Gemini Omni Flash：支援同步音訊的文字生成影片模型 | RunComfy

Google / Gemini Omni Flash#

Gemini Omni Flash 是 Google 的多模態影片生成模型系列，結合 Gemini 對現實世界的理解和更強的物理規律推理，讓動作與物體互動更可信。該系列涵蓋文字生成影片、圖片生成影片、影片編輯和參考素材生成影片四類任務；本 RunComfy 頁面提供的是文字生成影片任務，可根據一條文字提示詞產生帶同步音訊的電影級短片。

模型能理解現實世界中的運動方式，因此更容易在同一鏡頭內維持物體、光線和動作連貫，減少逐格漂移。

主要特色#

• 原生同步音訊： 依畫面動作同步產生語音、音效和音樂，無須再單獨製作音軌。
• 符合物理規律的動作： 更強的物理理解可帶來更穩定、自然的動作與物體互動。
• 以現實知識為基礎： 利用 Gemini 的現實世界知識，讓場景更合理、更貼合主題。
• 提示詞層級控制： 可直接在提示詞中控制節奏和聲音，例如單一連續鏡頭、舒緩背景音樂或無對白。
• 四類任務： Gemini Omni Flash 系列涵蓋文字生成影片、圖片生成影片、影片編輯和參考素材生成影片；本頁面僅提供文字生成影片。
• 靈活畫幅： 支援16:9橫向和9:16直向，時長可設為3–10秒。

參數#

輸入項目與文字生成影片任務的 RunComfy OpenAPI Input schema 保持一致。

價格#

依生成影片的時長計費：

• 影片： $0.13/秒。

使用方法#

1. 編寫清楚的提示詞 — 描述主體、動作、環境、氛圍、光線和鏡頭。細節越明確，模型越容易準確理解。
2. 用文字控制節奏 — 可直接要求單一連續鏡頭或指定動作節奏。
3. 指定音訊 — 描述對白、環境聲或背景音樂；需要安靜畫面時可明確寫「無對白」。
4. 加入排除指令 — 在提示詞中直接寫明「不顯示文字」等不希望出現的內容。
5. 選擇寬高比 — 橫向內容選擇16:9；行動裝置優先的直向內容選擇9:16。
6. 設定時長 — 選擇3–10秒之間的任意整數。
7. 產生並最佳化 — 查看結果後，調整提示詞、寬高比或時長，再次產生。

提示詞建議#

• 先說明想要的鏡頭和運動方式，例如緩慢推近、手持拍攝或固定機位。
• 明確氛圍與光線，讓場景呈現符合預期。
• 每個短片聚焦一個清楚動作；較短時長更適合重點明確的提示詞。
• 如果聲音很重要，請具體描述聲景，因為模型可以產生同步音訊。
• 使用「不要出現畫面文字」等直接的排除表達，避免含糊暗示。
• 如果結果過於雜亂，可簡化提示詞，移除互相衝突的風格要求。

Gemini Omni Flash 與其他模型的差異#

• 與早期文字生成影片模型相比： 更強調符合物理規律的動作，並能一步產生原生同步音訊。建議使用自己的提示詞進行比較。
• 與無聲影片生成器相比： 已整合音訊生成，可省去單獨配樂和聲音設計環節。
• 在同系列中： 文字生成影片只是四類任務之一；圖片生成影片、影片編輯和參考素材生成影片則從既有媒體開始創作。

其他可嘗試的模型#

• Veo 3 Fast — 適合快速草稿、支援音訊的高速文字生成影片模型。
• Seedance 2.5 — 支援參考素材的電影級多模態影片模型。
• Kling Video — 強調動作表現的影片生成模型。
• Wan 2.5 — 通用文字生成影片替代方案。

官方資源#

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