用角色素材包做 Gemini Omni 1.2 Flash 参考图生视频
Gemini Omni 1.2 Flash（模型 ID gemini-omni-1.2-flash）把分开上传的参考图生成成视频。Google 在 2026 年 11 月 5 日的发布说明里写到，它对角色、产品和风格参考图跟得更紧，并明确提到可以把角色设定图做成一致的视频。本页把三视图素材包对到这个张数限制，并给出按上传顺序说明每张图用途的提示词。
我们还没有用 Gemini Omni 1.2 Flash 做过案例。本页按 Google 公开的限制整理素材包用法；本站的案例都是用 Kling 3.0 做的。
Gemini Omni 1.2 Flash（官方限制）
核对日期：2026-11-06- 2026 年 11 月 5 日在 Gemini API 和 Google Cloud 正式发布。模型 ID 为 gemini-omni-1.2-flash。支持 Interactions API。此模型不支持 GenerateContent API。
- 每次提示词最多 10 张图片。内联或控制台上传单张不超过 20 MB；来自 Google Cloud Storage 的单张不超过 30 MB。MIME：image/png、image/jpeg、image/webp、image/heic、image/heif。每次提示词最多 3 段视频。
- 生成或编辑时长 3 到 15 秒，按 1 秒递增（Omni 1.1 最长 10 秒）。同时指定首帧和尾帧时为 3 到 10 秒。画幅 16:9 和 9:16。分辨率 360p、720p、1080p 和 4k。参考图生视频文档里，不填分辨率时默认 720p。
- 比 Omni 1.1 大约便宜 30%：720p 视频每秒 $0.07，其他分辨率也有相近幅度的降价。可以先用 360p 或 720p 出草稿，再把要留的片子放大到 1080p 或 4K。
- 可以用角色、产品或风格图片，以及最长 3 秒的短动作片段来约束成片。发布说明还提到音频提示。Cloud 博客写明音频参考需要加入允许名单，模型卡把音频列为不支持的输入类型。语音、音乐和音效生成列为支持。
- 参考图生视频的任务名是 reference_to_video。每张图作为单独的输入附上。文档里的示例提示词是：“Use the image(s) as references to generate the video.”
资料来源: Google: Introducing Gemini Omni 1.2 Flash · Google Cloud model card: Gemini Omni 1.2 Flash · Google Cloud: Generate videos from references · Google Cloud blog: Gemini Omni 1.2 Flash generally available · Google DeepMind model card: Gemini Omni 1.2 Flash
上传顺序
每个视角单独一张，按这个顺序上传，并在提示词里按这个顺序说明。6 张图在 10 张上限里还留 4 个空位。
- image 1
02_turnaround_views/view_front.png脸和服装正面 - image 2
02_turnaround_views/view_side.png侧脸和侧面发型 - image 3
02_turnaround_views/view_back.png背面发型和服装 - image 4
01_character_reference/full_body.png身高和比例 - image 5
04_props/prop_role.png商品或工具 - image 6
05_scenes/scene_workspace.png场景
Cloud 模型卡上的硬限制是每次提示词 10 张图。Google 自己的例子常常只用一小套多视角的角色图或产品图来锁身份，那是用法，不是更低的上限。只有镜头需要时，才把空位用在第二个人物、一套服装或一张细节特写上。
为什么三张分开的视角比一张好角度更稳
单张图片——哪怕是精心挑选的 3/4 侧面——也只展示了角色的一部分。角色一转身，模型就只能自己猜侧脸和背面，脸、发型和服装往往就是从这里开始跑偏。把正面、侧面、背面作为三张独立参考图上传，并按官方指南的建议，在提示词里给每张图只指定一个用途。如果你还有 3/4 视角图，把它作为额外参考加进去，而不是只用它一张。
每张图只保留一张脸：把表情格从设定图里裁掉，并在每个镜头的提示词里原样粘贴同一段锁定的外貌描述。
提示词模板：单人
Use the uploaded images as references to generate the video. Image 1 is the front view of [Name], image 2 is the side view, and image 3 is the back view. Keep the same face, hairstyle and outfit in every frame. Image 4 sets body proportions. Image 5 is the [product]; keep its shape and colors. Image 6 is the location; keep its layout and lighting. [Name] is in [location]. [Action]. [Camera], one continuous shot, 16:9, 8 seconds. No extra people, no subtitles, no logos.
用口语写每张图的用途，并和上传顺序对齐。文档不要求图片序号标签。
改同一条片子，而不是重新生成
下一轮对话可以改已经生成的这条片子：换产品或背景、改光线或天气，或切换画幅。Google 写明这对完整的 15 秒片子也适用。做角色广告时，保留脸、服装和动作，只改你点名的那一项。
Keep this same clip and the same character. Do not regenerate the performance. Swap the background for [new place] and change the lighting to [lighting]. Keep [Name]'s face, hairstyle, outfit, action and camera framing. Leave the duration and 16:9 aspect ratio unchanged.
在 Interactions API 里，如果要在之后的编辑里引用这次交互，把 store 设为 true。已保存的交互最多保留 7 天。Cloud 博客还把改镜头角度列为一种编辑，而不是整段重做。
Omni 1.2 Flash、Kling 4.0 还是 Seedance 2.5
三者都可以用同一套素材包里分开的正面、侧面、背面。Omni 1.2 Flash 每次最多 10 张图，单段 3–15 秒，画幅 16:9 和 9:16，720p 每秒 $0.07，并且下一轮可以改同一条片子。Kling 4.0 的 Omni Reference 同样最多 10 张图，但总参考素材不超过 15 个，单段 3–30 秒，画幅更多；本站 Kling 指南列出的无输入视频 720p 价格是每秒 $0.157。Seedance 2.5 最多 30 张图，单段 4–30 秒；其指南列出的无输入视频 720p 示例是每秒 $0.231。按时长、画幅和价格选，素材包文件可以共用。
常见问题
- Gemini Omni 1.2 Flash 需要三视图吗？
- 有三视图更好用。发布说明写到，这个模型可以把角色设定图做成一致的视频，因为换镜头时脸、衣服和产品细节还能对得上。只有正面时，侧面和背面要靠模型自己补。
- 整张设定图上传，还是正、侧、背分开？
- 分开传。一张总览图里每个角度都挤在一起，提示词没法把“第 2 张图”指定成侧面。正面、侧面、背面、全身、道具和场景一共 6 张，上限是 10 张，还剩 4 个空位。
- 为什么首尾帧模式到不了 15 秒？
- 生成和编辑是 3 到 15 秒。Cloud 模型卡写明，同时指定首帧和尾帧时时长是 3 到 10 秒。要做满 15 秒，就用参考图生成，不要同时锁住首帧和尾帧。
先用免费角色试一试
每个角色的 19 张图完整素材包都免费：8 个入门角色不用注册，其余注册免费账号即可下载。9 支案例广告用的都只是包里的图。
查看免费角色