实战 SOP
实战 SOP

换个灯光也要重新计费?五步算清这笔视频账

把 gemini-omni-1.2-flash 从拿到 Key 走到拿到成片,五步都对着官方文档:先确认渠道与计费前提(Gemini API 付费层、无免费层、输入 $1.50、文本输出 $9.00、视频输出 $12.00,1.1 为 $17.50,且 Gemini API 文档明确不支持 Provisioned Throughput);再用 Interactions API 的 response_format 起一条 360p 便宜草稿(duration 3s 至 15s、默认 10s、aspect_ratio 9:16 或 16:9);第三步上参考素材,最多 6 张参考图、首尾帧插值只支持 3 至 10 秒;第四步用 previous_interaction_id 做对话式改片而不是重做,注意 store=false 会丢掉后续可编辑性;第五步用 delivery 的 uri 取大于 4MB 的成片、经 Files API 轮询至 ACTIVE 后下载,1080p 与 4K 都是升频。成本按官方每秒单价推算并标注口径,一条 15 秒 720p 官方定价页直接给出约 $1.04。三个坑各自成段:无免费层与 12 月 3 日改价路由、一长串不支持项、尺寸与状态限制。

发布于 2026年11月7日9 分钟阅读
<!-- gemini-omni-12-flash-api-setup-sop | sop | 换个灯光也要重新计费?五步算清这笔视频账 -->

拿到一枚 Gemini API Key,想让 Gemini Omni 1.2 Flash 出一条能用的视频,真正花时间的往往不是把第一个请求发出去,而是账单和报错:为什么改一句话要重新算钱,为什么给了首尾帧却报 invalid argument,为什么大于 4MB 的成片拿不到手。谷歌官方 changelog 在 2026 年 11 月 5 日把 gemini-omni-1.2-flash 标为 GA 全面可用,并非初次面世,1.1 版本此前已经存在;Google Cloud 官方博客的对应文章写在 2026 年 11 月 6 日,中文媒体 2026 年 11 月 6 日的相关内容属于转载,转载日期不等于发布日,三者要分清。这一篇按官方 changelog、官方定价页、官方模型页与官方 video、Omni 文档,把从拿到 Key 到拿到成片拆成五步,再单列三个最容易踩的坑,参数与数字都照官方文档与官方定价页给出,不补官方没写的端点。

先把分工说清楚,免得和站内其他文章读重。本篇是接入与算账:五步从拿到 Key 到拿到成片,含参数、限制与成本推算。本批的热点篇讲 GA 事件与官方能力、定价口径;本批的开源篇讲 craft-anything 这个单项目;本批的横评篇讲五款 GitHub 工具的客观参数对照。还要和站内 2026 年 11 月 4 日那篇 llm-api-pricing-comparison-review 区分开:那篇拆的是各家 API 的价格幻觉与跨厂商比价,本篇只算谷歌这一款视频模型的官方 token 折算,不做跨厂商比价,也不替你判断该买哪一家。换句话说,本篇回答的是照着做能不能把片取下来、账单大概多少,不是该不该用、和谁比、哪家更便宜。

还有一个贯穿全篇的边界:本文只整理官方文档出现过的参数、端点与官方定价页的折算,不声称已在特定环境验证,也不给任何配置清单或时间保证;文中按秒乘出来的钱数一律标「按官方单价推算」,官方定价页直接给出的数字照录。以下内容不构成法律或采购建议。

第 1 步:先确认渠道与计费前提,别拿免费层去试

第一步不是写代码,是先把渠道和账单前提钉死。官方定价页把 Gemini Omni 1.2 Flash 的 Free Tier 明确标成「Not available」,也就是无免费层:输入与输出都没有免费额度,想发请求就得在 Gemini API 的付费层上,模型串用 gemini-omni-1.2-flash。这点很容易和别处的免费试用混起来,先把预期摆正,后面五步都建立在付费层可用、Key 已就位的前提上。

价格按官方定价页照录:输入 $1.50 / 1M tokens,覆盖文本、图像与视频输入;输出分两种,文本输出 $9.00,视频输出 $12.00。作为对照,1.1 版本的视频输出是 $17.50,官方 changelog 把 1.2 的视频输出定价描述为比 1.1 低 30%。这两个数字分属两个模型,后面算账只认 1.2 的 $12.00,别把 1.1 的 $17.50 混进来。官方定价页还把计费口径写明:按输出 token 总消耗计,720p 视频按每秒 5,792 tokens 折算。

渠道口径必须分开说,不能互为解释。Google Cloud 官方博客在 2026 年 11 月 6 日称该模型 production-ready,并说提供 Provisioned Throughput;而 Gemini API 官方文档明确写「Provisioned throughput is not supported」,Gemini API 侧不支持预置吞吐。这是两条不同渠道各自的表述,本文走的是 Gemini API 付费层这条线,凡涉及 Provisioned Throughput、音频参考白名单的说法都归到 Cloud 侧,不拿它来解释 API 侧能不能用。同样,官方文档个别页面还残留 1.1 的示例模型串,照抄会把模型和账单一起串错,本文所有代码块一律写 gemini-omni-1.2-flash。

第 2 步:先起一条便宜草稿,把 duration 与 resolution 压到最低

别一上来就要 1080p 或 4K。官方 video 文档给的入口是 Interactions API 的 client.interactions.create(...),通过 response_format 指定这是一条视频、时长和分辨率。先用最低档起一条草稿,确认提示词、构图和光线方向对不对,再决定要不要升分辨率,这是把账单压下来最有效的一步。按官方文档给出的调用形态示意:

python
interaction = client.interactions.create(
    model="gemini-omni-1.2-flash",
    input="A slow push-in on a ceramic cup on a sunlit wooden table, warm side light.",
    response_format={"type": "video", "duration": "5s", "resolution": "360p"},
)

response_format 里几个字段要记牢。duration 支持 "3s" 到 "15s",默认 "10s";一旦超过 15 秒,官方文档明说会返回 invalid argument error,所以长片不是靠一次请求硬拉出来的。resolution 可给 360p、720p、1080p、4K,默认 720p,其中 1080p 与 4K 是升频档,放到第 5 步讲。aspect_ratio 要竖屏就写 "9:16",横屏不写即为默认 "16:9"。这一步把 response_format 定成 5s、360p,是整篇最便宜的一档。

便宜在哪,官方定价页的每秒折算能算出来。官方定价页给出 360p 每秒 1,931 tokens、约 $0.023/秒,720p 每秒 5,792 tokens、约 $0.07/秒,也是默认档的价。按官方单价推算,一条 5 秒 720p 大约 $0.35,同样 5 秒的 360p 大约 $0.12;官方定价页对 10 秒 720p 直接给出约 $0.70。换句话说,草稿阶段用 360p 起,单条成本只有默认 720p 的三分之一上下,把试错次数留给便宜档,比一次升到高分辨率划算。这些按秒乘出来的数都标「按官方单价推算」,不替代官方定价页原文。

第 3 步:上参考素材,数量与时长都有硬边界

草稿方向对了,再把参考素材加进去锁住角色与风格。官方文档给的用量是:单次请求最多 6 张参考图,且每个角色最多 3 张、最多支持 2 个角色,所以 6 张不是随便摊,是按角色分组的上限。参考视频另有规矩:生成 3 至 10 秒成片时最多给 3 段参考视频,生成 11 至 15 秒成片时最多 1 段,且每段不超过 3 秒;官方文档同时写明不支持跨多视频推理,别指望把几段参考视频拼着推理出一条新片。

首尾帧插值是另一组容易撞的边界:它只支持 3 至 10 秒,如果同时给了首帧和尾帧,又把 duration 设成超过 10 秒,请求会直接报错。想要一条长片,正确做法是后面第 4 步的对话式扩展,而不是在插值这一步把 duration 拉到 15 秒。

提示词本身官方也给了写法:把场景、镜头、光线写清楚,想保持单镜头就在提示词里明说 "In a single unbroken scene" 或 "No scene cuts",否则模型可能切成多个镜头。需要规避的东西不要指望负向提示词,官方文档明确不支持 negative prompts,把「不要对白」「不要多余装饰」这类要求直接写进常规提示词里即可。这一步的产物仍然用第 2 步那套 response_format,只是 input 里多了参考素材,模型串保持 gemini-omni-1.2-flash。

第 4 步:用对话式改片,而不是每次重做

片子的第一轮出来后,改产品、改灯光、改机位不必从头再生成一遍。官方 Omni 文档给的是状态式编辑:用 previous_interaction_id 接上一轮的 interaction,模型会沿用已有的视频状态,不用重传之前的素材。改片提示词要短,官方建议在末尾加一句 "Keep everything else the same",把改动收在要动的那一处:

python
refine = client.interactions.create(
    model="gemini-omni-1.2-flash",
    input="Swap the ceramic cup for a matte black one. Keep everything else the same",
    previous_interaction_id=interaction.id,
)

这里要分清楚「省了什么」和「没省什么」:previous_interaction_id 省的是重新上传参考素材和重建状态,但每一次 create 仍是一次新的生成请求,仍会按当轮输出 token 计费,这正是常见问答里「改一个字也要重新计费」的由来,别把它理解成免费微调。

视频扩展是同一套状态机制的延伸:每轮扩展 3 至 10 秒,累计最长 30 秒,而且只能在尾部追加,不能往开头或中间插。所以要一条 30 秒的片,是拿一条短片一轮轮往后接,不是一次请求写 "30s"。

官方最佳实践还列了一组提速开关:background=false、store=false、stream=false 可以走同步生成、少等待。但 store=false 有代价,官方文档明说它会让这条片子后续不能用 previous_interaction_id 继续编辑。想保留接着改的能力,就别为了同步提速把 store 关掉;这一步的取舍要在发请求前想好,事后补不回来。

第 5 步:取片、升频与算账,把 $1.04 照录而不是重算

草稿和改片定稿后,才谈上升分辨率与取文件。官方模型页把 1080p 与 4K 都标为升频档;官方定价页给出 1080p 升频每秒 8,688 tokens、约 $0.104/秒,4K 升频每秒 17,376 tokens、约 $0.209/秒,都高于默认 720p 的约 $0.07/秒。Google Cloud 官方博客给的思路也是先用 360p 或 720p 出草稿,再把选中的成片升到 1080p 或 4K,别在草稿阶段就付升频的钱。

取片有个 4MB 的门槛。成片大于 4MB 时,官方 video 文档要求在 response_format 里用 delivery: "uri",让结果以 URI 形式返回,再走 Files API 轮询,直到文件状态变成 ACTIVE 才能下载。小于 4MB 的片可以直接取回;大于 4MB 却没切 delivery: "uri",会撞上 payload 上限拿不到文件。这一步的轮询与下载按官方文档的流程描述,本文不补官方没写的方法名,也不给任何时间保证。

python
final = client.interactions.create(
    model="gemini-omni-1.2-flash",
    input=prompt,
    response_format={"type": "video", "duration": "15s", "resolution": "720p", "delivery": "uri"},
)

算账口径就一条:按官方每秒单价乘以秒数、再按分辨率档位推算,凡是乘出来的数字都标「按官方单价推算」。但有一个数字必须照录,别自己乘:官方定价页对一条 15 秒 720p 直接给出约 $1.04,这是官方按 token 折算好的原文,本文照录,不用每秒单价另算一遍去顶替它。同理,10 秒 720p 约 $0.70 也是官方定价页原文。把这两类数分清楚,账单口径就不会乱。

最后一道固定动作:所有成片都带 SynthID 水印,官方文档说明它是不可见、可程序化检测的水印,输出时会一并带上,不需要你额外加参数。到这一步,从 Key 到成片的五步就走完了。

坑一:无免费层,还有 2026 年 12 月 3 日才生效的改价路由

第一个坑是预期错配。官方定价页 Free Tier 写的是「Not available」,无免费层,别拿别的产品里每月几条免费的说法当成 API 免费额度来规划成本,Gemini API 付费层上每一次请求都按输出 token 计费。第二个坑藏在日期里:谷歌官方 changelog 与官方定价页都写明,自 2026 年 12 月 3 日起,对 gemini-omni-1.1-flash 的请求会自动路由到 gemini-omni-1.2-flash,并按 1.2 的价格计费。这是未来生效的规则,在 2026 年 11 月 7 日成稿时还未生效,别写成已经改价。实际影响是:继续沿用 1.1 的旧模型串,并不会继续享受 1.1 那段 $17.50 视频输出之外的旧口径,路由生效后账单按 1.2 的 $12.00 走;稳妥做法是主动把代码里的模型串改成 gemini-omni-1.2-flash,自己核一遍账单,而不是等系统替你换。

坑二:不支持的东西,往往比支持的更容易踩

官方文档列了一长串「不支持」,逐条记住比记住支持项更省事。当前 Gemini API 版本不支持上传音频参考,注意这和模型能输出带原生音频的视频是两回事:模型页写的是输出 Video with native Audio,但输入侧传音频参考在 API 侧不可用,Cloud 侧的音频参考则需要白名单,两者别混。不支持系统指令、temperature、top_p、stop sequences 与负向提示词,负面要求一律写进常规提示词。不支持 Provisioned throughput,这是 Gemini API 侧的明确结论,不能拿 Cloud 博客的 Provisioned Throughput 来反推。上传视频的编辑与扩展在欧洲经济区、瑞士与英国不可用,属于官方文档列出的地区限制。不支持语音编辑,YouTube 作为媒体来源也不支持。语言方面英语完全支持,其他语言未评估,别默认中文提示词和英文同等效果。以上每一条都是官方 limitation 的转述,不是推测。

坑三:尺寸、状态与 payload 上限,报错多半出在这三处

把尺寸与状态类问题集中记一遍,能省掉大半报错。duration 超过 15 秒直接返回 invalid argument error,单条上限就是 15 秒;输入视频用于编辑或扩展时需要不超过 10 秒,多轮扩展另按每轮 3 至 10 秒、累计 30 秒算;参考视频最多 3 段且不支持跨多视频推理。状态方面,store=false 会丢掉后续可编辑性,一旦为了同步提速关掉 store,这条片子就不能再用 previous_interaction_id 接着改。取片方面,成片大于 4MB 不切 delivery: "uri" 去走 Files API 轮询至 ACTIVE,会撞上 payload 上限。这几处都不是模型效果问题,而是请求尺寸或状态没对上官方文档的约束,排查时先核它们,再回头调提示词。

常见问题

Q1:有没有免费额度可以先试? A1:没有可用于该模型的 API 免费层。官方定价页把 Gemini Omni 1.2 Flash 的 Free Tier 标为「Not available」,无免费层,输入与输出都要在 Gemini API 付费层按 token 计费。想控成本,办法是第 2 步那样先用 360p、短 duration 起草稿,而不是找免费额度。

Q2:能不能传一段音频当参考? A2:当前 Gemini API 版本不支持上传音频参考,这是官方 limitation 的明确条目。要分清两件事:模型输出的是带原生音频的视频,但输入侧传音频参考在 API 侧不可用;Cloud 侧的音频参考需要白名单,是另一条渠道的口径,不能拿来说明 API 侧能用。

Q3:最长能做多长? A3:分两种。单条生成 duration 支持 "3s" 到 "15s",默认 "10s",超过 15 秒返回 invalid argument error,所以单条最长 15 秒。想更长要走对话式扩展:每轮 3 至 10 秒,累计最长 30 秒,且只能追加在尾部,不能往开头或中间插。首尾帧插值另按 3 至 10 秒算,不是长片通道。

Q4:为什么改一个字也要重新计费? A4:因为计费按每次请求的输出 token 消耗算。用 previous_interaction_id 复用的是上一轮的视频状态、省掉重传素材,但每一次 client.interactions.create 仍是新一轮生成,会产生新的输出 token,官方定价页按 720p 每秒 5,792 tokens 折算这笔消耗。改片省的是上传和重建状态,不是省掉当轮的输出计费。

Q5:1.1 的旧模型串什么时候会变价? A5:按官方 changelog 与官方定价页,自 2026 年 12 月 3 日起,对 gemini-omni-1.1-flash 的请求会自动路由到 gemini-omni-1.2-flash,并按 1.2 价格计费;这是未来生效的规则,2026 年 11 月 7 日成稿时尚未生效。1.1 视频输出是 $17.50,1.2 是 $12.00。别指望沿用 1.1 模型串保住旧账单,主动改成 gemini-omni-1.2-flash 自己核账最稳。

延伸阅读

本文由 AI 辅助生成,经人工审核编辑。最后更新:2026-11-07

常见问题

有没有免费额度可以先试?
没有可用于该模型的 API 免费层。官方定价页把 Gemini Omni 1.2 Flash 的 Free Tier 标为「Not available」,无免费层,输入与输出都要在 Gemini API 付费层按 token 计费。想控成本,办法是第 2 步那样先用 360p、短 duration 起草稿,而不是找免费额度。
能不能传一段音频当参考?
当前 Gemini API 版本不支持上传音频参考,这是官方 limitation 的明确条目。要分清两件事:模型输出的是带原生音频的视频,但输入侧传音频参考在 API 侧不可用;Cloud 侧的音频参考需要白名单,是另一条渠道的口径,不能拿来说明 API 侧能用。
最长能做多长?
分两种。单条生成 duration 支持 "3s" 到 "15s",默认 "10s",超过 15 秒返回 invalid argument error,所以单条最长 15 秒。想更长要走对话式扩展:每轮 3 至 10 秒,累计最长 30 秒,且只能追加在尾部,不能往开头或中间插。首尾帧插值另按 3 至 10 秒算,不是长片通道。
为什么改一个字也要重新计费?
因为计费按每次请求的输出 token 消耗算。用 previous_interaction_id 复用的是上一轮的视频状态、省掉重传素材,但每一次 client.interactions.create 仍是新一轮生成,会产生新的输出 token,官方定价页按 720p 每秒 5,792 tokens 折算这笔消耗。改片省的是上传和重建状态,不是省掉当轮的输出计费。
1.1 的旧模型串什么时候会变价?
按官方 changelog 与官方定价页,自 2026 年 12 月 3 日起,对 gemini-omni-1.1-flash 的请求会自动路由到 gemini-omni-1.2-flash,并按 1.2 价格计费;这是未来生效的规则,2026 年 11 月 7 日成稿时尚未生效。1.1 视频输出是 $17.50,1.2 是 $12.00。别指望沿用 1.1 模型串保住旧账单,主动改成 gemini-omni-1.2-flash 自己核账最稳。

相关文章

实战 SOP

AI 短剧怎么制作:即梦短剧工作室六步出片

即梦短剧工作室 10 月 26 日上线(官方公告口径),从输入剧本到导出成片六步走:剧本阶段 DreamScript(多题材生成、爆款诊断、10 万字长篇解析)→ 美术设定 Anycook(人物与场景)→ 分镜 DreamShot(画布/故事板双模式、3D 导演台预演)→ 生成 → 后期(片段重拍、声音重构、智能切镜)→ 导出。计费如实写:会员六档积分(725 至 54600)、Seedance 2.5 促销价 0.19 元/秒(CLI 0.18 元/秒),官网两页面价格不一致处以实时价格页为准;站内入口、单独计费、转绘语种等官方未公布项全部留白并给出读者自行验证路径。市场背景按 DataEye 口径:抖音 AIGC 漫剧月度占比从 1 月 0% 升至 12 月 10.88%、单月播放 21.96 亿、全年增长 181 倍。与站内 LibTV×WorkBuddy SOP(平台接入路线)的分工已声明。

2026年10月28日11 分钟阅读
实战 SOP

3 块钱一支品牌片?LibTV WorkBuddy 视频工厂 SOP

LibTV × WorkBuddy 10-26 正式打通:WorkBuddy 连接器两步接入(搜 LibTV→授权→上传素材说需求),需求讲清四件事——拍什么、用在哪里、想要什么风格、哪些内容必须保留。三场景可抄模板:品牌视频(产品资料→卖点提炼→脚本分镜→成片)、爆款素材(一个创意批量生成不同开头卖点场景的 UGC 版本供投放测试)、短剧连续生产(梗概→剧情梳理→分镜→连续镜头);结合定时任务 7×24 出片。成本为官方自报口径:3 块钱一支品牌片、5 块钱一集短剧(借 Wan 3、Seedance 2.0 Fast 等模型成本优势);《过来人》等爆款在 LibTV 发布了制作画布与提示词可参考复刻;进阶路线走开源 Skills 仓库 libtv-labs/libtv-skills(MIT)。

2026年10月27日9 分钟阅读
实战 SOP

ComfyUI视频生成SOP:12GB显卡跑通LTX-2.5

ComfyUI 本地视频生成 SOP,以 LTX-2.5 为实例跑通 12GB 显卡。模型文件与目录(int8_convrot 构建,非 BF16):transformer 进 models/diffusion_models/、gemma4-12b-with-proj 进 models/text_encoders/、视频与音频两个 VAE bf16 进 models/vae/、2x latent 上采样器进 models/latent_upscale_models/。坑点先列:音频 VAE 是独立文件,跳过它=无声视频;提示词增强器约 5GB 额外模型且每代多 1-2 分钟,默认关;HF gated=auto 需登录同意条款才能下载(连模型卡都要登录)。硬件底线:distilled/int8 12GB 显存起步,CUDA 12.7+、PyTorch 约 2.7、Python 3.12+(innfactory 整理口径);8GB 卡建议改走 Wan 2.2 TI2V-5B+offload。工作流三型:T2V/I2V 两阶段(生成+2x latent 上采样精修)、单阶段(快、预览用)、A2V(音频驱动)。显存策略:量化/distilled 优先、ComfyUI 原生 offload、短低分辨率生成再上采样。仓库地址:github.com/Lightricks/ComfyUI-LTXVideo、huggingface.co/Lightricks/LTX-2.5。

2026年10月10日9 分钟阅读