เราทดสอบ Gemini Omni 1.1 Flash มาหนึ่งวัน นี่คือคลิป 40 วินาทีและค่าใช้จ่ายที่เกิดขึ้น

สรุปสั้น ๆ สำหรับคนที่จะไม่อ่านเกินย่อหน้าแรก Gemini Omni 1.1 Flash คือโมเดลวิดีโอแบบครบวงจรของ Google: ใส่ข้อความ ภาพ หรือคลิปเข้าไป ได้วิดีโอพร้อมเสียงออกมา เวอร์ชัน 1.1 (27 สิงหาคม 2026) เพิ่มสองสิ่งที่สำคัญสำหรับงานจริง ได้แก่ การต่อฉากเป็น 40 วินาที และเอาต์พุต 1080p/4K ตอนนี้เปิดให้ใช้งานบน Popcraft แล้ว เราทดลองใช้มาหนึ่งวัน และสิ่งที่มีประโยชน์ที่สุดที่เราค้นพบคือ "ต่อเป็น 20 วินาที" จากคลิป 5 วินาที จะได้คลิปยาว 25 วินาที

วันพุธ 10:41 เริ่มกันเลย

Batch AI เปิดโมเดลบน test gateway ของพวกเขาเมื่อคืนก่อนหน้า ขอเริ่มด้วยข้อเท็จจริงสองข้อจากฝั่งพวกเขาก่อน เพราะข้อเท็จจริงสองข้อนี้เป็นตัวกำหนดว่าคุณจะใช้โมเดลนี้อย่างไร: สตริงความละเอียดคือ "4K" และมันคืนค่า 3840×2160 จริง ๆ และการต่อฉากเป็นโหมดจริงในระดับ API ไม่ใช่เทคนิคการเขียนพรอมต์ ส่วนที่เหลือด้านล่างคือสิ่งที่เราลองกดปุ่มเอง

งานแรกตั้งใจให้เรียบง่าย ผู้ดูแลประภาคารบนบันไดวน แนวตั้ง 5 วินาที 720p ผลลัพธ์กลับมาในราวสองนาทีที่ 5.01 วินาที พร้อมลมและฝนในแทร็กเสียงที่ไม่มีใครขอ นั่นคือค่าเริ่มต้นของ Omni: คู่มือนักพัฒนาของ Google ระบุว่าโมเดล "จะพยายามสร้างแทร็กเสียงที่เหมาะสมสำหรับวิดีโอ" และมันก็ทำเช่นนั้นทุกครั้ง เว้นแต่คุณจะสั่งไม่ให้ทำ

11:20 การต่อฉากที่ยาวกว่าที่ขอไป 5 วินาที

นี่คือส่วนที่คุ้มค่ากับบทความนี้ เราแนบคลิป 5 วินาที เขียนคำสั่งหนึ่งบรรทัด ("ผู้ดูแลประภาคารเดินออกไปที่ระเบียงโคมไฟและจุดโคมไฟ") แล้วขอยาวรวม 20 วินาที

ไฟล์ที่ได้กลับมายาว 25.0 วินาที

ไม่ใช่บั๊ก โพสต์เปิดตัวของ Google ระบุว่าการต่อฉากทำได้ "ทีละ 10 วินาที จนถึงความยาวสะสมรวม 40 วินาที" และหมายถึงทีละช่วงเต็ม ๆ: 5 บวก 10 บวก 10 ห้าวินาทีแรกของไฟล์ใหม่คือต้นฉบับของเราทุกไบต์ และเสียงพายุก็ต่อเนื่องผ่านรอยต่อพอดี ดูดีมาก เพียงแต่ไม่ใช่ 20 วินาที

ดังนั้นกฎสำหรับทุกคนที่สร้างงานบนโมเดลนี้ และเหตุผลที่แผง Extend ของ Popcraft แสดงตัวเลือก 15, 25 และ 35 สำหรับคลิปต้นทาง 5 วินาที แทนที่จะเป็น 10/20/30/40 แบบเรียบร้อย: คุณจะได้ความยาวเท่ากับคลิปต้นทางบวกด้วยช่วงละ 10 วินาทีเต็มช่วงเท่านั้น เราเรียกเก็บเงินตามจำนวนวินาทีที่ได้กลับมา ไม่ใช่ตัวเลขที่คุณพิมพ์เข้าไป

"ขยายวิดีโอทีละ 10 วินาที จนถึงความยาวสะสมรวม 40 วินาที" — Google โพสต์เปิดตัว Omni 1.1 Flash

12:05 สี่สิบวินาที หนึ่งพรอมต์

จากนั้นก็เป็นสิ่งที่เราต้องการจริง ๆ: เทรลเลอร์สไตล์ฮอลลีวูด "Pirates of the Cranberries" อัตราส่วน 16:9 ความละเอียด 1080p ความยาว 40 วินาที ด้วยคำขอเดียว Popcraft จะต่อวิดีโอให้คุณอัตโนมัติ: ใส่พรอมต์เข้าไปหนึ่งครั้ง ได้ไฟล์ความยาว 40 วินาทีออกมาหนึ่งไฟล์

ใช้เวลา 23 นาที การประมาณของเราเองบอก 15 นาที ตรงนี้เราต้องปรับจูนใหม่ ผลลัพธ์ออกมา 40.0 วินาทีพอดี 1920×1080 พร้อมดนตรีออร์เคสตราที่ดังขึ้นในจังหวะที่ใกล้เคียงถูกต้อง กัปตันคนเดิม เรือลำเดิม โทนสีฟ้าอมเขียวและสีอำพันเหมือนกันทั้งสี่ท่อน ความสม่ำเสมอนี้มาจาก context window 10 วินาทีที่กล่าวถึงในโพสต์เปิดตัว และนี่คือเหตุผลที่หนักแน่นที่สุดที่สนับสนุนโมเดลนี้

นี่คือสิ่งที่มันทำผิด และทำไมถึงเป็นความผิดของเรา พรอมต์เป็นย่อหน้ายาว 240 คำที่มีห้าจังหวะ: พายุ กัปตัน หีบสมบัติเต็มไปด้วยแครนเบอร์รี่ เรือคู่แข่ง และฉากจบด้วยปืนใหญ่ Omni เก็บทุกองค์ประกอบแต่สลับลำดับใหม่ ละอองแครนเบอร์รี่ที่กระเซ็นปรากฏที่วินาทีที่แปด ก่อนหีบที่ควรจะปล่อยมันออกมา และหีบก็ไม่เคยเปิดชัดเจน พรอมต์ที่หนาแน่นไม่ได้ทำให้โมเดลนี้ล้มเหลว แต่มันถูกบีบอัด

15:10 เอาล่ะ เราจะทดสอบเรื่องฟิสิกส์ให้จริงจัง

เทรลเลอร์เป็นการทดสอบฟิสิกส์ที่แย่: มีอะไรเกิดขึ้นมากเกินไป และไม่มีใครบอกได้ว่าแครนเบอร์รี่กระดอนถูกต้องหรือไม่ เราจึงเขียนพรอมต์ที่น่าเบื่อที่สุดของวัน ถังสีดำบรรจุน้ำนิ่ง ของไหลหนึ่งชนิดต่อช่วง 10 วินาที: หยดสีส้มตกลงไป กลุ่มหมึกสีคราม แล้วตามด้วยกลุ่มเม็ดสีขาวที่ถูกส่องแสงจากด้านหลัง ไม่มีคน ไม่มีเรื่องราว การเคลื่อนกล้องแบบโค้งช้า ๆ หนึ่งครั้ง 30 วินาทีที่ 1080p หนึ่งคำขอ

นี่คือสิ่งที่ดีที่สุดที่โมเดลสร้างได้ตลอดทั้งวัน หยดน้ำกระทบและสร้าง crown splash ที่ยุบกลับแบบที่น้ำควรเป็น กลุ่มหมึกสีครามกลิ้งตามมาและม้วนผ่านสีส้มโดยไม่มีสีใดเลอะเบลอ เมื่อเมฆขาวมาถึง แสงจากด้านหลังกระจายผ่านมันและของไหลก่อนหน้ายังอยู่ด้านล่าง ยังคงเคลื่อนไหว มุมกล้องโค้งต่อเนื่องทั้งสามท่อนโดยไม่รีเซ็ต ดูรอยต่อที่สิบและยี่สิบวินาที เราหามันไม่เจอ

เริ่มจากดราฟต์ที่ถูกกว่าก่อน เพราะนั่นคือเวิร์กโฟลว์ที่เราแนะนำ สี่แบบ 10 วินาที 720p (หมึก น้ำผึ้ง โดมิโน แท่นลูกตุ้มนิวตัน) ใช้เวลาประมาณสองนาทีแต่ละอัน หมึกและแท่นลูกตุ้มออกมาดี น้ำผึ้งดูกระตือรือร้นเกินไป โดมิโนล้มตามลำดับที่ถูกต้องแต่ไม่มีน้ำหนัก หมึกชนะ เราเขียนเวอร์ชัน 30 วินาที และเวอร์ชัน 30 วินาทีออกมาดีกว่าดราฟต์ ซึ่งไม่ใช่กรณีของเทรลเลอร์ที่ความยาวมากขึ้นหมายถึงการบีบอัดเรื่องราวมากขึ้น เมื่อไม่มีเรื่องราวให้บีบอัด การต่อฉากจึงมีแต่ข้อดี

ประโยคของ Google เรื่องพลศาสตร์ของไหล จากหลักฐานนี้ ไม่ใช่การตลาด

16:40 และคำกล่าวอ้างเรื่องกล้อง

ข้ออ้างอีกอย่างที่เราเห็นซ้ำ ๆ ในเอกสารเปิดตัวของ Google คือเรื่องกล้อง คำกล่าวจากพาร์ทเนอร์บนหน้าโมเดลชื่นชม "การเคลื่อนกล้องแบบไดนามิก" และคู่มือพรอมต์ของ Vertex ก็ระบุคำศัพท์ที่โมเดลถูกสอนมา: drone, dolly, pan, tilt, tracking, crane, orbit, whip pan และ "dolly zoom" ที่ระบุว่าเป็นขั้นสูงและไม่รองรับอย่างเป็นทางการ

เราจึงขอมันทั้งหมดในช็อตเดียว 30 วินาที กับประภาคารเดิมจากตอนเช้า การเคลื่อนที่หนึ่งครั้งต่อจังหวะของพรอมต์

ให้คะแนนทีละการเคลื่อนไหว เทียบกับพรอมต์:

• โดรนบินเข้าหา ได้ โฉบเหนือยอดคลื่น ไต่ขึ้นหน้าผาบะซอลต์ มาถึงโคมไฟตรงวินาทีที่เราขอพอดี สิบวินาทีที่ดีที่สุดของกล้องที่โมเดลให้เรามาทั้งวัน
• โคจรรอบ ได้ สิบวินาทีสุดท้ายโคจรรอบผู้ดูแลประภาคารจากด้านหลัง ผ่านด้านข้าง ไปยังมุมกว้างฝั่งตรงข้าม และประภาคารยังคงเป็นประภาคารเดิมตลอด
• แพนกล้องเร็วไปเรือ ไม่ได้ เรืออยู่ที่นั่น เล็ก ๆ ที่ขอบฟ้า แต่กล้องค่อย ๆ เลื่อนไปหามันแทนที่จะแพนเร็ว โมเดลเปลี่ยนการเคลื่อนที่เร็วให้ช้าลง
• เครนขึ้นเหนือโคมไฟ ได้ครึ่งหนึ่ง การยกขึ้นเกิดขึ้นในช่วงแรก ซึ่งพรอมต์ไม่ได้ขอ และไม่เกิดขึ้นในช่วงที่สอง ซึ่งพรอมต์ขอ
• มุมต่ำดันเข้าพร้อมปรับโฟกัส ไม่ได้ จบที่มุมกว้างแทน
• ดอลลี่ซูม เราตั้งใจไม่ใส่ในพรอมต์ 30 วินาที ในการทดสอบ 10 วินาทีก่อนหน้ามันออกมาเป็นการดันเข้าธรรมดา และคู่มือของ Google เองจัดมันอยู่ในหมวด "ไม่รองรับอย่างเป็นทางการ" ดังนั้นข้อนี้จึงยุติธรรม

สองสิ่งที่ไม่มีใครขอ ระหว่างช่วงแรกกับช่วงที่สอง กล้องเคลื่อนผ่านกระจกโคมไฟเข้าไปหาผู้ดูแลประภาคารข้างใน แล้วตามเธอออกจากประตูไปยังระเบียง ไม่มีรอยตัดภาพใด ๆ ในไฟล์ (เราใช้ตัวตรวจจับฉากตรวจสอบแล้ว) ดังนั้นโมเดลจึงสร้างการเปลี่ยนฉากขึ้นเองเพื่อเชื่อมจากตำแหน่งโดรนไปยังตำแหน่งของเธอ เป็นการสร้างที่ดี แต่ที่ไม่ค่อยดีคือ ผมของเธอถูกเกล้าขึ้นขณะอยู่ในโคมไฟ แล้วปล่อยสยายตอนอยู่ที่ระเบียงในอีกไม่กี่วินาทีต่อมา การ์ดโมเดลของ Google ระบุ "ความสม่ำเสมอในการแก้ไข" และ "การเคลื่อนไหวที่ซับซ้อน" เป็นข้อจำกัดที่ทราบ และนี่คือสิ่งที่เห็นได้ในทางปฏิบัติ

รูปแบบที่พบทั้งในการทดสอบ 10 และ 30 วินาที คือการเคลื่อนกล้องแบบช้าและกว้าง (โดรน โคจรรอบ โค้ง ดอลลี่) ทำได้เสถียร ส่วนแบบเร็วหรือใช้เลนส์ (แพนเร็ว ดอลลี่ซูม) จะถูกทำให้เบาลง หากช็อตของคุณต้องการความเฉียบคม ให้สร้างเป็นคลิปสั้นแยกแล้วตัดต่อเข้าไป

บทเรียนเรื่องการเขียนพรอมต์ก็เหมือนเดิมกับตอนเทรลเลอร์ ระบุชื่อการเคลื่อนไหว หนึ่งครั้งต่อจังหวะ โดยใช้คำศัพท์จากคู่มือของ Google เอง แล้วการเคลื่อนที่ช้า ๆ จะมาถึงตรงเวลา อธิบายความรู้สึก ("กว้างไกล" หรือ "ไดนามิก") แล้วคุณจะได้การดันเข้าช้า ๆ อยู่ดี

อะไรที่เปลี่ยนไปจาก Omni Flash 1.0 จริง ๆ?

หน้าโมเดลของ Google ใช้ตารางความสามารถเดียวกันสำหรับทั้งสองเวอร์ชัน ดังนั้นส่วนต่างจึงตรงไปตรงมาอย่างผิดปกติ:

คำกล่าวอ้างเรื่องฟิสิกส์และความรู้เกี่ยวกับโลกจากโพสต์ "Introducing Gemini Omni" ต้นฉบับ ("ความเข้าใจเชิงสัญชาตญาณที่ดีขึ้นเกี่ยวกับแรงต่าง ๆ เช่น แรงโน้มถ่วง พลังงานจลน์ และพลศาสตร์ของไหล") ยังคงอยู่ และเราได้ย้อนกลับไปทดสอบสิ่งนั้นโดยเฉพาะด้านล่าง แต่สิ่งที่ Google นำเสนอเป็นหลักคือความจำ: "ทุกคำสั่งสร้างต่อยอดจากคำสั่งก่อนหน้า ตัวละครของคุณคงความสม่ำเสมอ ฟิสิกส์ยังคงถูกต้อง และฉากจดจำสิ่งที่เกิดขึ้นก่อนหน้า" หลังจากดูเทรลเลอร์ เราเชื่อครึ่งหลังของประโยคนั้นมากกว่าที่คาดไว้

คุณจะสั่งงานมันอย่างไรโดยไม่ต้องสลับโหมด?

ไม่มีให้สลับ และต้องใช้เวลาสักพักเพื่อทำความคุ้นเคย คู่มือของ Google: "เราแนะนำให้พึ่งพาการเขียนพรอมต์เป็นหลักและใช้พารามิเตอร์ task เฉพาะเมื่อการเขียนพรอมต์ไม่ได้ผล" สิ่งที่คุณแนบและสิ่งที่คุณเขียนคือตัวสลับโหมด

• ไม่มีอะไรแนบ: ข้อความเป็นวิดีโอ
• 1 ภาพ: ภาพนั้นจะกลายเป็นเฟรมแรก
• 2 ภาพ พร้อมคำว่า "เฟรมแรก" และ "เฟรมสุดท้าย": สร้างภาพระหว่างกลาง หากไม่มีคำเหล่านั้น 2 ภาพจะเป็นการอ้างอิงวัตถุ
• สูงสุด 10 ภาพ: อ้างอิงวัตถุ ตัวบุคคลและสิ่งของคงความสม่ำเสมอ
• วิดีโอพร้อม "ทำให้หิมะตก": ตัดต่อโดยคงช็อต ความยาว และองค์ประกอบภาพ
• วิดีโอพร้อม "ต่อวิดีโอนี้": การต่อฉาก

สองข้อสุดท้ายเป็นจุดที่คนมักพลาด หากคุณแนบคลิปแล้วอธิบายส่วนต่อโดยไม่ใช้คำว่า extend โมเดลจะถือว่าเป็นการแก้ไขและส่งคืนความยาวเท่าเดิม Popcraft จะเพิ่มคีย์เวิร์ดให้คุณในแผง Extend Video แต่หากใช้ API หรือ MCP คุณต้องเขียนเอง

สิ่งที่เราจะบอกเพื่อนร่วมงานก่อนเรนเดอร์ 40 วินาทีครั้งแรก

ไม่ใช่รายการเคล็ดลับ สามสิ่ง ตามลำดับที่จะสร้างปัญหาให้คุณ

หนึ่งการกระทำต่อช่วง คู่มือของ Google มีเอกสารเกี่ยวกับไวยากรณ์ timecode และมันเข้ากับช่วง 10 วินาทีได้อย่างลงตัว นี่คือพรอมต์เทรลเลอร์ที่เราควรจะส่งไป:

เรือโจรสลัดแกลเลียนในพายุยามพลบค่ำ ธงหัวกะโหลก ใบเรือสีดำฉีกขาด ช็อตต่อเนื่องเดียว ไม่มีการตัดฉาก [0-10s] เรือพุ่งฝ่าคลื่น กล้องลอยขึ้นสู่ดาดฟ้า [10-20s] กัปตันหนวดเครายืนที่หางเสือตะโกนสั่ง ลูกเรือตะโกนตอบ [20-30s] เขาเปิดหีบเหล็กที่หัวเรือ ภายในเต็มไปด้วยแครนเบอร์รี่สีแดงล้นออกมา [30-40s] เรือคู่แข่งยิง แครนเบอร์รี่กระจายแบบสโลว์โมชันขณะเขาชูดาบสั้น ลุค: แสงแฟลร์แบบอนามอร์ฟิก เกรดสีฟ้าอมเขียวและสีเหลืองอำพัน ดนตรีออร์เคสตรา ไม่มีข้อความบนหน้าจอ

บอกสิ่งที่คุณอยากได้ยิน รวมถึงความเงียบด้วย ความเงียบคือคำขอ "ไม่มีบทสนทนา" และ "ไม่มีดนตรี มีเพียงลมและน้ำ" เป็นตัวอย่างการปฏิเสธแบบง่ายจากคู่มือเอง และมันได้ผล การไม่ใส่เสียงในพรอมต์ไม่เหมือนกับการขอให้ไม่มีเสียง

แก้ไขด้วยคำที่น้อยกว่าที่รู้สึกว่าควรใช้ จาก Google โดยตรง: "พรอมต์ง่าย ๆ ได้ผลดีที่สุดสำหรับการแก้ไขวิดีโอ พรอมต์ที่อธิบายมากเกินไปอาจนำไปสู่การเปลี่ยนแปลงที่ไม่ตั้งใจ" ระบุการเปลี่ยนแปลง เพิ่ม "เก็บทุกอย่างเหมือนเดิม" แล้วหยุดพิมพ์

อยู่ตรงไหนเมื่อเทียบกับ Seedance 2.5 และ Veo 3.1

เราให้บริการโมเดลวิดีโอหลายตัวเพราะไม่มีตัวไหนชนะทุกช็อต จุดเด่นของ Omni คือคลิปเดียวยาวต่อเนื่อง สูงสุด 40 วินาทีและความละเอียดสูงสุด 4K พร้อมเสียงของตัวเอง จากคำขอเดียว Seedance 2.5 รับข้อมูลอ้างอิงได้มากกว่ามาก (30 ภาพ วิดีโอ 10 คลิป) และตัดต่อได้แม่นยำระดับพื้นที่ Veo 3.1 ควบคุมเฟรมได้ละเอียดที่ 8 วินาที หากบรีฟด้วยคลิปหลักหนึ่งคลิปและดนตรีประกอบ: เริ่มที่ Omni หากบรีฟด้วยผลิตภัณฑ์ที่ต้องดูเหมือนกันทุกประการใน 12 ช็อต: เริ่มที่ Seedance

ค่าใช้จ่ายบน Popcraft คิดตามวินาทีที่ส่งมอบ ตามความละเอียด: 720p สำหรับฉบับร่าง 1080p สำหรับส่งมอบ 4K สำหรับช็อตหลักโดยต่อวิดีโอได้สูงสุด 30 วินาที เลือกความยาวตั้งแต่ 3 ถึง 40 วินาทีจากแถบเลื่อน Popcraft จะต่อวิดีโอให้อัตโนมัติเบื้องหลัง แถบเลื่อนจะแสดงเฉพาะความยาวที่โมเดลทำได้ และตัวเลขที่คุณเห็นก่อนสร้างคือตัวเลขที่คุณจ่าย

ไปลองใช้งานเองเลย

Gemini Omni 1.1 Flash อยู่ใน เครื่องมือสร้างวิดีโอ แล้ว รวมถึงในบอร์ด Canvas และตัวเชื่อมต่อ MCP เริ่มต้นใช้งานได้ฟรี 100 เครดิตโดยไม่ต้องใช้บัตร ทำเหมือนที่เราทำ: สร้าง 10 วินาทีที่ 720p ก่อน ประเมินผล แล้วค่อยต่อ หรือนำคลิปที่คุณชอบอยู่แล้วมาต่อ เทรลเลอร์และคลิปที่ต่อแล้วอยู่บนหน้าโมเดล แบบไม่ตัดต่อ พร้อมเสียงและทุกอย่าง ส่วนการทดสอบ 30 วินาทีสองคลิปคือคลิปที่คุณเพิ่งดูไป

แหล่งข้อมูล: โพสต์ "Introducing Gemini Omni" และ "Gemini Omni 1.1 Flash lets you build with more control" ของ Google, การ์ดโมเดล Google DeepMind สำหรับ Gemini Omni Flash, หน้าโมเดล Gemini Enterprise Agent Platform สำหรับ Omni Flash และ Omni 1.1 Flash และคู่มือนักพัฒนา Gemini API การวัดผลเป็นของเรา จากวันที่ 3 กันยายน 2026