确认。

在准备素材时，读者要把单段上传视频控制在 10 秒以内，超长素材需要先做切分；如果手上已有模型生成的视频，则可以继续追加扩展而不受这一上限约束。多段素材同时输入只服务于角色一致性，每段不超过 3 秒、总段数不超过三段，参考片段附带的音轨不会进入输出，因此不要把对白一致性寄托在参考视频上，而是通过 previous_interaction_id 串接多轮扩展来补齐对白。需要排除的元素必须直接写进提示文本，因为系统指令、temperature、top_p、停止序列与独立否定提示都不会生效；语音编辑和音频参考也不在支持范围内，YouTube 链接不能作为视频来源。

进入正式调用后，先用 360p 跑预览把渲染时间压到最多六成、成本压到约三分之一，再根据终稿需要切换到 720p、1080p 或 4k。需要注意 1080p 与 4k 都是算法上采样结果，不是原生重编码，画质预期要相应调整。输出体积超过 4MB 时，必须在请求里把 delivery 设为 uri，并通过轮询 Files API 等到状态变为 ACTIVE 再取回成片。所有片段都会带 SynthID 水印，平台与第三方可以用检测接口回查来源，这一过程可以在出片环节一并走完。

后续观察

后续值得盯紧的，首先是官方层面的补齐。文章在 2026 年 8 月 29 日发布时没有附带 Google 官方的模型卡、博客或定价文档链接，旧版本的具体版本号、上下文窗口从 1 秒扩到 10 秒的实验依据、10 秒读取窗口与 40 秒累积上限之外的扩展路径，以及免费层和预留吞吐量的可用情况，都没有被写进文章，因此这些信息需要等官方渠道补发后再核对，文章本身只起时间锚点的作用。

其次是生产用户在生态里的实际走向。Adobe Firefly、Figma Weave、GMI Cloud、Runway 在 1.1 Flash 发布时已进入生产，意味着它们内部以 gemini-omni-1.1-flash 为底座的素材生成和编辑链路会随着模型迭代一起演进，后续在 Firefly 中看到的视频生成体验、在 Weave 中看到的协作素材、在 Runway 中看到的接口形态，都会反映 1.1 Flash 的能力边界。这些第三方在多视频引用、对白一致性和上采样画质上的实际表现，也是评估模型真实可用性的间接窗口。

再次是消费端入口的演化。Google Flow 在 AI Plus、Pro、Ultra 三档订阅中开放模型，Gemini 应用把场景延续作为面向终端的功能直接交付，所有片段都带 SynthID 水印。订阅档位之间在场景长度、分辨率、调用次数上的差异，以及水印检测接口在第三方平台上的接入情况，是观察分发策略调整的两个具体抓手，文章没有逐档披露，需要在订阅页和检测接口文档里逐项确认。