Gemini Omni Flash：支持同步音频的文生视频模型 | RunComfy

Google / Gemini Omni Flash#

Gemini Omni Flash 是 Google 的多模态视频生成模型系列，结合 Gemini 对现实世界的理解和更强的物理规律推理，让动作与物体交互更可信。该系列覆盖文生视频、图生视频、视频编辑和参考素材生视频四类任务；本 RunComfy 页面提供的是文生视频任务，可根据一条文本提示词生成带同步音频的电影级短片。

模型能够理解现实世界中的运动方式，因此更容易在同一镜头内保持物体、光照和动作连贯，减少逐帧漂移。

主要特点#

• 原生同步音频： 根据画面动作同步生成语音、音效和音乐，无需再单独制作音轨。
• 符合物理规律的运动： 更强的物理理解可带来更稳定、自然的运动与物体交互。
• 基于现实知识： 利用 Gemini 的现实世界知识，让场景更合理、更贴合主题。
• 提示词级控制： 可直接在提示词中控制节奏和声音，例如单个连续镜头、舒缓背景音乐或无对白。
• 四类任务： Gemini Omni Flash 系列覆盖文生视频、图生视频、视频编辑和参考素材生视频；本页面仅提供文生视频。
• 灵活画幅： 支持16:9横屏和9:16竖屏，时长可设为3–10秒。

参数#

输入项与文生视频任务的 RunComfy OpenAPI Input schema 保持一致。

价格#

按生成视频的时长计费：

• 视频： $0.13/秒。

使用方法#

1. 编写清晰的提示词 — 描述主体、动作、环境、氛围、光线和镜头。细节越明确，模型越容易准确理解。
2. 用文字控制节奏 — 可直接要求单个连续镜头或指定动作节奏。
3. 指定音频 — 描述对白、环境声或背景音乐；需要安静画面时可明确写“无对白”。
4. 添加排除指令 — 在提示词中直接写明“不显示文字”等不希望出现的内容。
5. 选择宽高比 — 横屏内容选择16:9；移动端优先的竖屏内容选择9:16。
6. 设置时长 — 选择3–10秒之间的任意整数。
7. 生成并优化 — 查看结果后，调整提示词、宽高比或时长，再次生成。

提示词建议#

• 先说明想要的镜头和运动方式，例如缓慢推近、手持拍摄或固定机位。
• 明确氛围与光线，让场景呈现符合预期。
• 每个短片聚焦一个清晰动作；较短时长更适合重点明确的提示词。
• 如果声音很重要，请具体描述声景，因为模型可以生成同步音频。
• 使用“不要出现画面文字”等直接的排除表达，避免含糊暗示。
• 如果结果过于杂乱，可简化提示词，移除互相冲突的风格要求。

Gemini Omni Flash 与其他模型的区别#

• 与早期文生视频模型相比： 更强调符合物理规律的动作，并能一步生成原生同步音频。建议使用自己的提示词进行对比。
• 与无声视频生成器相比： 已集成音频生成，可省去单独配乐和声音设计环节。
• 在同系列中： 文生视频只是四类任务之一；图生视频、视频编辑和参考素材生视频则从已有媒体开始创作。

其他可尝试的模型#

• Veo 3 Fast — 适合快速草稿、支持音频的高速文生视频模型。
• Seedance 2.5 — 支持参考素材的电影级多模态视频模型。
• Kling Video — 强调运动表现的视频生成模型。
• Wan 2.5 — 通用文生视频替代方案。

官方资源#

• Google DeepMind: https://deepmind.google/