Omni 1.2
Google Flow 内可选的视频生成模型,定位是「摄影师兼演员」:按分镜提示词生成 8-12 秒的单段带音视频片段,把人物动作、表情神态和环境声演出来。它的价值不在长镜头叙事,而在配合「固定机位 + 片段式分镜」时的高出片率;短板集中在中文字台词上——尾音被切、长句吞半句、多音字读错、无台词人物嘴也在动。
简介
Omni 1.2 是作者在 2026 年 11 月用 Google Flow 做古装监控视角短剧时使用的视频生成模型。它被放在一套四工具分工的剧组结构里:Gemini 4 当总导演写剧本/分镜/提示词并用浏览器自动化提交,Omni 1.2 只负责「接收分镜提示词 → 生成单段 8 到 12 秒的视频片段」。换句话说,它不是被当成一个「输入一句话、输出一支片」的黑盒,而是被当成一台需要精确调度、有明确能力边界的摄影机。
与同类的长镜头视频模型相比,本文对 Omni 1.2 的使用哲学是用结构绕开弱点:不要求它做跨镜头的动作承接(那会让成功率骤降),而是把剧本拆成 5 个各自独立的固定机位片段,段与段之间靠切镜音效黏合。作者的经验是,这样处理后「模型生成的成功率直接翻倍」。同一逻辑也用在机位上:全程锁死固定高角度监控广角,把模型算力留给眼神、手部小动作和衣服褶皱,而不是同时处理推拉摇移运镜与多人物精细表演。
它和纯文生视频模型的另一个区别是原生带声音:片段里包含角色说话与环境音,因此提示词必须同时管理台词时间轴、说话人归属和「画面纯净度」(不能自带字幕、水印、UI 边框)。也正因为声音是模型直出的,中文咬字问题才成为这条路线必须额外解决的工序——作者最终选择保留动作与底噪、整条人声用本地语音模型重配。
关键信息
- 类型:模型 / 视频生成模型(带音频)
- 领域:AI 视频生成、AI 短剧、监控视角喜剧
- 使用入口:Google Flow 网页端(模式 Video、单次数量 x1、画幅 16:9)
- 定价/开源状态:闭源;本文未给出具体计费,只提到「废片算力」和「重抽会浪费算力」
- 输出规格(本文实操):单段 8-12 秒,1080p 级别,可获取高清原片直链下载
- 相关概念:Google Flow、视频生成模型、AI视频分镜、Gemini、Veo
核心特性
1. 片段式生成优于长镜头衔接
模型最怕「长镜头里连续走位还要接上下一个镜头的动作」。本文的应对不是优化提示词,而是改剧本结构:做 5 个固定机位(迎宾大殿 → 后花园凉亭 → 偏殿耳房 → 夜间寝殿走廊 → 城门通关处),每镜独立成篇、自己撑起一个小高潮,镜间用切镜咔哒声连接。实践结论是成功率翻倍。
2. 时间轴是提示词的第一等公民
提示词按 [00:00-00:04] [00:04-00:08] [00:08-00:12] 三段写死动作与台词,并在最后 1.5 秒明确「保持表情定格与眼神对视,不再开口说话」。不这么写,最后半句会被硬生生腰斩。
3. 说话人归属必须显式声明
每次有人开口都要写「仅 A 一人开口用清晰标准普通话说道:……」并补一句「B 与 C 全程紧闭双唇不说话,只做表情反应」。否则没说话的人嘴巴也会跟着动。
4. 人物一致性靠提示词原文复制,不靠参考图
在纯文生视频条件下,每个角色准备一段约 30 字的「外貌服装死描述」,每镜原样粘贴。字符级不改动是这类模型保持同一人物辨识度的最可靠手段。
5. 中文台词的三个系统性弱点
- 吞尾音:12 秒里把台词排到第 11 秒就会在半秒处被截断 → 台词须在第 10-10.5 秒前说完
- 长句吞半句:一口气三四个分句模型来不及换气 → 单句 10-14 字、多用句号感叹号
- 多音字/语境误读:古装场景里「监控」被读成「中宫」、「为师」读成「喂师」 → 换成同音单音字(写「维师」),或干脆后期重配
6. 会自己「画字」,所以必须下死命令
提示词里一出现「监控画面、带时间戳和字幕」,模型就会在画面里长出一堆扭曲的假字。标准收尾是:画面纯净,不带任何文字和水印,也没有字幕或监控边框,所有 UI 留给后期代码绘制。
不同素材中的观点
- 2026-11-12-juejin-gemini4-omni12-ai-film-crew:本文是目前唯一系统记录 Omni 1.2 实操特性的素材。作者的态度是「工具不是瓶颈」——会用视频生成工具是整件事里最简单的部分,Omni 1.2 的位置是一台可被 Agent 自动调度、但必须按其脾气写提示词的摄影机。它给出了五类翻车(尾音截断、吞句、多音字、假文字、旁观者乱动嘴)的成因与提示词补丁,也给出了「干脆整条重配人声」这一兜底路线。作者同时强调不变的部分:工具今天叫 Omni 1.2,明天可能换新模型,但分镜控节奏 + 代码补短板这套导演思路一直通用。
实用信息
- 快速上手步骤:在 Google Flow 打开生成面板 → 模式设为 Video → 单次数量 x1 → 模型选 Omni 1.2(或当前最高质量视频模型)→ 画幅 16:9 → 粘贴按六段式写好的中文提示词 → 生成完成后取高清原片直链下载。
- 常用提示词骨架:
【画风与机位】+【场景与固定人物外貌】+【00:00-00:04 动作台词】+【00:04-00:08 动作台词】+【00:08-00:12 动作与定格留白】+【声音与纯净画面要求】(完整范例见 2026-11-12-juejin-gemini4-omni12-ai-film-crew)。 - 注意事项/避坑指南:① 旧版本文件不要删,重拍后不同版本可能各有一段更好;② 开头半秒人物没站稳、结尾半秒嘴多动这类小毛病用 ffmpeg 裁帧即可,别浪费算力重抽;③ 首尾留白不够用
tpad补(首帧前移 0.35s、末帧后移 0.45s);④ 需要「重拍」时新文件用_v2_v3递增,绝不覆盖。