Chúng tôi đã chạy Gemini Omni 1.1 Flash trong một ngày. Đây là đoạn clip 40 giây và chi phí bỏ ra.

Tóm tắt ngắn gọn, dành cho những ai sẽ không đọc hết bài. Gemini Omni 1.1 Flash là mô hình video tất-cả-trong-một của Google: đưa vào văn bản, hình ảnh hoặc một đoạn phim, xuất ra video kèm âm thanh riêng. Phiên bản 1.1 (ngày 27 tháng 8 năm 2026) đã bổ sung hai tính năng quan trọng cho công việc thực tế: mở rộng cảnh lên 40 giây và đầu ra 1080p/4K. Hiện đã có trên Popcraft. Chúng tôi đã dành một ngày trải nghiệm và điều hữu ích nhất rút ra được là "mở rộng lên 20 giây" từ đoạn phim 5 giây sẽ cho bạn 25 giây.

Thứ Tư, 10:41. Bắt đầu thôi.

Batch AI đã bật mô hình trên cổng thử nghiệm của họ vào đêm trước. Hai thông tin từ phía họ trước, vì chính hai thông tin đó quyết định cách bạn sử dụng mô hình: chuỗi độ phân giải là "4K" và nó thực sự trả về 3840×2160, và extension là một chế độ chính thức ở cấp độ API, không phải thủ thuật câu lệnh. Mọi thứ còn lại dưới đây là do chúng tôi tự bấm nút.

Tác vụ đầu tiên được cố tình làm cho nhàm chán. Một người gác hải đăng trên cầu thang xoắn ốc, khung dọc, 5 giây, 720p. Kết quả trả về sau khoảng hai phút với độ dài 5,01 giây kèm theo gió và mưa trên bản âm thanh mà không ai yêu cầu. Đó là mặc định của Omni: hướng dẫn dành cho nhà phát triển của Google nói rằng mô hình "sẽ cố gắng tạo ra một bản âm thanh phù hợp cho video", và nó luôn làm vậy, trừ khi bạn yêu cầu nó đừng làm.

11:20. Phần mở rộng dài hơn 5 giây so với yêu cầu

Đây là phần đáng giá nhất của bài viết. Chúng tôi đã đính kèm đoạn clip 5 giây, viết một dòng ("người gác hải đăng bước ra hành lang quanh buồng đèn và thắp sáng ngọn đèn"), và yêu cầu tổng cộng 20 giây.

Tệp trả về dài 25,0 giây.

Không phải lỗi. Bài đăng ra mắt của Google nói rằng tính năng mở rộng hoạt động "theo các bước 10 giây cho đến tổng độ dài lũy tích là 40 giây", và ý họ là các bước trọn vẹn: 5 cộng 10 cộng 10. Năm giây đầu tiên của tệp mới là bản gốc của chúng tôi, từng byte một, và âm thanh bão kéo dài liền mạch qua điểm nối. Trông rất tuyệt. Chỉ là không phải 20 giây.

Vì vậy, một quy tắc cho bất kỳ ai xây dựng trên mô hình này, và lý do bảng Extend của Popcraft giờ liệt kê 15, 25 và 35 cho nguồn 5 giây thay vì các con số tròn trịa 10/20/30/40: bạn chỉ có thể dừng ở nguồn-cộng-thêm-nguyên-khối. Chúng tôi tính phí số giây thực tế trả về, không phải con số bạn đã nhập.

"Mở rộng video theo các bước 10 giây cho đến tổng độ dài lũy tích là 40 giây." — Google, bài đăng ra mắt Omni 1.1 Flash

12:05. Bốn mươi giây, một câu lệnh

Rồi đến thứ chúng tôi thực sự muốn: một đoạn trailer kiểu Hollywood, "Pirates of the Cranberries", tỷ lệ 16:9, 1080p, 40 giây, chỉ một yêu cầu duy nhất. Popcraft tự động nối chuỗi quy trình mở rộng cho bạn: một câu lệnh vào, một tệp 40 giây ra.

Mất 23 phút. Ước tính của chúng tôi là 15 phút, vậy nên chúng tôi cần phải tinh chỉnh lại. Kết quả chính xác là 40,0 giây, 1920×1080, với bản nhạc giao hưởng dâng trào ở những đoạn khá phù hợp. Cùng một thuyền trưởng, cùng một con tàu, cùng một tông màu xanh mòng két và hổ phách xuyên suốt cả bốn phân đoạn. Sự nhất quán đó là nhờ cửa sổ ngữ cảnh 10 giây từ bài đăng ra mắt đang phát huy tác dụng, và đây là lập luận thuyết phục nhất cho mô hình này.

Đây là những gì nó làm sai, và tại sao đó là lỗi của chúng tôi. Câu lệnh là một đoạn văn dày đặc 240 từ với năm nhịp: bão, thuyền trưởng, rương kho báu đầy nam việt quất, tàu đối thủ, đại bác kết thúc. Omni giữ lại mọi yếu tố và xáo trộn chúng. Tia nam việt quất xuất hiện ở giây thứ tám, trước chiếc rương đáng lẽ phải giải phóng nó, và chiếc rương không bao giờ mở rõ ràng. Các câu lệnh dày đặc không thất bại trên mô hình này. Chúng bị nén lại.

15:10. Được rồi, chúng tôi sẽ kiểm tra kỹ tuyên bố về vật lý

Đoạn trailer là một bài kiểm tra vật lý tệ: quá nhiều thứ diễn ra, và không ai có thể nói liệu một quả nam việt quất có nảy đúng hay không. Vì vậy chúng tôi đã viết câu lệnh nhàm chán nhất trong ngày. Một bể nước đen tĩnh lặng. Một chất lỏng cho mỗi đoạn 10 giây: một giọt cam rơi vào, một vệt mực chàm, rồi một đám sắc tố trắng được chiếu sáng từ phía sau. Không người, không cốt truyện, một cú máy vòng cung chậm, 30 giây ở 1080p, một yêu cầu.

Đây là sản phẩm tuyệt nhất mà mô hình tạo ra trong cả ngày. Giọt nước rơi xuống và tạo ra tia nước hình vương miện rồi sụp xuống đúng như cách nước vẫn làm. Vệt mực chàm cuộn vào phía sau và len qua màu cam mà không màu nào bị nhòe vào nhau. Khi đám mây trắng xuất hiện, ánh sáng ngược xuyên qua nó và những dòng chất lỏng trước đó vẫn còn ở bên dưới, vẫn đang chuyển động. Cú máy vòng cung giữ nguyên qua cả ba phân đoạn và không bao giờ đặt lại. Hãy xem điểm nối ở giây thứ mười và thứ hai mươi: chúng tôi không thể tìm ra nó.

Các bản nháp rẻ hơn trước, vì đó là quy trình chúng tôi khuyên dùng. Bốn biến thể 10 giây 720p (mực, mật ong, domino, con lắc Newton) mất khoảng hai phút mỗi bản. Mực và con lắc rất tốt, mật ong hơi quá hăng hái, các quân domino đổ đúng thứ tự nhưng thiếu sức nặng. Mực đã thắng, chúng tôi viết phiên bản 30 giây, và phiên bản 30 giây trả về còn tốt hơn bản nháp. Điều đó không xảy ra với đoạn trailer, khi thời lượng dài hơn đồng nghĩa với việc cốt truyện bị nén nhiều hơn. Khi không có cốt truyện để nén, việc mở rộng hoàn toàn có lợi.

Câu nói của Google về động lực học chất lỏng, dựa trên bằng chứng này, không phải là chiêu trò tiếp thị.

16:40. Và tuyên bố về máy quay

Tuyên bố khác mà chúng tôi liên tục đọc được trong tài liệu ra mắt của Google là về máy quay. Một trích dẫn đối tác trên trang mô hình ca ngợi "chuyển động máy quay linh hoạt" của nó, và hướng dẫn câu lệnh Vertex liệt kê vốn từ vựng mà mô hình đã được dạy: drone, dolly, pan, tilt, tracking, crane, orbit, whip pan, và một "dolly zoom" được gắn cờ là nâng cao và không được hỗ trợ chính thức.

Vì vậy chúng tôi đã yêu cầu tất cả trong một cảnh quay 30 giây, trên cùng ngọn hải đăng từ buổi sáng, mỗi nhịp một chuyển động theo câu lệnh.

Chấm điểm từng chuyển động, đối chiếu với câu lệnh:

• Drone tiếp cận. Đúng. Lướt trên ngọn sóng, leo lên vách đá bazan, đến buồng đèn đúng vào giây chúng tôi yêu cầu. Mười giây máy quay xuất sắc nhất mà mô hình mang lại cho chúng tôi cả ngày.
• Quay quỹ đạo. Đúng. Mười giây cuối quay vòng quanh người gác hải đăng từ phía sau, qua góc nghiêng, đến góc rộng phía xa, và ngọn hải đăng vẫn là ngọn hải đăng đó xuyên suốt.
• Lia nhanh sang thuyền. Không. Con thuyền ở đó, nhỏ trên đường chân trời, nhưng máy quay trôi về phía nó thay vì lia nhanh. Mô hình đã làm mềm chuyển động nhanh thành chuyển động chậm.
• Cẩu lên trên buồng đèn. Một nửa. Chuyển động lên xảy ra ở đoạn đầu, nơi câu lệnh không yêu cầu, chứ không phải ở đoạn thứ hai, nơi có yêu cầu.
• Đẩy máy vào góc thấp kèm chuyển nét. Không. Nó kết thúc ở góc rộng thay vào đó.
• Dolly zoom. Chúng tôi cố tình bỏ nó ra khỏi câu lệnh 30 giây. Trong một thử nghiệm 10 giây trước đó, nó trả về dưới dạng một cú đẩy máy vào thông thường, và chính hướng dẫn của Google xếp nó vào mục "không được hỗ trợ chính thức", nên điều đó là công bằng.

Hai điều mà không ai yêu cầu. Giữa đoạn đầu và đoạn thứ hai, máy quay đi xuyên qua lớp kính buồng đèn để tìm người gác hải đăng bên trong, rồi theo cô bước qua cửa ra hành lang quanh buồng đèn. Không có bất kỳ cú cắt nào trong toàn bộ tệp (chúng tôi đã chạy trình phát hiện cảnh), vì vậy mô hình đã tự sáng tạo ra một chuyển cảnh để đi từ vị trí drone đến vị trí của cô. Đó là một sáng tạo hay. Kém hay hơn: tóc cô được búi gọn bên trong buồng đèn nhưng lại xõa ra khi ra hành lang quanh buồng đèn chỉ vài giây sau. Thẻ mô hình của Google liệt kê "tính nhất quán qua các chỉnh sửa" và "chuyển động phức tạp" là những hạn chế đã biết, và đây chính là biểu hiện thực tế của chúng.

Quy luật qua cả hai bài kiểm tra 10 và 30 giây là: các chuyển động chậm, quét rộng (drone, quay vòng, vòng cung, dolly) thì đáng tin cậy, còn các chuyển động nhanh hoặc quang học (lia nhanh, dolly zoom) bị làm mềm đi. Nếu cảnh quay của bạn cần một cú giật mạnh, hãy tạo nó thành một clip ngắn riêng rồi cắt vào.

Bài học về câu lệnh cũng giống như bài học từ đoạn trailer. Gọi tên chuyển động, mỗi nhịp một cái, bằng vốn từ vựng từ chính hướng dẫn của Google, và những chuyển động chậm sẽ đến đúng lúc. Mô tả một cảm giác ("quét rộng", "linh hoạt") và dù thế nào bạn cũng chỉ nhận được một cú đẩy máy vào chậm.

Thực sự đã thay đổi gì so với Omni Flash 1.0?

Trang mô hình của Google sử dụng cùng một bảng năng lực cho cả hai phiên bản, nên mức chênh lệch được công bố một cách thẳng thắn hiếm thấy:

Những tuyên bố về vật lý và kiến thức thế giới từ bài đăng "Giới thiệu Gemini Omni" ban đầu ("khả năng hiểu trực quan được cải thiện về các lực như trọng lực, động năng và động lực học chất lỏng") vẫn được giữ nguyên, và chúng tôi đã chủ ý quay lại kiểm tra điều đó, xem bên dưới. Tuy nhiên, điều Google nhấn mạnh nhất là bộ nhớ: "mọi chỉ dẫn đều xây dựng dựa trên chỉ dẫn trước. Nhân vật của bạn giữ được tính nhất quán, vật lý vẫn đúng và cảnh quay nhớ được những gì đã diễn ra trước đó." Sau đoạn trailer, chúng tôi tin nửa sau của câu nói đó nhiều hơn mức mình mong đợi.

Làm sao để ra lệnh cho nó mà không cần chuyển chế độ?

Bạn không làm vậy, và phải mất một lúc để quen. Hướng dẫn của Google: "chúng tôi khuyên bạn nên dựa chủ yếu vào câu lệnh và chỉ sử dụng tham số task khi câu lệnh không hiệu quả." Những gì bạn đính kèm và những gì bạn viết chính là công tắc.

• Không đính kèm gì: văn bản thành video.
• Một hình ảnh: nó trở thành khung hình đầu tiên.
• Hai hình ảnh, kèm cụm từ "khung hình đầu" và "khung hình cuối": nội suy giữa chúng. Nếu không có những từ đó, hai hình ảnh sẽ là tham chiếu chủ thể.
• Tối đa mười hình ảnh: tham chiếu chủ thể; người và vật giữ được tính nhất quán.
• Một video kèm "làm tuyết rơi": chỉnh sửa giữ nguyên góc quay, độ dài và bố cục.
• Một video kèm "kéo dài video này": mở rộng cảnh.

Hai điều cuối khiến mọi người mắc lỗi. Nếu bạn đính kèm một đoạn phim và mô tả phần tiếp nối mà không dùng từ extend, mô hình sẽ coi đó là chỉnh sửa và trả về cùng độ dài. Popcraft tự động thêm từ khóa cho bạn trên bảng Extend Video; từ API hoặc MCP bạn phải tự viết.

Những gì chúng tôi sẽ nói với đồng nghiệp trước lần render 40 giây đầu tiên của họ

Không phải danh sách mẹo vặt. Ba điều, theo thứ tự chúng sẽ gây rắc rối cho bạn.

Mỗi hành động trên một đoạn. Hướng dẫn của Google ghi nhận cú pháp timecode, và nó ánh xạ hoàn hảo lên các đoạn 10 giây. Đây là câu lệnh trailer mà lẽ ra chúng tôi nên gửi:

Một tàu cướp biển trong cơn bão lúc hoàng hôn, cờ đầu lâu, buồm đen rách nát. Một cú máy liên tục, không cắt cảnh. [0-10s] Con tàu đâm xuyên qua những con sóng; máy quay nâng lên boong tàu. [10-20s] Viên thuyền trưởng râu ria bên bánh lái hét lệnh; thủy thủ đoàn hò reo đáp lại. [20-30s] Ông mở một rương sắt ở mũi tàu; nó tràn ngập nam việt quất đỏ. [30-40s] Một tàu đối thủ khai hỏa; nam việt quất bay tung tóe trong chuyển động chậm khi ông giơ thanh kiếm lên. Phong cách hình ảnh: lóe sáng anamorphic, chỉnh màu xanh mòng két và hổ phách, nhạc giao hưởng, không có chữ trên màn hình.

Nói ra điều bạn muốn nghe, kể cả không gì cả. Sự im lặng là một yêu cầu. "Không thoại", "không nhạc, chỉ có gió và nước" là những ví dụ của chính hướng dẫn về phủ định đơn giản, và chúng hiệu quả. Bỏ âm thanh ra khỏi câu lệnh không giống với việc yêu cầu không có âm thanh.

Chỉnh sửa với ít từ hơn mức bạn thấy đủ. Trực tiếp từ Google: "Câu lệnh đơn giản hoạt động tốt nhất cho chỉnh sửa video. Câu lệnh quá mô tả có thể dẫn đến những thay đổi ngoài ý muốn." Gọi tên thay đổi, thêm "giữ nguyên mọi thứ khác", ngừng gõ.

Vị thế so với Seedance 2.5 và Veo 3.1

Chúng tôi cung cấp nhiều mô hình video vì không mô hình nào thắng ở mọi cảnh quay. Thế mạnh của Omni là một clip dài duy nhất, lên đến 40 giây và lên đến 4K, kèm âm thanh riêng, từ một yêu cầu duy nhất. Seedance 2.5 nhận được nhiều tham chiếu hơn hẳn (30 hình ảnh, 10 video) và thực hiện chỉnh sửa chính xác theo vùng. Veo 3.1 cho khả năng kiểm soát khung hình chặt chẽ ở 8 giây. Brief với một clip chủ đạo và nhạc nền: bắt đầu với Omni. Brief với một sản phẩm phải trông giống hệt nhau qua mười hai cảnh quay: bắt đầu với Seedance.

Chi phí trên Popcraft được tính theo mỗi giây xuất ra, theo độ phân giải: 720p cho bản nháp, 1080p cho bản hoàn thiện, 4K cho vị trí chủ đạo với chuỗi giới hạn ở 30 giây. Chọn bất kỳ độ dài nào từ 3 đến 40 giây trên thanh trượt; Popcraft tự động nối chuỗi các phần mở rộng ở hậu trường, thanh trượt chỉ hiển thị các độ dài mà mô hình có thể đạt được, và con số bạn thấy trước khi tạo chính là con số bạn phải trả.

Hãy tự mình thử phá vỡ nó

Gemini Omni 1.1 Flash hiện đã có trong trình tạo video, trong các bảng Canvas và trình kết nối MCP. Miễn phí bắt đầu với 100 tín dụng và không cần thẻ. Hãy làm như chúng tôi: 10 giây ở 720p trước, đánh giá, rồi mở rộng, hoặc mang vào một đoạn phim bạn đã ưng ý và mở rộng nó. Đoạn trailer và phần mở rộng có trên trang mô hình, chưa chỉnh sửa, có âm thanh đầy đủ; hai bản thử nghiệm 30 giây chính là những gì bạn vừa xem.

Nguồn: Các bài đăng "Giới thiệu Gemini Omni" và "Gemini Omni 1.1 Flash cho phép bạn xây dựng với nhiều quyền kiểm soát hơn" của Google, thẻ mô hình Google DeepMind cho Gemini Omni Flash, các trang mô hình Gemini Enterprise Agent Platform cho Omni Flash và Omni 1.1 Flash, cùng hướng dẫn nhà phát triển Gemini API. Các phép đo là của chúng tôi, thực hiện ngày 3 tháng 9 năm 2026.