Сорокасекундные сцены Gemini Omni 1.1 Flash — это четыре отдельных счёта

Число во всех заголовках этой недели — сорок. Сорокасекундные сцены от новой видеомодели Google — звучит так, будто вы вводите промпт и получаете обратно сорок секунд.

Не получаете. Один вызов gemini-omni-1.1-flash возвращает от трёх до десяти секунд. Сорок — это то, куда вы приходите, продлив этот клип ещё три раза: четыре задания всего, каждое тарифицируется отдельно. Никто не соврал — собственный анонс Google описывает продолжения прямым текстом, — но число ушло далеко от той фразы и добралось до многих как цифра за одну генерацию.

Это тот брифинг, который мы хотели бы получить до того, как класть карту на стол: сколько стоят сорок секунд, зачем нужен уровень 360p и какие ограничения закопаны в документации — одно из них полностью закрывает европейским разработчикам доступ к главной функции.

Сорок секунд — это четыре задания и четыре счёта

Видеомодели тарифицируют посекундно, и на продление нет скидки: продолжение стоит столько же, сколько свежая генерация, поэтому сорок секунд считаются как четыре десятисекундных клипа. На каждом уровне:

Четыре раза по десять секунд по каждой посекундной ставке. Наши берутся из живого каталога; страницы моделей держат актуальную цифру, если этот текст устареет.

Колонка Google заслуживает пояснения, потому что её ставки неожиданно трудно найти. Полную лестницу несут две официальные страницы, и текстовый поиск не находит ни одну. В анонсе запуска цены сидят внутри картинки — читаемо для человека, невидимо для Ctrl-F. На странице Cloud pricing они появляются как токены в секунду против счётчика в $17.50 за миллион, поэтому на цены не похожи, пока не перемножишь. Страница, которую вы открыли бы первой, — документация по ценам API, — даёт одну ступень из четырёх: «фактическая цена примерно $0.10 за секунду» для 720p.

Обе сходятся, со складкой на округлении: в анонсе показан аккуратный ряд $0.03 / $0.10 / $0.15 / $0.30, а токенная арифметика ложится чуть выше каждого из них. Счёт идёт по токенам, поэтому и колонка выше тоже; в посте о запуске есть расчёт по каждому уровню.

Пять долларов сорок за сорок секунд 1080p, шесть с небольшим — у Google. Это ценник до единственного альтернативного дубля, а дубли вы сделаете, потому что дрейф вылезает как раз на последнем продлении. Заложите тот монтаж, который оставите, плюс два, которые выбросите, — и одна готовая сорокасекундная последовательность выйдет в шестнадцать долларов, а не в пять.

Строка 360p была той, которую мы проигрывали, и до недавнего времени мы так здесь и писали. Она изменилась: наш черновой уровень теперь $0.0297 за секунду против $0.0338 у Google, на двенадцать процентов ниже. Не вчитывайтесь в это слишком глубоко. fal стоит на $0.03 — разрыв в один процент, статистический шум, переодетый победой, и ровно то, что переворачивается, стоит кому-нибудь поправить множитель. Черновой сценарий работы ниже держится у кого угодно; он никогда не зависел от того, чья цена ниже.

Настоящее обновление в 1.1 — память, а не длина

Длина была примерно достижима и раньше. Пригодной её делает то, что модель видит, когда продолжает.

Июньская превью-версия читала последнюю секунду клипа, который продлевала. Секунда говорит вам, что в кадре, и почти ничего — о том, что происходило, поэтому продления уходили в дрейф. Следящий кадр переставал следить. Куртка сдвигалась на полтона. Свет пересобирался на каждом стыке.

Gemini Omni 1.1 Flash читает до десяти секунд предыдущего материала. Десяти секунд хватает, чтобы понять, что тележка ещё ехала, с какой стороны бил рисующий свет и какого примерно цвета было пальто, — вот почему последовательность из четырёх частей теперь вообще держится. Если вам говорят, что главная функция 1.1 — это длина, всё наоборот. Длина была арифметикой. Память — это и есть модель.

1080p и 4K — это апскейл, а не рендер

Одна скобка в документации Google меняет то, за что вам стоит платить. Из справочника по модели, дословно: «1080p output (upscaled)» и «4K output (upscaled)». Модель рендерит ниже этих разрешений и масштабирует вверх. Верх лестницы — это не больше деталей, а файл побольше, несущий ту же информацию.

Это перекрашивает строку 4K выше. Двенадцать долларов с небольшим, у Google, за сорок секунд апскейленного вывода. Если спецификация клиента требует размеров 4K — платите. Если вы выбрали 4K, полагая, что так лучше выглядит, вы платите ровно втрое больше ставки Google за 720p за изменение размера, которое могли бы сделать в ffmpeg.

Черновик в 360p, финал в 720p

Это та часть, которая экономит деньги, и её никто не вынес в заголовок.

360p стоит здесь $0.0297 за секунду — четырёхсекундный черновик выходит в двенадцать центов против $0.36 в 720p и $0.54 в 1080p. Google также утверждает, что 360p работает до 60% быстрее — это цифра вендора, а не наше измерение, хотя направление очевидно верное.

Теперь арифметика. Допустим, план требует десяти попыток, прежде чем движение станет правильным, — реалистично для всего, где есть конкретное движение камеры.

• Десять проходов сразу в 1080p → $5.40
• Десять проходов в 360p → $1.19, затем победитель, перерендеренный в 1080p → $1.73

На шестьдесят восемь процентов меньше — за одну лишнюю генерацию в конце. Будьте честны в том, что может рассказать проход в 360p: композицию, движение камеры, вставила ли модель склейки, которых вы не просили. Тонкую фактуру он не оценит — разрешения не хватит, чтобы её донести.

Вот один и тот же промпт на обоих уровнях, с одним сидом, по четыре секунды. Сначала черновик:

Затем рендер в 720p того же промпта и того же сида:

На обоих — латунный секундомер на тёмном сланце, камера наезжает тележкой слева, тёплый рисующий свет скользит по металлу. Промпт для обоих, дословно:

Editorial slow-motion macro shot of a brass mechanical stopwatch resting on a dark slate table, its second hand sweeping forward in a single continuous shot with no scene cuts. Camera performs a slow dolly in from the left, shallow depth of field, one warm amber key light raking across the metal, cool blue rim light behind. Fine dust drifts through the beam. Clean dark background, no text, no logos, no people. Sound design: a soft mechanical tick and low room tone, nothing else.

(Промпт оставлен на английском: модель оценивалась только для английского.)

Двенадцать центов против тридцати шести. Черновик сказал нам, что наезд читается и что модель удержала один план, — всё, что нужно было знать до того, как вкладываться. Гоняйте свой цикл там, внизу.

Продление идёт только вперёд

Продление сцены дописывает в конец, и форма этого ограничения определяет, как вы планируете последовательность. Нельзя вставить в середину клипа. Нельзя продлить назад, чтобы построить подводку. Нет варианта «оставь концовку, пересобери первые четыре секунды» — возможность работает только в одну сторону. Если третий план неверен, всё, что идёт после него, отправляется в корзину вместе с ним.

Поэтому переносите усилия в начало. Первая генерация задаёт язык камеры, палитру и свет для всего последующего, и это единственный сегмент, который можно дёшево переделать. К третьему продлению вы уже на глубине четырёх заданий, и дотянуться назад нечем.

Есть ещё одно, чего продление не сделает. Дайте ему видео говорящего человека, попросите новый диалог — и оно откажет: Google ограничивает изменение речи. Пресса о запуске читает это как осознанную выдержку в духе ответственного релиза, а не как недостающую функцию; такая трактовка принадлежит журналисту, но само ограничение есть в документации. Не стройте на этой модели продукт для дубляжа.

Европейским разработчикам — прочитайте эту строку дважды

Закопано в документации одной фразой: в ЕЭП, Швейцарии и Великобритании редактирование и продление загруженного видео недоступно.

Это не мягкое ограничение. Главная функция — взять материал и продолжить его — не работает на большей части Европы. Text-to-video и image-to-video по-прежнему запускаются. Но если план был в том, чтобы сделать инструмент, продлевающий клипы, которые загружают ваши пользователи, а эти пользователи сидят в Берлине или Манчестере, план мёртв, и анонс об этом ни словом.

Проверьте это по своему региону развёртывания, прежде чем написать хоть строку интеграционного кода. Это самый дорогой пункт здесь, если узнать о нём поздно.

Ручки, которых нет

Придя из текстовой модели, вы потянетесь к параметрам, которых здесь нет. Документация Google помечает всю поверхность сэмплирования как неподдерживаемую: ни temperature, ни top_p, ни системных инструкций, ни stop-последовательностей, ни негативного промпта. Ничего.

Ваша единственная поверхность управления — сам промпт, и сторонняя документация ставит потолок в 40,000 символов: верёвки много, хотя этой цифры в справочнике самого Google мы не нашли. Всё, что обычно делается параметром сэмплирования, приходится вписывать по-английски. Если хотите знать, как писать этот английский хорошо, мы разобрали синтаксис промптов в отдельном посте, включая структуру тегов и проблему склеек, и повторяться здесь смысла нет.

Одна оговорка. Сторонняя документация по схеме для этой модели перечисляет temperature и top_p как принимаемые поля, тогда как справочник Google говорит, что они не поддерживаются. Мы не станем говорить, что верно, — мы говорим, что эти два источника противоречат друг другу. Не проектируйте вокруг этих параметров на основании записи в схеме; сперва проверьте, меняют ли они хоть что-то.

Звук, который не выключить, и английский, из которого не выйти

Звук генерируется нативно с каждым клипом, и выключателя нет. Ни параметра, ни флага, ни беззвучного режима. Управлять им можно — фраза Sound design: делает реальную работу, — но отказаться нельзя. Для встраивания в блог это означает отключение звука в плеере, что и делают оба клипа выше.

Ещё нельзя подать звук как референс, отредактировать сгенерированный звук потом или сохранить звук видео, которое вы загружаете для продления. Все три ожидания разумны. Ни одно не поддерживается.

Языковая поддержка уже, чем подсказывает маркетинг: английский — единственный полностью поддерживаемый язык. Японский и остальные задокументированы как неоценённые — аккуратный способ сказать, что результат непредсказуем. Если ваши промпты или диалоги не на английском, закладывайте сюрпризы.

Узнайте лимиты по референсам до того, как проектировать входной пайплайн. Видеореференсы: до трёх клипов по три секунды, и Google предупреждает, что подача сразу нескольких может ухудшить результат, — считайте три потолком, а не целью. Соотношения сторон — 16:9 или 9:16, тоже от Google. Два числа, которые цитируют рядом с этими, — не от него: частота 24 кадра в секунду и диапазон от одного до семи изображений для reference-to-video оба идут из сторонней документации по схеме. Каждый кадр несёт водяной знак SynthID, и провайдера, который давал бы для него выключатель, мы не нашли.

Прежде чем что-то потратить, сделайте это

Четыре проверки, по порядку. Первая убивает больше интеграций, чем все остальные вместе.

1. Подтвердите свой регион. Если вы в ЕЭП, Швейцарии или Великобритании и ваш продукт продлевает загруженное видео — остановитесь здесь. Эту работу для вас модель сделать не может.
2. Считайте цену последовательности, а не клипа. Умножьте на продления, потом на дубли, которые реально снимете. Сорок секунд 1080p — это $5.40 здесь в лучшем случае и реалистично втрое больше, когда вы посчитаете переснятое.
3. Спросите себя, нужен ли вам вообще Omni. Секунда Veo 3.1 Fast стоит здесь один цент против девяти у Omni в 720p. Один план, без продолжения, без интерполяции кадров, без персонажа, который должен так же выглядеть двумя клипами позже, — тогда эта кратность просто сожжённые деньги.
4. Стройте свой цикл на черновом уровне. Итерируйте в 360p, повышайте победителя. Шестьдесят восемь процентов — не ошибка округления.

Omni отрабатывает кратность ровно там, куда указывают функции 1.1: продолжить план, интерполировать между первым и последним кадром, оживить стоп-кадр или провести персонажа через склейки. За пределами этого — дорогой способ купить один клип.

Остальные ракурсы лежат рядом: что вышло в день запуска, что рейтинги говорят и чего не говорят — расходящиеся на этой неделе позиции арены принадлежат предыдущей модели — и разбор цен площадка за площадкой. Схемы и живые цены — в каталоге.

Цены и условия меняются. Проверьте актуальные цены каждого провайдера, прежде чем принимать решение о покупке.

Часто задаваемые вопросы

Может ли Gemini Omni 1.1 Flash действительно делать сорокасекундные видео?

Да, но не за один вызов. Одна генерация возвращает от 3 до 10 секунд. Сорок секунд — это накопленный итог, до которого вы доходите, продлив существующий клип ещё три раза (четыре задания), и каждое продление тарифицируется отдельно по той же посекундной ставке, что и свежая генерация. На E2X сорокасекундная последовательность в 1080p стоит $5.40 против $6.08 при прямом вызове Google.

Сколько стоит сорокасекундная последовательность Gemini Omni?

Умножьте 40 секунд на посекундную ставку своего разрешения; на продления скидок нет. На E2X это $1.19 в 360p, $3.60 в 720p, $5.40 в 1080p и $7.20 в 4K. Напрямую у Google, считая от его опубликованных ставок в токенах за секунду, те же длительности стоят $1.35, $4.06, $6.08 и $12.16. Добавьте отбракованные дубли и ждите от двух до трёх раз больше заявленной цифры.

Является ли вывод 4K у Gemini Omni 1.1 Flash настоящим 4K?

Нет. Документация Google помечает и уровень 1080p, и 4K как «upscaled»: модель рендерит ниже и масштабирует результат вверх. У файла размеры 4K; картинка не несёт детализации 4K. Если спецификация сдачи не требует именно этих размеров, ставка верхнего уровня покупает изменение размера, а не больше информации.

Можно ли использовать Gemini Omni 1.1 Flash в ЕС?

Частично. Text-to-video и image-to-video работают, но редактирование или продление загруженного видео недоступно в ЕЭП, Швейцарии и Великобритании. Поскольку продление и есть главная возможность, это блокирует любой европейский продукт, построенный вокруг продолжения пользовательского материала. Проверьте это по своему региону развёртывания до интеграции.

Поддерживает ли Gemini Omni 1.1 Flash temperature или негативные промпты?

Справочник Google помечает поверхность сэмплирования как неподдерживаемую — ни temperature, ни top_p, ни системных инструкций, ни stop-последовательностей, ни негативного промпта. Текст промпта — ваш единственный рычаг, а сторонняя документация по схеме ставит потолок в 40,000 символов. Та же сторонняя документация перечисляет temperature и top_p как принимаемые поля, противореча Google, так что проверьте их прежде, чем на них полагаться.

Можно ли отключить звук в выводе Gemini Omni?

Нет. Модель по умолчанию встраивает звуковую дорожку в каждый клип, и ни один параметр её не выключает. Инструкция по sound design в промпте направляет то, что вы получите, но отказаться нельзя — как нельзя подать аудиореференс, отредактировать результат или сохранить звук видео, загруженного для продления. Для беззвучного воспроизведения отключите звук в плеере.

Может ли Gemini Omni продлить видео назад или отредактировать середину сцены?

Нет. Продление дописывает только в конец клипа: ни продления назад для подводки, ни вставки в середину последовательности. Планируйте соответственно: первая генерация задаёт язык камеры и света для всего последующего, а ошибка в начале обесценивает каждое построенное поверх продление.

Стоит ли Gemini Omni 1.1 Flash своих денег по сравнению с Veo 3.1 Fast?

Только если вам нужно то, что добавляет Omni. Veo 3.1 Fast идёт по $0.01 за секунду на E2X против $0.09 у Omni в 720p. Для одиночного клипа без продления, без контроля первого и последнего кадра и без сквозной непрерывности между планами Veo выигрывает с большим отрывом. Omni отрабатывает надбавку на многоплановых последовательностях и в работе с непрерывностью по референсам.