谷歌视频模型降价三成：15秒成片对话式修改-知了AI

视频生成模型的关键更新，藏在价格里

谷歌正式推出视频生成模型Gemini Omni 1.2 Flash，在Gemini API和Gemini for Business中全面开放。官方列出的升级有三项：原生15秒视频生成、多轮对话式编辑、更强的参考遵循能力。但这条新闻里最锋利的信息其实是那句价格说明：较1.1版本降价30%，720p视频生成价格为每秒0.07美元。模型能力和价格放在一起看，才能读出这条新闻的真实含义——视频生成的竞争，正式从”能不能生成”切换到”改起来方不方便、用起来贵不贵”。

三项能力升级，分别解决什么问题

15秒原生生成：时长门槛又抬了一格

15秒的原生生成意味着什么？短视频平台的主流单镜头时长在3到10秒之间，15秒已经能覆盖绝大多数单镜头需求，甚至可以一条出完整的口播片段。之前多数模型卡在5到10秒，长一点的内容要靠多段拼接，拼接处的一致性损耗是老问题。原生15秒把拼接次数降下来，等于直接减少了成片里的”接缝破绽”。

多轮对话式编辑：从抽卡到修改的分水岭

这是三项里我认为最重要的更新。以往视频生成的工作流是”抽卡式”的：写提示词、生成、不满意、改提示词、重新生成——每次重生成都是一次全新的赌博，运气好抽到想要的，运气不好连续二十次都在偏。对话式编辑改变了这个流程：生成结果出来后，用自然语言说”把左边的人物换成坐姿””背景黄昏一点”，模型在保留画面主体的前提下局部修改。抽卡变成了装修，工作流从概率游戏变成了可控迭代。对每天要出几十条素材的内容团队，这个变化直接影响人力成本。

参考遵循增强：一致性不再靠运气

参考遵循能力解决的是”照着做”的问题——给模型一张产品图、一个人设图，生成的视频要忠实还原参考对象。这是品牌内容生产的刚需：产品在视频里的样子和实物对不上，电商场景直接不可用。参考遵循的增强，配合降价，瞄准的显然是商业内容这条最有钱景的赛道。

降价三成的市场信号

价格战的底牌是成本曲线

每秒0.07美元的720p价格，折算下来一条15秒视频约1.05美元，约合七八元人民币。对比一年前同类能力的价格，降幅是数量级的。谷歌敢降三成，底气来自两点：一是自研算力的规模优势，二是推理架构的优化摊薄了单帧成本。这个价格已经进入”批量使用不看心疼”的区间——对内容平台和电商卖家，视频素材从预算科目变成了水电费科目。

主要视频生成模型横向对比

主流视频生成模型关键参数对比（2026年11月）
模型	单段时长	编辑方式	价格水平	优势场景
Gemini Omni 1.2 Flash	原生15秒	多轮对话式编辑	720p每秒0.07美元，降30%	商业素材批量生产
可灵AI	长镜头能力领先	重生成＋局部控制	订阅与API双轨	影视级质感、海外市场
即梦AI	多档位灵活	重生成为主	亲民定价	个人创作者快速上手
海螺AI	短镜头	重生成为主	中等	特写微表情表现力
Vidu	多主体参考	重生成＋参考控制	低价策略	多角色一致性

对比表里的趋势很清楚：对话式编辑目前是谷歌的独门武器，其他家还停留在”重生成加局部控制”的过渡形态。这个功能优势能维持多久不好说，但窗口期内，谷歌有机会把商业客户的工作流习惯焊死在自己家——工作流的迁移成本，比模型切换成本高得多。

对三类人的实际影响

电商与广告从业者

这是最直接的受益群体。参考遵循加降价，意味着产品视频的批量生产成本下探到可量化控制的水平。建议先从”重素材轻创意”的场景切入：商品展示、规格演示、场景植入——这类内容对一致性要求高、对艺术性要求低，正好是新能力组合的甜点区。

短视频创作者

对话式编辑改变了个人创作者的工作流结构。过去一条视频里AI素材占比高，是因为重生成太费时间；现在改三版可能比抽二十次卡快，AI素材的占比上限被打开。但也要提醒：工具同质化后，稀缺的是分镜叙事能力和题材敏感度，工具红利人人有份，创意红利才是差异。

技术选型者

如果你的产品要接入视频生成API，这个时间点建议做一次重新评估。评估维度除了单秒价格，还要算隐形成本：重生成次数（影响实际单价）、失败率、审核通过率。一个每秒贵两分钱但重生成率低一半的模型，综合成本反而更低。对话式编辑能力也应该纳入计价逻辑——它省下的是迭代时间。

我的判断：视频生成的定价权之争开始了

降价三成不是善举，是宣战。谷歌带着成本优势主动压价，压力最先传导到两类玩家：一是靠订阅费生存的中间层工具，它们的上游模型变便宜、下游用户预期变低，利润两头受挤；二是成本结构没有优势的模型厂商，要么跟进降价烧钱，要么退守差异化场景。可灵、即梦们的应对会是接下来半年的看点。

更长期看，视频生成会重演图片生成的价格轨迹——从奢侈品到水电费，最终价格趋近于推理成本本身。到那个阶段，竞争的胜负手只剩两个：工作流的锁定深度，和分发渠道的掌控力。谷歌这次把模型同时放进API和企业版，正是冲着第二个胜负手去的。对使用者来说，现在是最好的时候：能力在涨，价格在跌，且行且薅。

对话式编辑背后的技术跃迁

从”重新生成”到”局部编辑”的技术含义

对话式编辑听起来是产品功能，实际上是底层架构的跃迁。局部修改要求模型理解生成结果的空间结构——哪块是人物、哪块是背景、光源从哪来——然后只在指定区域重算像素，其余区域保持一致。这需要模型内部有显式的场景表征能力，而不是把整帧当作不可分的输出。能做对话式编辑的模型，本质上已经把”理解画面”和”绘制画面”解耦成两个可控环节，这是向视频后期工具形态靠拢的关键一步。

时序一致性的工程难点

视频编辑比图片编辑难一个数量级，难点在时序：修改第8秒的人物动作，第9秒到第15秒的画面必须跟着变化，否则动作接不上。谷歌能在产品化层面推出多轮对话编辑，说明其在时序一致性上的工程问题取得了实质突破。行业里的判断标准很简单：编辑后的片段能不能不经修正直接接回原片——能，就是真突破；不能，就是营销话术。

对创意工作流的解构

对话式编辑还重构了创意分工：过去”会用AI出视频”需要极强的提示词功底，现在”改哪里”的自然语言人人会说。创意的表达门槛下降，创意的判断价值上升——决定成片好坏的，从”谁会调参数”变成”谁看得出第三版的光影不对”。内容团队的能力模型要跟着换。

价格战的时间表与终局推演

降价三成的三层动机

谷歌降价30%不是简单的让利，而是三重动机的叠加：争夺商业客户——企业采购对价格敏感，降价直接抢可灵们的企业订单；建立价格锚——先降价者定价，后来者只能跟随或放弃这块市场；摊薄固定成本——视频模型的推理成本随批量上升而下降，降价换量、量摊成本的循环只要转起来就是良性。

竞品的可能应对

视频模型厂商应对谷歌降价的可能策略
厂商	可能的应对	胜算评估
可灵AI	跟随降价，靠海外企业客户对冲毛利压力	较高，收入规模足以支撑价格战
即梦AI	绑定字节生态补贴，消费端维持低价	中，消费市场能扛，企业市场承压
Vidu等创业公司	不打价格战，专攻多主体一致性等细分	看细分深度，差异化做得深可活
海螺AI等	强化表现力差异，走质感溢价路线	中，质感溢价依赖高端创意需求

终局：视频生成的公共事业化

价格战的终局可以参照云计算的历史：算力最终沦为公共事业，价格趋近成本线，利润集中在少数有成本优势的巨头手里。视频生成大概率重演——两三年内，720p视频的单秒价格可能跌破一分钱人民币。届时模型本身不再是生意，生意在模型之上：工作流软件、素材管理、版权结算、效果归因。现在还把”我们模型多强”当核心叙事的公司，都该提前想想第二曲线。

使用层面：把新能力转化为产出的方法

商业素材生产的四步法

把对话式编辑用到商业素材上，推荐四步工作流：第一步用参考图锁定产品与人物的一致性；第二步生成基础镜头，不求完美只求结构对；第三步用对话指令逐项修改——换背景、调光线、改动作，每轮只提一个明确指令；第四步批量微调，同一模板套不同SKU。实测这套流程能把单条商业素材的制作时间从小时级压到十分钟级。

指令写作的三个技巧

对话编辑的指令质量决定结果：一是指令要具体到空间方位，”把左侧的杯子换成红色”远优于”改一下杯子颜色”；二是一次只改一件事，多指令叠加时模型取舍不可控；三是善用否定式确认，改完追问”画面里还有什么变了”，防止编辑引入意外变化。

成本核算的动态视角

接入API的团队要建立动态成本核算：单秒价格只是一部分，实际成本等于单价乘以含重生成的总秒数。对话式编辑的价值就是把重生成率打下来——选型时用同一段需求实测十次，统计平均产出可用结果所需的总生成秒数，这个数字乘单价才是真实成本。

从Sora时代到编辑时代：视频生成三部曲

第一阶段：能生成（2023—2024）

这个阶段的标志是模型第一次产出可看的视频片段，行业焦点全部压在”能不能动起来、动得像不像”。演示视频里惊为天人，实际使用失败率极高，抽卡几十次挑一条可用素材是常态。这个阶段确立的用户预期是”视频生成可行”，也埋下了”视频生成不可靠”的刻板印象——后者直到今天还在影响部分用户的判断。

第二阶段：能控制（2025—2026上）

第二阶段的关键词是控制：参考图控制人物、首尾帧控制运镜、局部重绘控制细节。视频生成从随机产物变成半可控流程，商业客户开始真正进入——因为商业场景的核心诉求从来不是”惊艳”，而是”符合预期”。一致性控制的成熟度，成了这一阶段各家竞争的分水岭。

第三阶段：能修改（当前）

对话式编辑标志第三阶段开启：视频生成的体验终于与修图软件对齐——不满意就改，改到满意为止。这个阶段竞争的不再是单次生成质量，而是迭代效率：改一轮要多久、改动会不会引入新瑕疵、多轮修改后画面会不会劣化。Gemini Omni 1.2 Flash抢先卡住了这个阶段的身位，其他家的跟进速度决定行业节奏。

三个阶段的用户价值曲线

把三个阶段放在一起看，用户价值的增长是台阶式的：能生成解决了”有没有”，能控制解决了”准不准”，能修改解决了”省不省”。每一级台阶都把视频生成的适用场景扩大一圈——从创意尝试到商业可用，再到规模量产。现在到了最关键的第三级：这是视频生成从”工具”变”基础设施”的门槛级。

教育内容与个人创作的连带变化

教育内容生产的成本重构

教育类内容是视频生成的下一个大市场：课程动画、实验演示、历史场景复原——这些内容过去靠定制动画公司，单价以万计。参考遵循加对话编辑加低价格的组合，让课程开发者可以自己迭代视觉素材。知识付费的内容形态会因此变厚：图文配插画的时代，正在过渡到图文配视频的时代。

个人创作者的护城河迁移

对个人创作者，工具普及的另一面是同质化风险：当人人都能生成精良视频，画面的稀缺性消失，叙事的稀缺性凸显。创作者需要重新回答”观众为什么看我的”——答案不会在渲染质量里，而在选题眼光、人设信任和内容结构里。工具 leveling 的过程，也是创作者价值重新分配的过程。

版权与署名的新课题

参考遵循能力的增强也放大了版权灰区：给模型一张别人的产品图生成视频，成片的权利边界在哪里？平台的商用授权条款、参考素材的权利链审查、生成结果的标识义务，这三个问题在商业使用前必须弄清。视频生成的普及速度会快于版权规则的完善速度，先行者要自己给自己的风险兜底。

写在最后：把握工具红利期的两条原则

工具红利期有明确的时限——能力差异会被追赶，价格优势会被摊平，唯一能沉淀下来的是早期积累的工作流经验与素材资产。两条原则送给正在入场的团队：一是把每次生成的有效提示词与编辑指令结构化存档，这些私有资产会随时间复利；二是不要把业务流程绑死在单一模型上，保留双供应商的切换能力，价格战才刚开始，主动权要留在自己手里。