Google 发布 Gemini Omni 1.2 Flash,视频时长延至 15 秒、价格降 30%
Google DeepMind 将视频生成模型 Gemini Omni 1.2 Flash 正式开放,单段视频最长从 10 秒延长到 15 秒,720p 视频价格下降 30% 至每秒 0.07 美元。
推荐理由:读者可以了解 Gemini Omni 1.2 Flash 在时长、价格和对话式编辑上的具体变化,以及参考图一致性的改进。
Google DeepMind 将视频生成模型 Gemini Omni 1.2 Flash 正式开放,单段视频最长从 10 秒延长到 15 秒,720p 视频价格下降 30% 至每秒 0.07 美元。
推荐理由:读者可以了解 Gemini Omni 1.2 Flash 在时长、价格和对话式编辑上的具体变化,以及参考图一致性的改进。
Google DeepMind 发布 Gemini Omni 1.2 Flash,原生支持最长 15 秒视频生成,并可通过多轮对话编辑片段。该模型相比 Omni 1.1 降价 30%,720p 视频定价为每秒 $0.07,同时提升了对人物、产品和风格参考图的一致性。
推荐理由:原文列出时长、价格与参考一致性的具体变化,读者可据此判断视频生成成本与工作流会如何调整。
Google DeepMind 以研究预览形式发布世界模型 Genie 4,可生成更逼真的交互世界,并支持在模拟过程中输入提示词实时改变场景。新模型能生成与场景匹配的实时音频,包括音乐、环境音和交互对话,场景一致性最长维持两分钟,是前代 Genie 3 的两倍。
Kling AI 发布 4.0 版本,单次可生成最长 30 秒视频,支持最多 10 张关键帧图像输入,提示词理解扩展至 8,000 tokens。新版本加入双声道立体声和十余种语言的改进口型同步,Omni Reference 单次可接受最多 15 个参考素材,并推出最高 720p、20 秒的轻量版 Kling 4.0 Flash。
TwelveLabs 的视频语言模型 Pegasus 1.5 已在 Amazon Bedrock 上线,可将长视频按用户定义的分段规则输出带起止时间的结构化 JSON 元数据。
Tavus 推出 Griffin,公司称其为首个 Human Interaction Model(HIM),可在接收和生成视频的同时处理语音、面部表情、语调、手势和停顿。
Runway 推出 GWM Worlds 2 研究预览,把高保真视频与音频生成变成实时交互式模拟,并引入 WorldPrompt 这一输入格式,可固定环境部分要素(包括首帧)并生成带时间戳的事件序列。
Google DeepMind 发布 Gemini 3.8 Live with Live Avatar,在 Gemini 3.8 Live 的原生实时对话模型上加入近实时视频生成,实现带唇形同步、自然表情和流畅轮次的视觉化对话,已在 Gemini Enterprise 上线。
推荐理由:官方给出 Live Avatar 的实时视频对话能力、97 种语言同步与异步工具调用细节,可据此判断企业级多模态交互的落地形态。
Google DeepMind 发布 Gemini Omni 1.1 Flash,为开发者提供场景延展、首尾帧插值、360p 快速草稿和最高 4K 上采样等生成视频控制能力,通过 Gemini API 在 Google AI Studio 提供。
推荐理由:官方给出场景延展、首尾帧插值与 4K 上采样等具体能力与开放入口,可据此判断生成视频工作流的可控性变化。
Google DeepMind 发布 Nano Banana 2 Lite(gemini-3.1-flash-lite-image)和 Gemini Omni Flash(gemini-omni-flash-preview)两款模型。
推荐理由:两款新模型给出延迟、单价与开放入口,读者可据此判断图像与视频生成链路的成本与可用性。
Google DeepMind 发布 Omni 家族首个模型 Gemini Omni Flash,可组合图像、音频、视频和文本作为输入生成高质量视频,并通过自然语言多轮编辑视频。
推荐理由:Gemini Omni 把多模态输入与对话式视频编辑结合,读者可据此判断视频生成工作流的变化。