Canonical: https://seo.whoops.com.tw/gemini-omni/
Author: Sliven 褚崇名
Source robots: follow, index, max-snippet:-1, max-video-preview:-1, max-image-preview:large
Content modified (WordPress): 2026-11-06T04:56:24+00:00
Representation modified (content/template/converter): 2026-11-12T06:48:56+00:00

# 怎麼用 Gemini Omni 做影片：從取得存取到多輪對話修改的 2027 完整教學

 

圖片：Gemini Omni 影片生成與多輪對話修改完整教學精選圖片（來源：https://seo.whoops.com.tw/wp-content/uploads/2026/08/gemini-omni-video-generation-editing-tutorial-featured.webp）

 

撰文作者 

[Sliven 褚崇名](<https://seo.whoops.com.tw/about/#founder-title>)

 

Whoops SEO 創辦人

 

SEO 與 AI SEO 專家，專長涵蓋技術 SEO、內容策略與 GEO 優化。從搜尋排名到 AI 答案中的品牌呈現，協助企業找出優化機會、排定執行順序，並追蹤實際成效。

 

圖片：Sliven 褚崇名肖像（來源：https://seo.whoops.com.tw/wp-content/uploads/2026/10/sliven-portrait-navy.webp）

 

[作者背景與專業領域](<https://seo.whoops.com.tw/about/#founder-title>) 更新 2026-11-06 約 35 分鐘閱讀

 

本篇內容

 

### 本篇內容

 

## 先看重點

摘自本文

- 反覆修改型工作流程最怕的不是花錢，是陷在「再改一輪就會完美」的迴圈裡。

[多輪工作流程範例（模擬情境，示意）](<https://seo.whoops.com.tw/gemini-omni/#%E5%A4%9A%E8%BC%AA%E5%B7%A5%E4%BD%9C%E6%B5%81%E7%A8%8B%E7%AF%84%E4%BE%8B%EF%BC%88%E6%A8%A1%E6%93%AC%E6%83%85%E5%A2%83%EF%BC%8C%E7%A4%BA%E6%84%8F%EF%BC%89>)
- 先講結論：Gemini Omni Flash 沒有免費層，你照著做會直接花到錢，這是預覽模型。

[Gemini Omni 費用與計費方式：怎麼算才不會爆預算](<https://seo.whoops.com.tw/gemini-omni/#Gemini-Omni-%E8%B2%BB%E7%94%A8%E8%88%87%E8%A8%88%E8%B2%BB%E6%96%B9%E5%BC%8F%EF%BC%9A%E6%80%8E%E9%BA%BC%E7%AE%97%E6%89%8D%E4%B8%8D%E6%9C%83%E7%88%86%E9%A0%90%E7%AE%97>)
- 輸出影片固定 720p、24 FPS、長度 3 到 10 秒，沒有 1080p 或 4K 可選，這是 Omni 跟 Veo 最直接的硬邊界，也是判斷一支影片能不能交件前要先確認的條件。

[限制清單：照做會踩到的硬邊界](<https://seo.whoops.com.tw/gemini-omni/#%E9%99%90%E5%88%B6%E6%B8%85%E5%96%AE%EF%BC%9A%E7%85%A7%E5%81%9A%E6%9C%83%E8%B8%A9%E5%88%B0%E7%9A%84%E7%A1%AC%E9%82%8A%E7%95%8C>)

 

### 檢查網站的 SEO 基礎

從網站網址開始，檢視可讀性與頁面基礎訊號。

- 檢查標題與搜尋摘要標記
- 核對 canonical 與索引指令
- 整理公開 HTML 的待改善項目

[免費檢查網站](<https://seo.whoops.com.tw/free-seo-audit/>)

 

[將 Whoops 設為 Google 偏好來源（另開 Google 設定頁）](<https://www.google.com/preferences/source?q=seo.whoops.com.tw>)

 

Gemini Omni 把「做影片」變成一場對話：你先生一支，再用自然語言一輪一輪改，模型記得前面每一輪的狀態，你不必每次都從空白重新生一支。它是 Google 推出的影片生成與編輯模型；本篇記錄早期 `` gemini-omni-flash-preview `` 的操作流程，從拿到存取、下第一個 prompt，一路改到下載成品。

 

版本更新：Google 已於 2026 年 11 月 5 日推出 Gemini Omni 1.2 Flash。若要使用現行模型，請先閱讀 [Gemini Omni 1.2 Flash 的 15 秒影片與 API 計費指南](<https://seo.whoops.com.tw/gemini-omni-1-2-flash/>)。下文的固定 720p、3 至 10 秒與舊費率屬於早期版本；現行解析度、時長與參數請以新版指南及官方文件為準。

 

先把會直接影響你能不能照著做的重點列出來：Omni 只在付費層提供、沒有免費層；輸出固定 720p、24 FPS、長度 3 到 10 秒，沒有 1080p 或 4K 可選；存取要走 Interactions API，不是你習慣的 `` generateContent ``，怕寫程式的人可以先在 Google AI Studio 裡試用；prompt 以英文為主，官方對英文以外的語言只標「未經評估」，中文不是不能用但別假設穩定；某些地區不能編輯含未成年人的圖片，也不能編輯你自己上傳的影片。規格、價格、區域可用性在預覽階段都可能調整，正式接入前回官方文件再確認一次，不要把這份教學當成不會過期的規格表。

 

> 重點先看：Omni 的價值在「反覆改同一支影片」，不在「一次生一支最漂亮的成片」。判斷要不要學它的第一個問題是：你的工作是生成後還要反覆改，還是生一次就要到位。前者 Omni 是為你設計的；後者你會更適合 Veo，後面會把分工講清楚。

 

## Gemini Omni Flash 是什麼

 

Gemini Omni Flash 是 Google 目前還在預覽階段的影片生成與編輯模型，模型 ID 是 `` gemini-omni-flash-preview ``。官方在 [Gemini Omni Flash 技術文件](<https://ai.google.dev/gemini-api/docs/omni>) 裡給它的定義是「為高速影片生成、編輯與電影級控制而生」的高效能多模態模型，能吃文字、圖片或影片當輸入，輸出 3 到 10 秒、720p、24 FPS 的影片，生成之後還能用自然語言對話反覆修改，這是它跟其他影片模型拉開差距的地方。Google 在 2026 年 5 月 19 日的 [Google I/O 2026](<https://seo.whoops.com.tw/google-io-2026-search-agents-seo/>) 上正式發表它，DeepMind 模型頁還給了一個好記的比喻：[把 Gemini Omni 想成影片版的 Nano Banana](<https://deepmind.google/models/gemini-omni/>)，把 Nano Banana 在圖片上「生成之後還能對話修改」的思路搬到了影片。換句話說，它不是你平常聊天問答或透過 [Gemini Spark](<https://seo.whoops.com.tw/gemini-spark/>) 交辦任務的那個 Gemini，而是 Google 生成式媒體陣容裡專門做影片的一員。

 

同一條生成式媒體線上，跟它並列的是 Veo、Lyria、Imagen 和 Nano Banana，各自做影片、音樂、圖片，Omni Flash 負責的是「可以對話修改」這一塊，跟 [Gemini 3.8 Flash](<https://seo.whoops.com.tw/gemini-3-8-flash/>) 那條文字模型線是兩回事。它在官方 models 頁面被歸在 Gemini 3 的 Preview 分類下，當成 [Gemini 3 這一代](<https://seo.whoops.com.tw/gemini-3-6-flash/>)的影片模型來理解沒問題；但它的名字裡沒有「3」，Google 專屬頁面也沒有「Gemini 3 世代」這個官方說法，所以這個世代標籤是方便理解的講法，不是 Google 的正式命名。

 

Google 官方 Gemini Omni 發表示範：從多模態輸入到以自然語言逐輪修改影片。來源：Google，2026 年 5 月 19 日。

[以影片頁觀賞：Introducing Gemini Omni: Create Anything from Anything](<https://seo.whoops.com.tw/videos/youtube-kuyrq7szzsm-ae5f88bba7/>)

 

## 為什麼它跟一般影片模型不一樣：對話式編輯才是主角

 

多數影片模型做的是單次生成：你給一段 prompt，它吐一支影片，不滿意就改 prompt 重來，每次重來都從零開始，前一支的成果完全作廢。Omni 走的是另一條路。它透過一個叫 Interactions API 的介面，讓你把影片生成跟後續修改變成一段對話，第一輪生一支，接著用自然語言告訴它「把背景改成黃昏」「第三秒鏡頭拉近」，它套用這些修改、同時盡量保留你沒提到要動的部分。模型靠一個叫 `` previous_interaction_id `` 的欄位，記得前面幾輪的脈絡跟影片狀態，你不用每次重新上傳前一支，也不用每次把全部需求重新描述一遍。

 

說穿了就一件事：Omni 的模型設計是衝著「反覆把一支影片調到很接近心裡那個樣子」這個工作來的，不是「一次得到一支漂亮的成片」。這個定位決定了整個教學的節奏，你會花最多心力在「怎麼下 edit 指令」「怎麼用 timecode 精準控制」「怎麼讓它保留沒提到要改的部分」，而不是在「怎麼擠出一段完美的開場 prompt」。

 

支撐這條工作流程的，還有兩個底層能力。一是原生多模態：Omni 一次吃進文字、圖片、音訊、影片，輸出也跨這些形態一起處理，畫面裡的主體、動作、聲音是綁在一起理解的，所以你改一個環節時另一個環節不會跟著走鐘，這是疊代穩定性的基礎；實際產出的差別是，主體的長相在動作中較能保持一致，並生成搭配畫面的音訊，而不是換個鏡頭就變了一張臉。二是它結合了物理理解與 Gemini 對歷史、科學、文化脈絡的知識，生成的畫面起點比較合理，例如要一段「1920 年代的爵士酒吧」，它對那個年代的服裝、燈光、樂器有基本認識，不是憑空捏造。世界知識不等於事實正確，它給的是合理的視覺起點，不是查核過的史料，細節該查證的還是要查證。

 

這三個能力合起來，解釋了為什麼 Omni 要用一條不一樣的操作路徑：原生多模態讓畫面裡的主體在動作中保持一致、並生成搭配畫面的音訊；對話式編輯讓「第 N 版」變成模型層級的狀態，不是你自己用檔案名稱硬記；世界知識讓起點畫面比較接近合理。但要提醒一個多數介紹文會略過的閱讀方式：能力清單講的是模型設計上做得到，限制清單講的是現在此刻哪些做不穩或不能做，兩者合起來才是真實的可用範圍。只看能力就投入開發，是預覽模型最容易翻車的地方，繞著硬邊界走、而不是撞上去才回頭改設計，會省下大量重工。

 

圖片：Gemini Omni 透過 previous\_interaction\_id 延續影片版本的對話式編輯流程圖（來源：https://seo.whoops.com.tw/wp-content/uploads/2026/08/gemini-omni-conversational-video-editing.webp）

Omni 透過 previous\_interaction\_id 延續前一輪狀態，後續 edit 在同一支影片上逐輪調整。

 

## 在哪裡動手：三個操作介面，外加一條 API

 

實際動手前先搞清楚一件事：Omni 不只有一個入口。Google 把它放在三個不用寫程式的地方，再留一條給開發者的 API，定位完全不同。AI Studio 是開發者導向的試用介面，Gemini app 是最休閒的聊天入口，Flow 是衝著影片創作來的工具，三者背後跑的是同一個 Omni Flash 模型，差別在介面給你多少控制權、把生成跟修改包成什麼樣子。怕寫程式的人不必只盯著 AI Studio，下面把四條路各自的定位講清楚。

 

不想寫程式、或還在評估階段，先走 Google AI Studio。 AI Studio 會幫你把 Interactions API 的互動結構兜好，你在網頁裡下 prompt、看結果、再下修改指令，整個對話式流程都能跑，不用安裝任何東西。這是確認這個模型到底符不符合你需求最省成本的方式。建議在接 API 之前，先用 AI Studio 跑完一輪完整工作流程（生成加兩到三輪修改），看實際結果與 token 消耗，再決定要不要寫進正式產製流程。

 

只想最快生一支、不想碰任何開發者介面，走 Gemini app。 [gemini.google.com](<https://gemini.google.com>) 本身就有影片模式，把輸入切到影片、用白話描述你想像的畫面，它就用 Omni 生成一支給你。這是最接近平常跟 Gemini 聊天的入口，沒有 API key、沒有 SDK，登入就能用。代價是控制粒度最粗：你在這裡拿到的是一支生成的影片，要再做精細的 timecode 控制或工程級的多輪 edit，這不是最順手的地方，把它當成快速試想法、或生第一版再丟去別處細修的入口就好。

 

圖片：Gemini app 影片模式，可用 Gemini Omni 從範本或描述生成影片（來源：https://seo.whoops.com.tw/wp-content/uploads/2026/08/gemini-omni-gemini-app-video-mode.webp）

Gemini app 的影片模式：挑範本或直接描述都能開始，輸入框顯示「描述影片構想」。

 

圖片：Gemini app 用 Gemini Omni 生成影片後，結果出現在對話裡的畫面（來源：https://seo.whoops.com.tw/wp-content/uploads/2026/08/gemini-omni-gemini-app-video-result.webp）

送出描述後，Omni 在對話裡生成影片；要改就在同一個對話繼續用白話提要求。

 

操作節奏大致是這樣（以網頁版為例，介面會調整）：把輸入模式切到影片，會看到一排範本跟「描述影片構想」輸入框，挑範本或直接打一段畫面描述都行；送出後 Omni 在對話裡生出一支影片，不滿意就在同一個對話繼續用白話要求它改（能不能延續前一支的狀態，以你當下在 Gemini app 看到的為準）。這條路計入你的 Google 帳號方案額度，能不能用、能用多少以你當下的訂閱狀態為準。

 

還有一條完全免費的試用路徑。Google 在發表當週的[官方公告](<https://blog.google/intl/zh-tw/products/explore-get-answers/gemini-omni/>)裡寫明，使用者能在 YouTube Shorts 和 YouTube Create 應用程式中免費體驗 Omni 的影片生成，不訂閱、不碰 API 也能先看看它生出的東西對不對味。這條路的控制粒度比 Gemini app 更粗，拿來當「先看效果」的第一步剛好，要精細的多輪修改還是回到前面幾個介面。

 

要做場景、角色、多鏡頭的創作，走 Google Flow。 Flow 是 Google 的 AI 影片創作工具（[flow.google.com](<https://flow.google.com>)），它不是聊天入口，而是把製作影片的流程整個包起來的環境：場景、角色、素材庫，還有一個能幫你批次生成的 Agent。依官方說明，Flow 沒有免費層，需要 [Google AI Plus、Pro 或 Ultra 訂閱](<https://seo.whoops.com.tw/google-ai-ultra/>)，其中 Pro 以上才完整含最新的 Gemini Omni Flash 模型，Ultra 再給更多點數與實驗模型優先權；實際方案內容與你所在地區的可用性，以[Google 的訂閱方案頁](<https://one.google.com/about/google-ai-plans/>)為準。

 

圖片：Google Flow 首頁推薦 Gemini Omni Flash 模型的主視覺與 Try Omni now 按鈕（來源：https://seo.whoops.com.tw/wp-content/uploads/2026/08/gemini-omni-google-flow-home.webp）

Flow 首頁把最新模型擺在最顯眼的位置；點進去就能用 Gemini Omni Flash 開始。

 

圖片：Google Flow 設定區，影片模型可選 Gemini Omni Flash 或 Veo 3.1 的 Lite、Fast、Quality（來源：https://seo.whoops.com.tw/wp-content/uploads/2026/08/gemini-omni-google-flow-video-model-settings.webp）

同一個 Flow 介面能選 Omni Flash，也能切到 Veo 3.1 的 Lite、Fast、Quality，等於一個工具同時涵蓋對話式修改與高解析度成片。

 

圖片：Google Flow 工作區，以場景、角色、素材與 Agent 創作 Gemini Omni 影片（來源：https://seo.whoops.com.tw/wp-content/uploads/2026/08/gemini-omni-google-flow-workspace.webp）

Flow 把場景、角色、素材與 Agent 集中在同一個工作區，能在同一個創作脈絡裡反覆改。

 

在 Flow 動手的心智模型跟聊天不一樣。先在設定區決定用哪個模型生成（Omni Flash 或 Veo 3.1 系列都選得到），接著在工作區下提示，可以一次要它生多張圖或多段影片、建立能重複用的角色，Agent 會幫你把生成流程跑完；要改就針對同一個場景繼續提要求。這套「在同一個創作脈絡裡反覆改」的邏輯，呼應 Omni 的對話式修改，只是 Flow 用場景跟素材把它包起來，而不是要你自己記 interaction id。本來就在做多鏡頭、需要角色一致的創作者，Flow 是這幾個介面裡最對得上工作節奏的一個。

 

| 介面 | 適合誰 | 能不能反覆改同一支 | 解析度 | 門檻 | 什麼情況選它 |
| --- | --- | --- | --- | --- | --- |
| Google AI Studio | 開發者、評估階段 | 能，完整 task 與 edit | 720p | 付費層，token 計費 | 要摸完整 API 行為、之後打算接 API |
| Gemini app | 一般使用者、最快試 | 能，但控制較粗 | 720p | 需對應 Google 訂閱方案 | 只想最快生一支、不碰開發者介面 |
| Google Flow | 創作者、多鏡頭專案 | 能，包成場景與角色 | Omni 固定 720p；選 Veo 可到 1080p、4K | 需 AI Plus、Pro 或 Ultra 訂閱 | 要角色一致、多鏡頭，或在 Omni 與 Veo 間切換 |

 

要接進自家產品或產線，走 Interactions API。 Gemini Omni Flash 不走標準的 `` generateContent ``，官方在 [Interactions API 總覽](<https://ai.google.dev/gemini-api/docs/interactions-overview>) 標明這個 API 現已正式推出（舊的 `` generateContent `` 現在被標為 legacy，仍完整支援，但新專案建議直接走 Interactions API）。這件事會影響你能不能用熟悉的 SDK 直接呼叫：很多 Gemini SDK 範例都圍繞 `` generateContent `` 寫，換到 Omni 的時候呼叫結構要換，不能直接把 model 名稱改掉就上線。

 

以官方 Python SDK 為例（套件名 `` google-genai ``，用 `` pip install google-genai `` 安裝），結構是先 `` from google import genai `` 建立 `` client = genai.Client() ``（API key 透過環境變數帶入），再呼叫 `` client.interactions.create(model="gemini-omni-flash-preview", input=...) ``。對應的 REST 端點是 `` POST https://generativelanguage.googleapis.com/v1beta/interactions ``，這個端點需要 API key 驗證，用 `` x-goog-api-key `` header 或在 URL 加 `` ?key= `` 都可以，官方兩種寫法的範例都出現過；請求內容至少帶 model 與 input 兩個欄位。這套結構對接過其他生成式 API 的開發者不陌生，差別在於心智模型要從「單次請求、單次回應」換成「一串有狀態的對談」。每一輪的 interaction id 都要自己存好，斷了就接不回原來的影片脈絡，等於前面幾輪報廢。預覽階段還會遇到速率限制與逾時，重試與斷點續接要事先設計，而不是上線後才補。模型改版連帶 API 行為調整的實例，可以看[Claude Sonnet 5.5 的遷移清單](<https://seo.whoops.com.tw/claude-sonnet-5-5/>)；想看同類 AI 模型 API 整合的基本觀念，可以參考站上的 [Claude AI 使用教學](<https://seo.whoops.com.tw/claude-ai-tutorial/>)，概念是通的。

 

接 API 還有兩個工程細節要先想好。一是狀態管理：每一輪的 interaction id、對應的 prompt、結果影片的 URI 都要寫進自己的資料庫，把它當成版本控制，斷了才接得回來；團隊協作時，這份紀錄也是成本歸屬與責任釐清的依據。二是輪詢與重試：`` delivery="uri" `` 回來的 URI 不是馬上就備好，要輪詢到檔案可下載；遇到速率限制要用指數退避重試，而不是無腦連發，預覽階段的限流比正式版嚴。這兩件沒做好，正式產線會在最忙的時候斷線，而且常常斷在那個你最不希望斷的輪數。

 

什麼時候從上面任一個介面畢業、改接 API，判斷標準很實際：當你開始要把這個流程跑給團隊或客戶、要批次產出、要把 interaction id 寫進自己的資料庫做版本管理，就該接 API；如果你只是自己評估或偶爾生幾支，留在任一個介面就好，不必為了「看起來專業」而提早扛起狀態管理與重試邏輯的工程成本。

 

圖片：Google AI Studio 試用與 Interactions API 正式接入的選擇流程（來源：https://seo.whoops.com.tw/wp-content/uploads/2026/08/gemini-omni-ai-studio-interactions-api.webp）

先在 AI Studio 驗證結果與 token 消耗；需要團隊、批次與版本紀錄時再接 Interactions API。

 

## 怎麼用 Gemini Omni 做影片：完整教學

 

這一段是整篇的重心，照著走可以從零生出一支、再把它改到接近你要的樣子。下面的 task、edit、timecode 是模型層級的共通邏輯，不管你最終在 AI Studio、Gemini app 還是 Flow 動手，背後跑的是同一套，差別只在介面把它包成什麼樣子。先把四種工作模式講清楚，因為「這一輪要模型做什麼」是由 `` task `` 參數決定的，選錯 task 會連第一輪都生不出對的東西。

 

### 第一次試用前，先準備好這幾樣

 

實際打開模型之前，把這幾樣先備齊，第一次試用會順很多。一個能登入 Google AI Studio 的帳號，這是直接在網頁介面摸一遍流程的入口；要留意 Omni 沒有免費層，在 AI Studio 試跑一樣會計入付費層計費，是否需要先啟用計費以你帳號當下的狀態為準。一段你已經想清楚的第一個畫面描述，建議先用英文寫好，包含主體、場景、鏡頭、時長四個要素，比現場臨場發想更省 token。一個你願意花的預算上限，因為不管走 AI Studio 還是正式 API、每一輪都計費，心裡有數才不會在疊代到一半時猶豫要不要繼續。如果你的素材是直式，先標註長寬比要設 9:16，這個常被忘記，生完一支橫式的才發現要整支重來。

 

### 第一步：搞懂四種 task，各自什麼時候用

 

同一個 `` gemini-omni-flash-preview `` 模型可以做四種工作，靠 `` task `` 參數切換：`` text_to_video ``、`` image_to_video ``、`` reference_to_video ``、`` edit ``。它們對應不同的輸入組合與情境，選對 task 是後面一切的前提。

 

兩條路定位 task 的方式不同。走 Google AI Studio 的人，task 對應網頁介面裡選擇工作類型的選項，你在介面上點選要做哪一種（從無到有生成、把圖動起來、用參考圖、或修改上一輪），介面會把對應的請求結構兜好，你不必自己組 request body；實際的選項名稱與位置以你當下看到的介面為準，預覽階段介面仍可能調整。走 API 的人，`` task `` 是放在 `` generation_config.video_config.task `` 這個位置，不是直接寫在 prompt 或請求最外層。以官方 Omni 文件展示的結構為例，`` text_to_video `` 的寫法長這樣：

 

````
client.interactions.create(
    model="gemini-omni-flash-preview",
    input="A cup of black coffee on a wooden table, top-down, steam rising slowly, warm light, 10s.",
    generation_config={
        "video_config": {
            "task": "text_to_video",
        }
    },
)
````

 

官方文件也提到，task 沒設的話模型會自己從 prompt 推斷你想做什麼；但預覽階段建議還是明確指定，避免推斷錯了生錯東西。

 

| task | 輸入 | 什麼情況用 | 什麼情況不要用 |
| --- | --- | --- | --- |
| `` text_to_video `` | 純文字 prompt | 從零開始生第一支，沒有現成參考圖 | 你手上已經有張定妝照或產品照，那用 image\_to\_video 更準 |
| `` image_to_video `` | 一張圖 + 文字 | 把靜態產品照、插畫動起來，或指定開頭畫面 | 要多個角色同時入鏡，改用 reference\_to\_video |
| `` reference_to_video `` | 多張參考圖 + 文字 | 主體一致性，例如同一隻貓出現在一系列短片 | 參考圖彼此矛盾、或想跨多支既有影片推理（目前不支援） |
| `` edit `` | 上一輪的狀態或上傳影片 + 修改指令 | 反覆改同一支影片，這是 Omni 的主力 | 你要的是重新生一支截然不同的，那是新一輪 text\_to\_video |

 

判斷順序是這樣：第一次生成，有圖用 `` image_to_video ``，要多個主體用 `` reference_to_video ``，都沒有就 `` text_to_video ``；從第二輪開始幾乎都是 `` edit ``。

 

圖片：Gemini Omni 四種影片 task 的輸入與使用情境比較（來源：https://seo.whoops.com.tw/wp-content/uploads/2026/08/gemini-omni-four-video-tasks.webp）

第一次生成依素材選 task；第二輪起通常切換到 edit。

 

兩個用圖的 task 再補一句。`` image_to_video `` 給一張圖加文字，重點是那張圖要是你真的想當主體的圖，因為模型會以它為錨點生成動作；手上還沒有那張圖的人，可以先[用 Nano Banana 2.1 製作靜態參考圖](<https://seo.whoops.com.tw/nano-banana-2-1/>)，也可以用 [Grok 的 AI 圖片生成模型](<https://seo.whoops.com.tw/grok-imagine-image-2/>) 把定妝照做出來再丟進去。放一張只是「氣氛參考」的圖，結果常常不如直接用文字描述。`` reference_to_video `` 給多張參考圖時，用 `` <IMAGE_REF_1> ``、`` <IMAGE_REF_2> `` 在 prompt 裡標明每張圖扮演什麼角色（例如「主角」「場景道具」），模型才知道要把哪張圖的特徵放在哪裡，不會把兩張圖的特徵糊在一起。

 

圖片：Google 官方 Gemini Omni image-to-video 範例，以魚躍出水面素描引導影片動作（來源：https://seo.whoops.com.tw/wp-content/uploads/2026/08/gemini-omni-image-to-video-official-example.webp）

Google 官方 image-to-video 範例輸入圖：以魚躍出水面的素描引導動作。來源：Google AI for Developers（CC BY 4.0）；本站已調整尺寸、嵌入品牌標誌並壓縮。

 

### 第一輪：用 text\_to\_video 生第一支

 

第一輪的 prompt 不必追求完美，因為 Omni 的設計邏輯就是讓你改。你要給的是夠具體的「畫面 + 動作 + 氛圍」，而不是一段文學描述。一個可操作的結構是：主體（是什麼、什麼狀態）＋ 場景與光線 ＋ 鏡頭（角度或運鏡）＋ 時間感。例如要一支產品展示短片，可以下：「A cup of black coffee on a wooden table, top-down angle, steam rising slowly, warm soft light, 10 seconds.」

 

反例也看一下，比較知道界線在哪。一段像「a beautiful coffee video」的 prompt 太空泛，模型會用預設氛圍填空，結果通常跟你心裡想的對不上；一段像「a close-up of steam rising from a single cup of black coffee on pale oak, morning side light, camera locked, 8 seconds, no text」則把主體、材質、光線方向、鏡頭狀態、時長、排除條件都講死，模型能發揮的自由度變小，結果反而更可控。第一輪的重點不是一次命中，是給後面幾輪一個「接近正確、值得繼續改」的起點，所以寧可具體到有點囉嗦，也不要留太多讓模型自己猜的空白。

 

幾個會影響這一輪結果的設定要知道。長寬比預設 16:9，要做直式短影片設 9:16，這對 Instagram Reels、TikTok、YouTube Shorts 這類豎屏素材是必要的；解析度固定 720p、24 FPS、長度 3 到 10 秒，沒有更高解析度的選項，這是硬邊界不是你 prompt 寫得夠好就能突破。生成結果會回傳一支影片跟一個 interaction id，把這個 id 存好，它是後面每一輪修改的接續鑰匙。

 

### 關鍵參數與進階語法

 

四個會反覆用到的東西：`` task `` 決定這輪做什麼；`` previous_interaction_id `` 接續上一輪狀態；長寬比 16:9 或 9:16；影片檔超過 4MB 時用 `` delivery="uri" ``，API 會回傳一個可輪詢下載的 URI，不會直接把影片塞在回應裡。

 

還有一個會悄悄抵銷 Omni 價值的參數。官方建議為了加速同步生成，可以設 `` background=false ``、`` store=false ``、`` stream=false ``，但 `` store=false `` 會讓這支影片沒辦法在後續輪次用 `` previous_interaction_id `` 接著改。你為了快一點，等於把 Omni 最核心的對話式編輯關掉，後面想改也接不回去。要疊代修改，就別設 `` store=false ``。

 

進階提示用兩種語法。一是 timecode，用 `` [0-3s] `` 或 `` After 3 seconds `` 這類寫法，指定某個修改或動作發生在影片的哪個時間點，對「前半段這樣、後半段那樣」的分時控制非常有用。二是圖片角色標籤：起始畫格用 `` <FIRST_FRAME> ``，參考圖用 `` <IMAGE_REF_N> ``，讓模型知道哪張圖扮演什麼角色，例如「這是開頭畫面」「這是主體參考」。這兩個語法在 `` image_to_video ``、`` reference_to_video `` 跟需要精準時間點的 `` edit `` 裡最常用到。

 

圖片：Gemini Omni 影片 prompt 結構與 720p、長寬比等關鍵參數（來源：https://seo.whoops.com.tw/wp-content/uploads/2026/08/gemini-omni-prompt-video-parameters.webp）

第一輪先把主體、場景、鏡頭與時長講清楚，並同步設定比例、URI 與狀態保存。

 

### 第二輪起：用 edit 做對話式修改

 

這才是 Omni 真正的賣點。第二輪起你帶著上一輪的 interaction id，把 `` task `` 設成 `` edit ``，用自然語言告訴模型要改什麼。模型會套用這些修改，同時盡量保留你沒提到要動的部分。你不用重新描述整支影片，也不用重新上傳第一版。

 

下 edit 指令有個關鍵習慣要養成：講清楚要改什麼之餘，明確講清楚不要動什麼。模型對「沒提到的部分盡量保留」是盡力而為，不是保證；當你下的修改牽涉到整體畫面（例如換背景、換時段），相鄰的元素還是有可能被帶動。實務上多寫一句「keep the rest unchanged」「其他不動」會比不寫穩，這也是降低反覆重試成本的小功夫。

 

### prompt 怎麼寫才有效

 

幾個可操作的建議，都跟「讓模型在預覽階段盡量穩定」有關。

 

prompt 主體用英文。官方對英文以外的語言標「未經評估」，中文不是不能用，但品質沒保證、結果可能不穩。要做中文市場內容的人，折衷做法是用英文 prompt 生成畫面主體，需要中文出現在畫面裡（字卡、招牌）時，再單獨用一輪 edit 指定文字內容，並預留修正輪數。純中文旁白、純中文敘事的長影片，現階段不建議當成主力產線。

 

善用 timecode 做分時控制。要「前半段平移、後半段特寫」，寫成 `` [0-5s] slow pan across the table, [5-10s] push in to the cup `` 會比一句「先平移再拉近」精準很多。timecode 是 Omni 對「電影級控制」最具體的落實，值得在第一輪就熟練。

 

負面條件不要找 negative prompt 參數，它不存在。Omni 不支援 system instructions、temperature、top\_p、stop sequences、negative prompts 這些控制參數，要排除什麼就直接寫在 prompt 裡，例如 `` Do not show any text ``、`` No dialogue ``、`` No camera shake ``。這是預覽階段的硬限制，不是你找不到設定。

 

還有一個會直接影響疊代效率的習慣：一輪改一個方向，不要把五個修改塞進同一輪。原因很實際：一次動太多，結果不對時你分不清是哪一個指令出問題，只能整輪重來；一次只動一個方向，出錯時回推成本極低，每一輪的 token 也花得清楚。這聽起來慢，但在需要反覆修改的工作流程裡，反而比一次下重手更省時間、也省 token。

 

官方標明 Omni 可以在畫面裡生成正確、可讀的文字，這對字幕卡、標題動畫、資訊圖影片相對實用，但仍建議把文字單獨拉一輪 edit 處理，出錯時只改文字那一輪，不必重來整支影片。如果重點是精準控制文字排版、UI 狀態與拍點，可以另看[用 Claude 製作動態圖形的提示詞案例](<https://seo.whoops.com.tw/prompt-motion-claude-opus-animation/>)；那條流程先生成 HTML／SVG 程式碼，再渲染成影片。

 

### 多輪工作流程範例（模擬情境，示意）

 

這個範例是基於官方能力推導的工作樣貌，屬於說明用的模擬情境，不是實際執行結果，目的是讓你看了就知道每一輪要做什麼、interaction id 怎麼接。假設要做一支十秒的咖啡產品短片。

 

第一輪（text\_to\_video）： 下「A cup of black coffee on a wooden table, top-down, steam rising slowly, warm light, 10s.」模型生第一版，回傳 interaction id #1。你看了覺得畫面可以，但蒸汽太快、且想要後半段鏡頭緩慢拉近。

 

第二輪（edit，帶 id #1）： 下「Slow the steam to half its current speed. From 5s, slowly push in to a close-up of the cup. Keep everything else unchanged.」模型套用兩個修改，保留咖啡、木桌、光影。這一輪回傳 id #2。

 

第三輪（edit，帶 id #2）： 你發現拉近後杯口邊緣有點變形，下「Fix the rim of the cup so it stays symmetrical. Do not change the lighting or the steam.」模型只修杯口。

 

第四輪（edit，帶 id #3）： 要加品牌字卡，下「`` [8-10s] `` add white text ‘Good morning, start with one cup’ in a clean sans-serif font, bottom center.」如果字拼對、位置合理，這支十秒短片就完成；字出了問題，因為是對話式，你只要再下一輪只修字，不用重來整支。

 

同一個情境換成 `` image_to_video ``，也看一下圖片角色標籤怎麼用（示意）。假設你手上有一張定妝好的咖啡杯俯拍照，想用它當開頭：第一輪把那張圖設為起始畫格，prompt 裡用 `` <FIRST_FRAME> `` 標記，並寫「Starting from &lt;FIRST\_FRAME&gt;, steam begins to rise, camera slowly tilts up, 8s.」模型會以那張圖為錨點生成動作，主體的長相會跟著你給的圖，而不是它自己想像。如果你同時給了一張參考圖想讓它入鏡，那張圖就用 `` <IMAGE_REF_1> `` 標，prompt 寫明它扮演什麼角色（例如「場景道具」），模型才知道特徵要放哪裡。

 

這個範例的重點不在每個 prompt 都完美命中，而在每一輪都是「在前一支的狀態上做修改」，而不是從空白重來。如果你的工作本來就是「收到回饋、改、再收到回饋、再改」這種反覆形態，這個流程會貼近你原本的節奏。疊代到第幾輪該停手，也有個判斷：當一輪改下來的改善已經小於那一輪花掉的 token 與時間，或當你發現自己在改的已經是模型反覆改不穩的細節（例如同一個字卡改了三輪還是歪），就該停，把這支當成這個版本的終點，而不是繼續硬磨。反覆修改型工作流程最怕的不是花錢，是陷在「再改一輪就會完美」的迴圈裡。

 

圖片：Gemini Omni 咖啡短片從生成到四輪 edit 的多輪修改示意（來源：https://seo.whoops.com.tw/wp-content/uploads/2026/08/gemini-omni-multi-turn-edit-workflow.webp）

多輪工作最好一輪只改一個方向，保留未指定內容並持續保存 interaction id。

 

### 新手最容易踩的三個雷

 

最常踩的幾種雷，根源其實都一樣：對「對話式」這三個字理解不夠。最常見的是忘記存 interaction id，每一輪回傳的 id 是接續下一輪的唯一鑰匙，沒存好等於斷在那一輪，前面累積的「接近正確」全部接不回去；把它跟影片一起寫進你的產製紀錄，是接 API 的基本紀律。另一種是一輪塞太多修改，這個前面提過，核心是出錯時無法回推是哪一句指令出問題。還有人會期待 1080p 成片，但 Omni 的 720p 是硬邊界，需要高解析度要改走 Veo 或事後用放大工具處理，不要假設 prompt 寫得好就能突破。

 

### 成品怎麼下載

 

走 API 的話，影片檔超過 4MB 要記得用 `` delivery="uri" ``，回應會給你一個可輪詢下載的 URI，而不是把影片直接塞在回應內容裡；這在接產線時是基本動作，漏了會拿到空回應或逾時。走 AI Studio 的話，網頁介面直接有下載按鈕，不用管 URI 輪詢。下載下來的成品是 .mp4，官方範例與回應的 mime\_type 都是 `` video/mp4 ``，所以接後續剪輯或壓縮流程不會有格式障礙。生成的所有影片都會內嵌 SynthID 浮水印，肉眼看不到但可程式化偵測，用來驗證影片是 AI 生成的，所以你沒辦法把 Omni 的成品假裝成實拍。生成時間在預覽階段沒有穩定的數字，官方只說會依時長、解析度、當下負載變動，沒有給具體秒數；建議你第一次試用時實際計時記下來，作為評估交付節奏的依據，產製流程有硬性交付時間壓力時，也要把這個變動性算進去，或準備替代方案。

 

## Gemini Omni 費用與計費方式：怎麼算才不會爆預算

 

先講結論：Gemini Omni Flash 沒有免費層，你照著做會直接花到錢，這是預覽模型。根據 [Gemini API 定價頁](<https://ai.google.dev/gemini-api/docs/pricing>)，Gemini Omni Flash 只在付費層提供，免費層是 Not available，計費單位是 token 而不是秒。

 

官方換算基準是：每秒 720p 影片等於 5,792 tokens。定價是輸入每百萬 tokens $1.50（涵蓋文字、圖片、影片、音訊），輸出每百萬 tokens 文字 $9.00、影片 $17.50。換成好懂的單位，標準定價下實效大約每秒 720p 影片 $0.10。但這個數字只算影片輸出的 token，還沒把你每一輪輸入的提示文字、參考圖也算進去，實際每秒成本會再高一點。

 

關鍵在於「反覆修改」這件事的成本會疊上去。每一輪 edit 都會累積輸入與輸出 token，一個四輪的對話式編輯，花費會明顯超過「一支十秒影片一塊錢」的直覺。要估預算，不能只看每秒單價，要把預計的修改輪數也算進去。比較穩的做法是先用 AI Studio 跑完一次完整工作流程（假設是生成加三輪修改），看實際用掉多少 token，再乘上你預期的產出量。模型在預覽階段，同一個提示跑兩次可能有些許差異，估預算留點緩衝比較實際。

 

把情境算給你看（示意）：假設你做一支十秒的 720p 影片，純輸出大概是 57,920 tokens（每秒 5,792 乘以十秒），乘上影片輸出每百萬 tokens $17.50，光成片輸出約 $1.01。接著你跑三輪 edit，每一輪除了新的影片輸出 token，還會把前面累積的脈絡當成輸入重新吃進去，輸入按每百萬 tokens $1.50 計。三輪下來，輸入側的累積會比單看成片輸出多出一截，整體花費會明顯超過一塊錢那個直覺數字。這個數字是說明用的推估，不是實際帳單，實際 token 消耗以你跑出來的為準，但它點出一個重點：決定總成本的是修改輪數，不是每秒單價。

 

要壓低疊代成本，方向跟省 token 是一致的：每一輪只改一個方向、把不要動的部分寫清楚、第一輪就把畫面方向跟長寬比設對避免整支重來。另一個值得養成的習慣是，把「明顯會被推翻的版本」先留在 AI Studio 的網頁介面裡跑，這條路同樣計入付費層，但省掉自己接 API、輪詢 URI 與重試的工程成本，確定方向穩定了再進 API 做細修，這種分段能把反覆試錯的開銷壓在最低那一層。

 

老實說，定價頁那個 Used to improve our products 欄位，在付費層標示為 No（免費層欄位是 Yes，但 Omni 沒有免費層），也就是你用 Omni 產生的資料不會用於改善 Google 的產品。這對不能外流的商業內容、或客戶有資料使用有限制的專案反而是有利條件；不過資料處理條款仍以你簽約當下 Google 的官方條款為準，不要把這裡的描述當成合約依據。

 

圖片：Gemini Omni 影片生成成本隨 edit 輪數逐步累積（來源：https://seo.whoops.com.tw/wp-content/uploads/2026/08/gemini-omni-video-generation-cost.webp）

Omni 每輪 edit 都會累積輸入與輸出 token，預算應以完整修改輪數估算。

 

## 限制清單：照做會踩到的硬邊界

 

先把硬邊界的範圍畫出來：輸出規格、上傳影片、高解析度、地區、功能、來源、語言、浮水印，逐條列在下面。預覽模型真正貴的地方，通常不是帳單上的每秒單價，而是你照著能力清單設計好流程，上線才發現某個關鍵能力在你的地區、語言或解析度不能用，整個流程得重來。以下限制都對應 [Gemini Omni Flash 模型卡](<https://ai.google.dev/gemini-api/docs/models/gemini-omni-flash>)，預覽模型的基本前提是：行為可能變動、速率限制比正式版嚴格、今天的行為不代表下週還一樣。

 

輸出規格。 輸出影片固定 720p、24 FPS、長度 3 到 10 秒，沒有 1080p 或 4K 可選，這是 Omni 跟 Veo 最直接的硬邊界，也是判斷一支影片能不能交件前要先確認的條件。

 

上傳影片與 context。 可以編輯的上傳影片，長度上限是 10 秒，超過的自拍素材沒辦法整段丟進去改。上下文視窗是 1,048,576 tokens，對話式編輯每一輪都會消耗這個額度，理論上能撐相當長的對話，但實際能維持編輯穩定度的輪數仍要看模型表現，不是這個數字撐滿以前都會一樣穩。

 

高解析度怎麼辦。 Omni 沒辦法超過 720p，這是硬邊界。如果你需要更高解析度的成片，方向有兩條：要質感的那一段鏡頭，從一開始就用 Veo 生成；已經在 Omni 跑出來的 720p 成品，也可以事後交給放大工具處理，但放大是否會損失畫質要你自己評估，這條路會多一道手續與成本，交付前最好把轉換前後比對一次。

 

區域限制。 上傳或編輯含未成年人的圖片，在歐洲經濟區、瑞士、英國不支援；上傳或編輯含特定可辨識人物的圖片不支援；編輯你自己上傳的影片，在這三個地區目前也不支援，但編輯模型自己生成的影片是支援的。換句話說，在這些地區你可以拿 Omni 生成的影片繼續改，但不能把自己拍的素材丟進去改。台灣不在這個限制範圍，但如果你服務的客戶、或部署環境在受限制地區，要先把這個條件納入設計，跨國專案最常在收尾階段因為這條翻車。

 

功能限制。 上傳音訊參考本版不支援；影片參考最長 3 秒，API schema 雖然接受，但模型目前無法正確處理；跨多支影片的參考與推理不支援，多影片提示可能造成效能下降或輸出異常；影片延伸（把影片拉長）與影格間插值不支援；語音編輯不支援；不支援保證吞吐量，高負載時拿到結果的時間不保證；不支援 system instructions、temperature、top\_p、stop sequences、negative prompts，負面條件直接寫成 `` Do not X ``。

 

來源限制。 不能用 YouTube 影片當來源，想拿 YouTube 素材來改的需求要找替代來源。

 

語言限制。 英文完整支援，其他語言標「未經評估」。中文包含繁中不是不能用，但結果可能不穩定、品質沒有保證。實務建議是 prompt 用英文，畫面要出現的中文文字再分開處理，並預期需要多輪修正。

 

浮水印。 所有生成的影片都內嵌 SynthID 浮水印，肉眼看不到但可程式化偵測。使用場景需要「看起來完全像實拍、不能被偵測出來是 AI 生成」的話，Omni 不符合需求，而且這個限制不會消失，因為它是 [Google 主動加的來源驗證機制](<https://seo.whoops.com.tw/synthid-detector/>)。

 

圖片：Gemini Omni 720p、時長、語言、地區與 SynthID 限制清單（來源：https://seo.whoops.com.tw/wp-content/uploads/2026/08/gemini-omni-limitations-720p.webp）

輸出規格、語言、地區與功能限制，應在設計正式流程前先確認。

 

## Gemini Omni 跟 Veo 3.1 比較：差在哪、依任務選工具

 

一句話先講結論：Gemini Omni 管對話式反覆修改、輸出 720p；Veo 3.1 管單次生成、可輸出 1080p 與 4K，兩者是並列的兄弟，不是前後代。很多介紹文把 Omni 寫成「Veo 的下一代」或「Veo 的對手」，這是誤讀。Google 自己在官方文件裡把分工講得更白：[把 Omni Flash 設為影片生成的預設模型](<https://ai.google.dev/gemini-api/docs/video>)，Veo 3.1 則留給場景擴充、結尾影格控制或整合舊版管道這類特定功能。Veo 的定位是電影級單次生成，詳細規格與計費可以在 [Veo 技術文件](<https://ai.google.dev/gemini-api/docs/veo>) 查到；它按秒計費，標準價格在 720p 與 1080p 都是每秒 $0.40、4K 每秒 $0.60，開 Fast 模式 720p 每秒 $0.10、1080p 每秒 $0.12、4K 每秒 $0.30。Omni 走的是對話式編輯。也就是說，Google 把「生成一支漂亮的成片」跟「反覆改一支影片直到對」拆成了兩個產品。

 

| 比較面向 | Gemini Omni Flash | Veo 3.1 | 什麼情況選它 |
| --- | --- | --- | --- |
| 工作模式 | 對話式疊代編輯 | 單次生成 | 要反覆改選 Omni，要一次到位選 Veo |
| 解析度 | 固定 720p | 可到 1080p、4K | 成片要 1080p 以上只能 Veo |
| 計費 | token 計費，實效約每秒 720p $0.10 | 按秒計費，Fast 720p 每秒 $0.10 | 同價位，但 Omni 疊代會疊 token |
| 狀態延續 | `` previous_interaction_id `` 原生支援 | 無，每次重新生成 | 要「同一支的第 N 版」選 Omni |
| 單段長度 | 3 到 10 秒，不支援場景擴充 | 單段 4、6、8 秒；場景擴充每次 7 秒、最多 20 次，合併最長 148 秒 | 要 20 秒以上的連續長片走 Veo 擴充 |
| 輸入模態 | 文字、圖片、音訊、影片；上傳影片編輯上限 10 秒 | 文字與圖片，參考圖最多 3 張 | 要拿現成影片或多模態混用選 Omni |
| 音訊 | 生成搭配畫面的音訊；不能上傳音訊參考、不能編輯語音 | 原生音訊一律開啟 | 要精準控制旁白配樂，兩者都要交給後製 |
| 輸出控制 | 自然語言加 timecode 逐輪改；無 temperature 等參數 | 生成前用參數設定，改了就整支重生成 | 要邊看邊改選 Omni，要規格化批次選 Veo |
| API 介面 | Interactions API，generateContent 為 legacy | generateContent API | 兩條 API 結構不同，SDK 呼叫要分開寫 |

 

### 同一支 10 秒 720p，兩邊各花多少錢

 

比較價格最公平的方式，是拿同一個需求去算：一支 10 秒的 720p 影片。Omni 走 token 計費，影片輸出每秒 5,792 tokens、每百萬 tokens $17.50，純輸出約 $1.01，之後每一輪修改再疊上輸入與新的輸出；Veo 按秒計費，標準版一支 $4.00、Fast $1.00、Lite $0.50，一次生成就是這個價，要改就是整支重來、重新計費。

 

| 方案 | 計法 | 10 秒 720p 花費 | 修改時的成本行為 |
| --- | --- | --- | --- |
| Omni Flash | token 計費，影片輸出每秒 5,792 tokens | 約 $1.01，加每輪輸入疊加 | 同一支上疊代，輸入逐輪累積 |
| Veo 3.1 標準 | 每秒 $0.40 | $4.00 | 每次修改整支重生成、重新計費 |
| Veo 3.1 Fast | 每秒 $0.10 | $1.00 | 同上，單價較低 |
| Veo 3.1 Lite | 每秒 $0.05 | $0.50 | 無 4K，適合草稿 |

 

這張表要讀的重點不是誰便宜，是修改形態決定帳單。你的工作是在同一支上改十輪，Omni 的輸入會一路疊上去；你的工作是反覆換 prompt 重抽，Veo 每一次都是全額。先想清楚自己屬於哪一種，再回頭看單價，數字才有意義。

 

兩者 720p 每秒大約 $0.10 同價位，但工作流程、解析度上限、計費邏輯都不同。記得 Omni 用解析度的彈性，換來了 Veo 沒有的原生對話式編輯，這不是「同樣解析度下比誰強」。要把成片做到 1080p 以上的人，這一點會直接決定你能不能選 Omni。定位上記得一個原則：Omni 負責反覆改的 720p 短素材，Veo 負責一次到位的高解析度成片，兩者各計費；硬要混用只會疊成本，除非你清楚哪一段要質感、哪一段要彈性。

 

### 混合工作流：用 Omni 起稿，用 Veo 出高解析度成片

 

兩者不是二選一，實務上可以接力。前期用 Omni 在 720p 上把方向、節奏、鏡頭語言改到對，這個階段的高解析度沒有意義，因為每一輪都可能翻掉；方向定案後，真正要 1080p 或 4K 交付的那幾個鏡頭，換 Veo 生成終版。在 Google Flow 裡這件事不用換工具，同一個介面就能在 Omni Flash 與 Veo 3.1 系列之間切換。成本紀律只有一條：先想好哪一段要質感、哪一段要彈性，別在 Omni 疊代到第五輪才發現成品要 4K。

 

至於 Omni 跟 Sora、Runway、Pika、Kling 與 [MiniMax H3](<https://seo.whoops.com.tw/minimax-h3/>) 這類影片生成模型的差別，一句話講：它們比的是「一次生一支最好看的」，Omni 比的是「把同一支反覆改到對」。如果你要的是前者，這些工具跟 Veo 都比 Omni 直接；如果你要的是後者，靠 `` previous_interaction_id `` 做模型原生狀態延續的，目前同級對手很少。把它們拿來比「誰比較強」其實問錯了問題，該問的是你的任務屬於哪一種。

 

圖片：Gemini Omni 與 Veo 3.1 在工作模式、解析度與計費方式的比較（來源：https://seo.whoops.com.tw/wp-content/uploads/2026/08/gemini-omni-vs-veo-3-1.webp）

要反覆修改 720p 短素材選 Omni；要一次到位的高解析度成片選 Veo。

 

## Gemini Omni 適合誰使用

 

把上面所有資訊收斂成一個判斷。會從 Omni 現在就拿到明顯價值的，是這幾種情境：你本來就在用 AI 影片生成做內容，而且工作流程是「生成、修改、再修改」的反覆形態，對話式編輯直接對應你的痛點；你做的是需要主題深度、文化正確性的內容，世界知識在這類情境會拉開差距；你的 prompt 習慣用英文，或你的產出語言是英文，語言限制對你影響最小；你的內容可以接受 SynthID 浮水印。

 

具體一點，現在就值得拿 Omni 試的影片類型大概長這樣：三五秒的產品展示短素材（生一支、再依回饋改細節）、社群直式短影片的實驗版本、需要正確文字的字卡與標題動畫、需要文化或年代氛圍的歷史重現或教育素材。它們共同的特徵是成品短、需要反覆調、可接受 720p，正好對上 Omni 現在的能力邊界；如果你的目標產出是長篇成片、高解析度或純中文旁白，這些條件現在會跟硬邊界打架，先把需求放到別的工具上更實際。像是要一張主播臉孔把中文腳本從頭到尾唸完的口播長片，[AI 數位人影片工具](<https://seo.whoops.com.tw/heygen/>)處理起來比影片生成模型直接得多。

 

反過來，這幾種情況建議先觀望：你需要一次到位的電影級成片，Veo 更適合而且計費更好預估；你要編輯自己上傳的實拍素材，而且你或你的客戶在受限制的地區；你的主要產出語言是中文，而且沒有資源做多輪修正、也無法接受品質不穩定；你需要保證吞吐量，或需要 system instructions、temperature 這類控制參數，預覽階段的 Omni 都還不支援。

 

問題不是 Omni 強不強，是你要它做哪一種活。預覽模型的好處是早一步摸到新能力，代價是行為會變、限制會改、速率會卡。如果你的場景落在「現在就該用」那邊，建議先在 AI Studio 試一輪完整工作流程，從生成、對話修改到下載，把第一輪試用當成壓力測試，確認計費跟結果都符合預期，再決定要不要接進正式產線。

 

圖片：哪些影片製作需求適合現在使用 Gemini Omni 的判斷圖（來源：https://seo.whoops.com.tw/wp-content/uploads/2026/08/gemini-omni-use-case-decision.webp）

短、需要反覆調且可接受 720p 的工作最適合；高解析度或穩定產線需求可先觀望。

 

## Gemini Omni prompt 範例圖庫：6 種影片直接套用

 

下面六組 prompt 都依前面教的「主體＋場景光線＋鏡頭＋時長」結構寫成，複製就能當第一輪 text\_to\_video 的起點，再依結果用 edit 一輪一輪收斂。直式素材記得把長寬比設成 9:16，需要文字的場景建議單獨拉一輪 edit 處理。

 

| 影片類型 | task | prompt 範例（英文，直接套用） | 要點 |
| --- | --- | --- | --- |
| 產品展示 | text\_to\_video | A glass bottle of energy drink on wet slate, side light, slow rotation, condensation droplets, 6s. | 16:9；材質與光線寫死，模型較不會亂填氛圍 |
| 直式社群短影音 | text\_to\_video | Matcha latte poured over ice in a tall glass, top-down, vivid green, 9:16, 5s. | 設 9:16 給 Reels、Shorts、TikTok |
| 字卡與標題動畫 | text\_to\_video | Bold white text “SUMMER SALE” centered on a warm gradient, slow zoom-in, 4s, no other objects. | Omni 能生成可讀文字；出錯就單獨拉一輪 edit 改字 |
| 教育解說（年代氛圍） | text\_to\_video | A 1920s jazz bar, saxophone player under a warm spotlight, sepia tones, slow dolly-in, 8s. | 世界知識給合理起點；細節仍要查證 |
| 定妝照轉影片 | image\_to\_video | Starting from &lt;FIRST\_FRAME&gt;, steam rises slowly, camera tilts up, 8s. | 把產品照或插畫設為起始畫格，主體長相跟著你的圖 |
| 分時控制修改 | edit | \[0-5s\] slow pan across the desk, \[5-10s\] push in to the laptop screen. Keep the rest unchanged. | 用 timecode 做前後半段不同處理；帶上 id 接續上一輪 |

 

## 常見問題

 

### Gemini Omni 免費嗎？

 

不免費。官方定價頁標明只在付費層提供，免費層是 Not available，計費用 token，標準定價下實效大約每秒 720p 影片 $0.10。想先在網頁介面試跑可以走 Google AI Studio，但 Omni 沒有免費層，試跑一樣計入付費層計費；不過官方在發表時開了一條免費體驗管道：YouTube Shorts 與 YouTube Create 應用程式裡可以免費試用，想先看生成效果的人從那裡開始最省。

 

### 中文 prompt 行不行？

 

官方對英文以外的語言標「未經評估」，中文不是不能用，但品質沒保證、結果可能不穩定。建議 prompt 主體用英文，畫面要出現的中文文字再分開用一輪 edit 處理，並預期需要多輪修正。

 

### Gemini Omni 跟 Veo 差在哪？

 

兩者是分工不是替代。Veo 3.1 走單次生成、按秒計費，可輸出 1080p 與 4K，適合一次生成一支電影級成片；Gemini Omni Flash 走 Interactions API 的對話式編輯、用 token 計費，輸出固定 720p，適合反覆修改同一支影片。兩者 720p 每秒大約同價位，但工作流程、解析度上限跟計費邏輯都不同。

 

### 輸出可以到 1080p 或 4K 嗎？

 

不行。模型卡載明 Omni 目前的輸出固定在 720p、24 FPS、長度 3 到 10 秒，沒有更高解析度的選項。需要 1080p 以上成片要改用 Veo 3.1，這是兩者最明確的硬邊界。市面上部分第三方服務標榜用 Omni 輸出 1080p 或 4K，那是生成後再放大的結果，不是模型原生解析度，畫質要自己驗收。

 

### 能編輯我自己上傳的影片嗎？

 

可以，但有區域限制，而且上傳的影片最長只能 10 秒。在歐洲經濟區、瑞士、英國，目前不支援編輯使用者上傳的影片，但編輯模型自己生成的影片是支援的。台灣不在限制範圍，但跨地區專案要先確認客戶或部署環境的位置。

 

### 台灣可以用 Gemini Omni 嗎？

 

可以。Omni 的地區限制集中在歐洲經濟區、瑞士、英國，台灣不在限制範圍。要走 Gemini app 或 Google Flow 需要對應的 Google AI 訂閱方案，YouTube Shorts 與 YouTube Create 有免費體驗入口，API 則走 Gemini API 付費層；各介面實際可用性以你當下帳號與方案狀態為準。

 

### 每一輪修改都要重新上傳前一支影片嗎？

 

不用。對話式編輯靠 `` previous_interaction_id `` 延續狀態，下一輪帶著上一輪的 id，模型就會接著前面的影片脈絡改，不用重新上傳、也不用重新描述整支影片。要留意的是每一輪都會累積輸入與輸出 token，這是成本會疊上去的原因。

 

### 支援直式短影片嗎？

 

支援。長寬比預設是 16:9 橫式，要做成直式可以設 9:16，對 Instagram Reels、TikTok、YouTube Shorts 這類豎屏社群素材是必要的。解析度上限（720p）與時長上限（3 到 10 秒）不因直式而放寬。

 

### 實際花費怎麼抓？

 

以 720p 為例，標準定價實效大約每秒 $0.10（只計影片輸出 token）。但 Omni 是 token 計費、走對話式編輯，每一輪修改都會累積輸入與輸出 token，反覆疊代的成本會疊上去。要估預算不能只看每秒單價，要把預計的修改輪數也算進去，建議先用 AI Studio 跑一次完整流程看實際 token 消耗再推估。

 

### 成品是什麼格式、怎麼下載？

 

成品是 .mp4（官方回應的 mime\_type 是 video/mp4）。走 API 時，超過 4MB 的影片要用 `` delivery="uri" ``，回應會給你一個可輪詢下載的 URI；走 Google AI Studio 的話，網頁介面直接有下載按鈕。

 

### interaction id 不見了怎麼辦？

 

interaction id 是接續那支影片對話狀態的唯一鑰匙，一旦遺失就沒辦法還原同一支影片的脈絡，只能開一個新的 interaction 從頭來。習慣上每一輪生成完就把回傳的 id 跟對應的 prompt、結果一起存進自己的紀錄，是接 API 不會斷在半路的基本紀律。

 

## 結論：把它放進你的工作流程之前

 

回到開頭那句定位：Omni 的價值在反覆改同一支影片，不在一次生一支最漂亮的成片。整篇教學走下來，你會發現它的每一個設計，從 Interactions API、`` previous_interaction_id ``、timecode、四種 task，到對 `` edit `` 的偏重，都是為了「對話式疊代」這個工作形態而存在。你的任務如果是這個形態，現在就值得花時間摸熟；如果不是，Veo 或其他單次生成工具更直接，也更好估成本。

 

給你三件下週就能動手的事。第一步，在 Google AI Studio 裡用 `` text_to_video `` 跑一輪第一版，拿到 interaction id，確認畫面方向符合你的素材用途（橫式或直式）。第二步，接著用 `` edit `` 加 timecode 連改兩輪，一輪改動作、一輪改文字或細節，實際感受狀態延續跟 token 累積的速度。第三步，把這次試用的 token 消耗記下來，乘上你預期的月產出量，得到一個有依據的預算區間，再決定要不要接進正式產線。預覽模型規格會變，正式接入後把官方模型卡釘起來定期回頭核對，是避開過期規格最簡單的習慣。

 

圖片：Gemini Omni 從 AI Studio 試作到正式產線評估的三步驟（來源：https://seo.whoops.com.tw/wp-content/uploads/2026/08/gemini-omni-video-workflow-action-plan.webp）

先用 AI Studio 跑一版、連改兩輪並記錄 token，再判斷是否接進正式產線。

 

[AI 模型](<https://seo.whoops.com.tw/tag/ai-models/>)[Gemini](<https://seo.whoops.com.tw/tag/gemini/>)[Gemini API](<https://seo.whoops.com.tw/tag/gemini-api/>)[Google AI](<https://seo.whoops.com.tw/tag/google-ai/>)[生成式 AI](<https://seo.whoops.com.tw/tag/generative-ai/>)

 

喜歡這篇內容？讓下次搜尋，更容易遇見 Whoops。

[將 Whoops 設為 Google 偏好來源（另開 Google 設定頁）](<https://www.google.com/preferences/source?q=seo.whoops.com.tw>)前往 Google 選取並確認，即可完成設定。

 

[## Sliven 褚崇名](<https://seo.whoops.com.tw/about/#founder-title>)

Sliven 褚崇名是 Whoops SEO 創辦人，負責技術 SEO、內容與關鍵字策略、WordPress 網站重建，以及 AI SEO、AEO、GEO 的量測與內容優化。作者頁可查閱由他署名的〈SEO 是什麼〉與〈AI SEO 是什麼〉等教學；內容中的自有量測、模型觀測與第三方來源應分開判讀，並以各頁標示的方法與限制為準。是否適合特定專案，仍需依網站現況、目標、執行範圍與可驗證成果判斷。

[查看作者文章 →](<https://seo.whoops.com.tw/about/#founder-title>)

 

## 討論與提問

 

### 發佈留言
