Gemini Omni 1.2 Flash: tạo và sửa video AI 15 giây, rẻ hơn 30%

Vì sao video AI 10 giây luôn cắt cụt câu chuyện của bạn?

Chín giờ tối, clip quảng cáo cho đợt ra mắt sản phẩm mới phải xong trước sáng mai. Bạn đã có ảnh sản phẩm chụp studio và một câu tagline vừa chốt. Video AI 10 giây làm từ tuần trước thì chỉ đủ mở đầu: người mẫu xoay sản phẩm, camera lia một vòng, rồi clip hết ngay trước khi tagline kịp hiện. Muốn thêm 5 giây nữa để nói giá trị sản phẩm? Không được. Muốn đổi màu áo người mẫu cho khớp bộ nhận diện mới? Cũng không sửa được — chỉ có cách tạo lại toàn bộ clip từ đầu, và lần tạo lại đó cho ra một khuôn mặt khác, một ánh sáng khác, một góc máy khác. Năm lần tạo lại là năm clip khác nhau, năm lần trả tiền, và không lần nào giữ được đúng cái bạn đã ưng từ lần đầu.

Đó là điểm đau mà Gemini Omni 1.2 Flash nhắm tới. Google đưa model này lên GA ngày 5/11/2026 trên Gemini API và Gemini for business: clip dài tới 15 giây, sửa được ngay trên clip đã có bằng hội thoại nhiều lượt, và giá 720p giảm còn $0.07/giây.

Gemini Omni 1.2 Flash là gì?

Gemini Omni 1.2 Flash khác gì một app tạo video AI?

Trước hết cần nói rõ: Gemini Omni 1.2 Flash không phải một app. Nó là model video của Google DeepMind, và cũng là model đầu tiên của dòng Gemini Omni rời giai đoạn preview. Bạn chạm tới nó qua nhiều cửa khác nhau: Gemini API và Google AI Studio nếu viết code, Google Cloud console nếu làm giải pháp doanh nghiệp, Flow nếu đạo diễn bằng giao diện, Google Vids nếu làm video thuyết trình, Gemini app nếu dùng gói Ultra, và Google Ads nếu chạy chiến dịch quảng cáo.

Người dùng phù hợp nhất là lập trình viên tích hợp API video vào pipeline nội dung, creator và marketer cần biến thể quảng cáo ngắn, và DevOps hay IT manager cần một con số chi phí rõ ràng để duyệt ngân sách. Ngược lại, nếu bạn cần video dài vài phút, kịch bản phức tạp, hay một model chạy local trên homelab, đây không phải lựa chọn đúng.

Ba thay đổi lớn nhất so với Omni 1.1

Con số 15 giây nhìn qua chỉ là cộng thêm 5 giây, nhưng theo mình bộ ba thay đổi thật sự là độ dài cộng sửa multi-turn cộng reference following. Độ dài cho đủ chỗ kể một câu chuyện quảng cáo ngắn hoàn chỉnh. Sửa multi-turn cho phép đổi sản phẩm, background, ánh sáng, thời tiết hay tỉ lệ khung hình mà không tạo lại từ đầu. Reference following giữ khuôn mặt, trang phục, typography trên bao bì và màu thương hiệu ổn định qua các góc máy.

Kiến trúc và cơ chế hoạt động của Gemini Omni 1.2 Flash

Các thành phần chính trong pipeline tạo video AI

Đầu vào gồm text prompt, tối đa 6 ảnh tham chiếu, và — tùy độ dài clip — clip chuyển động tham chiếu tối đa 3 giây: clip 11–15 giây nhận 1 clip tham chiếu, clip 3–10 giây nhận tối đa 3 clip. Tài liệu của Google còn nêu audio cues là một dạng đầu vào, nhưng cần lưu ý ngay: trong API hiện tại, upload audio input và audio reference chưa được hỗ trợ; âm thanh trong clip do model tự sinh theo prompt, ví dụ nhạc nền hay lời thoại được mô tả bằng chữ.

Phần lõi là engine Omni 1.2 Flash, điều kiện hoá đa tham chiếu và giữ nhất quán thời gian: nhân vật, vật thể và cảnh được giữ từ frame đầu tới frame cuối, ít jump cut hơn. Model cũng xử lý hội thoại nhiều người nói với lip-sync theo từng nhân vật. Đầu ra mặc định là 720p; bạn có thể chọn 360p để draft rẻ, hoặc 1080p và 4K cho bản cuối. Mọi clip đều mang SynthID watermark không thể nhận thấy bằng mắt thường, phục vụ truy xuất nguồn gốc.

Luồng dữ liệu và luồng điều khiển: draft rồi mới upscale

flowchart TD
    A["Đầu vào<br/>Text prompt + Ảnh tham chiếu<br/>nhân vật / sản phẩm / phong cách<br/>Clip chuyển động ≤ 3 giây<br/>Audio cues + First/last keyframe"] --> B["Cổng truy cập<br/>Gemini API / AI Studio<br/>Flow / Google Vids"]
    B --> C["Engine Gemini Omni 1.2 Flash<br/>Phiên multi-turn + Reference following<br/>Nhất quán thời gian"]
    C --> D["Clip draft 360p / 720p"]
    D --> E{"Cần sửa?"}
    E -->|"Có — đổi sản phẩm, background,<br/>ánh sáng, tỉ lệ, góc máy"| C
    E -->|"Không — bản đã ưng"| F["Upscale bản được chọn<br/>lên 1080p / 4K"]
    F --> G["SynthID watermark"]
    G --> H["Xuất bản<br/>Gemini app / Google Ads<br/>Kênh của người dùng"]

Điểm cần đọc kỹ trong sơ đồ là vị trí của vòng lặp sửa: nó quay lại engine trước khi upscale, không phải sau. Bạn draft ở 360p hoặc 720p, sửa tới khi ưng, rồi mới upscale bản được chọn. Tách hai bước này ra vì chi phí và chất lượng là hai cần gạt khác nhau: draft rẻ để thử ý tưởng, upscale chỉ dành cho bản thắng.

Có một lưu ý thực tế về “upscale” qua API: tài liệu không mô tả endpoint upscale riêng. Độ phân giải được chọn trong response_format ở lần tạo clip đó. Nghĩa là workflow “draft rồi upscale” qua API thực chất là tạo lại bản thắng ở 1080p hoặc 4K từ cùng prompt và reference, còn trong Flow thì upscale là một thao tác trong app. Hiểu đúng điểm này để khỏi đi tìm một API upscale không tồn tại.

Phụ thuộc và giới hạn kỹ thuật đã biết

Để chạy qua API, bạn cần tài khoản Google, một Google Cloud project đã bật billing, và API key trả phí — model này không có free tier. Qua Flow hay Vids thì dùng tài khoản Google hoặc Google Workspace, và một số tính năng nâng cao trong Flow đi theo gói Google AI; trước khi trả phí, kiểm tra trang gói của Flow thay vì tin một bảng giá thứ cấp nào.

Google tự thừa nhận ba giới hạn còn đang cải thiện: fast sports action, rapid script changes và complex physics. Tài liệu API nêu thêm: nội suy first/last keyframe chỉ hỗ trợ clip 3–10 giây; sửa hoặc mở rộng video tự upload chưa khả dụng ở Khu vực Kinh tế Châu Âu, Thụy Sĩ và Vương quốc Anh; không hỗ trợ chỉnh sửa giọng nói, system instruction, temperature hay negative prompt — muốn loại bỏ thứ gì thì ghi thẳng vào prompt thường, ví dụ “No dialogue”. Ngoài ra, đặt store=false sẽ làm clip sinh ra không sửa được ở lượt sau.

Hướng dẫn dùng Gemini Omni 1.2 Flash: từ thử nhanh tới gọi API

Bước 0 — Chuẩn bị: tài khoản, quyền truy cập và chi phí dự kiến

Chuẩn bị ba thứ: API key của project đã bật billing (tạo trong Google AI Studio), ảnh tham chiếu rõ nét của sản phẩm hoặc nhân vật, và một bảng chi phí ước tính. Giá tính theo token output: $12 cho mỗi triệu token video, với 720p tốn 5.792 token mỗi giây, tức khoảng $0.07/giây. Tài liệu của Google quy đổi sẵn: clip 10 giây khoảng $0.70, clip 15 giây khoảng $1.04; 360p khoảng $0.023/giây, 1080p khoảng $0.104/giây, 4K khoảng $0.209/giây. Token input tính thêm $1.50 cho mỗi triệu token, áp chung cho text, ảnh và video đưa vào.

Đây là giá công bố, không phải số đo thực tế, và chưa gồm chi phí các lượt sửa. Mỗi lượt sửa sinh ra một clip mới đủ độ dài, nên chi phí tính theo token output của clip đó — một vòng sửa 4 lượt trên clip 15 giây 720p tốn khoảng $4.16 tiền output, chưa kể input.

Cách 1 — Thử nhanh không cần code qua Flow và Google Vids

Nếu chỉ cần thử ý tưởng hoặc làm một clip đơn lẻ, Flow là đường ngắn nhất: nhập prompt, đạo diễn cảnh, sửa multi-turn bằng câu lệnh tự nhiên, dùng Extend để nối thêm, rồi upscale bản tốt nhất. Google Vids tạo clip 15 giây không thêm phí với tài khoản Google hoặc Google Workspace, hợp làm video thuyết trình hay clip giới thiệu tính năng. Gemini app cũng tạo được video 15 giây, đang rollout cho người dùng Google AI Ultra.

Cách này hợp để demo cho team hoặc kiểm chứng một ý tưởng trước khi viết code. Nhược điểm là bạn không kiểm soát được tham số chi tiết như duration theo từng giây hay interaction ID để nối lượt sửa trong pipeline tự động.

Cách 2 — Gọi Gemini API qua AI Studio

Môi trường cần Python 3.10 trở lên. Cài SDK và đặt key qua biến môi trường, không hardcode key vào code:

pip install -U google-genai
export GEMINI_API_KEY="YOUR_API_KEY"

Kiểm tra SDK đã nhận đúng package chưa:

python -c "from google import genai; print('google-genai OK')"

Kết quả mong đợi: dòng chữ google-genai OK. Nếu báo ModuleNotFoundError, kiểm tra lại môi trường ảo đang dùng có phải nơi vừa chạy pip install hay không.

Tạo clip draft 5 giây 720p, lưu thành file MP4. Model ID là gemini-omni-1.2-flash, gọi qua Interactions API (POST /v1beta/interactions), không phải generateContent như các model text:

import base64
from google import genai

client = genai.Client()  # đọc GEMINI_API_KEY từ môi trường

draft = client.interactions.create(
    model="gemini-omni-1.2-flash",
    input="A ceramic coffee cup on a wooden table, morning light, "
          "slow orbit shot, no dialogue.",
    response_format={
        "type": "video",
        "duration": "5s",       # "3s" đến "15s", mặc định "10s"
        "aspect_ratio": "16:9",  # hoặc "9:16" cho clip dọc
        "resolution": "720p",    # 360p / 720p / 1080p / 4K
    },
)

with open("draft.mp4", "wb") as f:
    f.write(base64.b64decode(draft.output_video.data))

print("Interaction ID:", draft.id)

Kiểm tra file đã sinh ra chưa:

ls -lh draft.mp4

Kết quả mong đợi: một file draft.mp4 vài MB, mở được bằng trình phát video thông thường. Video trả về là base64 trong interaction.output_video.data khi dùng SDK; gọi REST trực tiếp thì video nằm trong mảng steps ở phần model_output. Với clip lớn hơn 4 MB, đặt delivery="uri" trong response_format để nhận link thay vì payload base64.

Sửa clip bằng lượt hội thoại tiếp theo, dùng previous_interaction_id để trỏ về lượt trước thay vì upload lại video:

edited = client.interactions.create(
    model="gemini-omni-1.2-flash",
    previous_interaction_id=draft.id,
    input="Change the cup color to deep green. Keep everything else the same.",
)

with open("edited.mp4", "wb") as f:
    f.write(base64.b64decode(edited.output_video.data))

Câu lệnh sửa nên ngắn và cụ thể; tài liệu khuyên thêm “Keep everything else the same” khi chỉ muốn đổi một chi tiết, vì prompt sửa càng dài dòng càng dễ làm model thay đổi cả những phần bạn không nhắc tới. Muốn nối dài clip thì dùng prompt kiểu “Extend this video” — mỗi lượt extend thêm 3–10 giây, tổng tối đa 30 giây, và model chỉ dùng 10 giây cuối của clip gốc làm ngữ cảnh.

Lỗi thường gặp và cách xử lý

Rollback trong workflow này không có nút undo. Cách duy nhất là quay về bản tốt nhất đã lưu: giữ lại prompt, ảnh tham chiếu và interaction ID của mỗi lượt ưng ý, lưu file MP4 draft sau mỗi lượt tốt, rồi khi một lượt sửa làm trôi cảnh thì tạo lại từ interaction ID của bản tốt đó. Nếu không snapshot, bạn không có điểm nào để quay về ngoài việc tạo lại từ đầu — đúng cái mà multi-turn editing sinh ra để tránh.

Đánh giá kỹ thuật Gemini Omni 1.2 Flash

Ưu điểm

Clip 15 giây đủ cho một quảng cáo ngắn hoàn chỉnh, và bước 1 giây giúp tính chi phí chính xác tới từng giây thay vì trả theo nấc cố định. Sửa multi-turn loại bỏ lần tạo lại từ đầu tốn kém nhất trong quy trình cũ, trong khi reference following giữ nhận diện thương hiệu qua các biến thể. Giá $0.07/giây rẻ hơn 30% so với 1.1, và workflow draft rẻ rồi upscale có chọn lọc là cần gạt chi phí thật sự nằm trong tay người dùng.

Nhược điểm và điểm chưa rõ

Vẫn là clip ngắn: tối đa 15 giây mỗi lần sinh, 30 giây sau khi extend, chưa làm được video dài hay kịch bản đổi nhanh. Google không công bố benchmark, nên mọi tuyên bố về độ nhất quán, lip-sync hay “cinematic look” đều là tuyên bố của nhà cung cấp, chưa có kiểm chứng độc lập — bài này viết đúng ở giọng đó, không phóng đại thêm. Chi phí lượt sửa chưa có bảng riêng: mỗi lượt tính như một lần sinh clip mới, nên ngân sách thực tế của một chiến dịch nhiều biến thể cao hơn con số $1.04/clip rất nhiều. Và toàn bộ workflow phụ thuộc hạ tầng Google: không self-host, không chạy local — từ 3/12/2026, request tới 1.1 tự route sang 1.2, nên code cũ vẫn chạy nhưng hoá đơn tính theo giá mới.

Bảo mật và trách nhiệm khi dùng video AI

Mọi clip đều mang SynthID watermark, giúp truy xuất nguồn gốc khi cần, nhưng watermark không thay thế quy trình duyệt nội dung: clip nào dùng ảnh người thật hay sản phẩm thật thì cần quyền sử dụng hình ảnh và một bước phê duyệt trước khi xuất bản, tránh deepfake hay mạo danh. Về phía API, key phải nằm trong biến môi trường hoặc secret manager, không hardcode, không commit vào repo; đặt quota và cảnh báo chi phí trên project để một vòng lặp sửa lỗi không đốt hết ngân sách. Log lại prompt, ảnh tham chiếu và interaction ID của từng clip đã xuất bản — đó là dấu vết duy nhất để truy vấn một clip khi có khiếu nại.

Hiệu năng, khả năng mở rộng và vận hành

Chỉ nêu số liệu đã xác minh: giá $0.07/giây ở 720p, độ dài 3–15 giây theo bước 1 giây, upscale 1080p/4K, extend tối đa 30 giây. Tài liệu không công bố tốc độ tạo clip hay tỉ lệ thành công, nên bài này không đưa ra con số nào cho hai thứ đó. Về vận hành cho team, quy trình nên là draft, duyệt, upscale rồi xuất bản, với trần lượt sửa mỗi clip và ngân sách theo giây cho mỗi chiến dịch. Nếu team đang dùng Omni 1.1, chuẩn bị migration trước 3/12/2026: đổi model ID, chạy lại bộ test prompt, và kiểm tra lại hoá đơn vì giá tính theo 1.2.

So sánh Gemini Omni 1.2 Flash với Veo 3.1, Sora và Runway

Bảng này nói lên một điều ít người để ý: trong phạm vi video ngắn qua API, hai cái tên lớn nhất của năm ngoái đều đã rời cuộc chơi. Veo 3.1 Preview ngừng trong Gemini API từ 22/10/2026 và tài liệu chính thức khuyên migrate sang Omni; Sora 2 cũng không còn là lựa chọn API thực tế sau ngày 24/9/2026. So sánh còn lại có ý nghĩa là Omni 1.2 với Runway Gen-4.5: Omni thắng ở clip dài hơn (15 giây so với 10 giây), sửa multi-turn ngay trong cùng phiên, và giá theo giây thấp hơn; Runway thắng ở hệ sinh thái app lâu đời và mô hình credit theo gói tháng. Theo mình, nếu workflow của bạn là code và pipeline tự động, Omni 1.2 là lựa chọn rõ ràng lúc này.

Ứng dụng thực tế của video AI 15 giây

Doanh nghiệp và marketing: biến thể quảng cáo nhanh

Trường hợp dùng rõ nhất là sinh nhiều biến thể quảng cáo từ cùng một ảnh sản phẩm: đổi background theo mùa, đổi ánh sáng từ sáng sang tối, đổi tỉ lệ 16:9 sang 9:16 cho từng placement, mà khuôn mặt người mẫu, bao bì và màu thương hiệu vẫn giữ nguyên nhờ reference following. Draft ở 360p để duyệt nhanh, chỉ upscale biến thể thắng để chạy A/B test. Với giá khoảng $0.35 cho một draft 5 giây 720p, chi phí thử một ý tưởng rẻ hơn nhiều so với một buổi chụp lại.

Creator và đội nội dung nhỏ: product demo không cần quay

Đội nội dung nhỏ có thể làm demo sản phẩm, clip giới thiệu tính năng hay video mạng xã hội từ ảnh và prompt, không cần bối cảnh quay. Lưu ý thực tế: xem kỹ tay, chuyển động và lip-sync trước khi đăng, vì đó là những chỗ video AI hay lỗi nhất.

AI workflow và DevOps: tự động hoá pipeline video bằng API

Với team kỹ thuật, Omni 1.2 gắn được vào pipeline nội dung: prompt template cố định cộng ảnh tham chiếu cố định, sinh clip, duyệt, upscale, rồi đẩy lên kênh. Chi phí kiểm soát bằng ba cần gạt: độ dài theo bước 1 giây, trần lượt sửa, và quota project. Cần nói rõ: đây là tự động hoá bằng API, không phải self-host — model chạy trên hạ tầng Google, homelab của bạn không cài được nó. Tinh thần dùng AI thay một công đoạn thủ công cũng giống bài Craft Anything xây lại phần mềm bằng AI, chỉ khác đầu ra ở đây là video chứ không phải code.

Khi nào KHÔNG nên dùng

Không dùng cho video dài, thể thao tốc độ cao, vật lý phức tạp hay kịch bản đổi liên tục — chính Google thừa nhận các giới hạn này. Không dùng khi dự án yêu cầu benchmark chất lượng độc lập, vì Google không công bố benchmark nào cho model này. Không dùng cho workflow local hay self-host, và không dùng ảnh người thật khi chưa có quyền sử dụng hình ảnh.

Kết luận: ai nên dùng Gemini Omni 1.2 Flash ngay, ai nên chờ?

Nên dùng ngay nếu bạn là marketer hay creator cần clip quảng cáo ngắn có sửa nhanh, là dev cần API video tính giá theo giây để tích hợp vào pipeline, hoặc team đã dùng Google AI, Flow hay Vids. Nên chờ hoặc cân nhắc nếu bạn cần video dài, cần chất lượng điện ảnh đã kiểm chứng độc lập, muốn workflow local hay self-host, hoặc đang dùng Omni 1.1 hay Veo 3.1 mà chưa xác minh xong lộ trình migration tháng 12/2026.

Bước tiếp theo cụ thể: thử một clip 5 giây bằng Flow hoặc Vids, rồi gọi một clip draft qua AI Studio với đúng prompt và ảnh tham chiếu của dự án thật, tính chi phí một biến thể hoàn chỉnh — gồm cả lượt sửa — trước khi cam kết ngân sách chiến dịch.

Bài học rút ra

1. 15 giây chỉ có giá trị khi đi kèm sửa multi-turn: độ dài một mình không giải quyết được bài toán duyệt và sửa, nó chỉ dời điểm cắt cụt từ giây thứ 10 sang giây thứ 15.
2. Draft rẻ rồi upscale là cách duy nhất giữ chi phí thấp khi giá tính theo giây: duyệt ở 360p/720p, chỉ trả tiền 1080p/4K cho bản thắng.
3. Snapshot prompt, ảnh tham chiếu và interaction ID sau mỗi lượt tốt, vì trạng thái phiên có thể trôi và store=false sẽ khoá luôn khả năng sửa tiếp.
4. Đừng hứa chất lượng vượt giới hạn Google đã thừa nhận: thể thao tốc độ cao, kịch bản đổi nhanh và vật lý phức tạp vẫn đang cải thiện.
5. Xác minh endpoint, giá lượt sửa và ngày migration với tài liệu chính thức trước khi đưa vào production: model ID và ngày reroute 3/12/2026 đã xác minh, nhưng giá Flow theo gói và giới hạn khu vực vẫn cần kiểm tra lại theo dự án cụ thể.

Phạm vi xác minh

Ngày kiểm chứng: 9/11/2026. Đã xác minh với blog ra mắt chính thức của Google (GA 5/11/2026, clip 3–15 giây theo bước 1 giây, $0.07/giây cho 720p, sửa multi-turn, reference following, SynthID, các kênh truy cập) và tài liệu Gemini API trên AI Studio (model ID gemini-omni-1.2-flash, Interactions API POST /v1beta/interactions, previous_interaction_id, giá token $1.50 input và $12 video output mỗi triệu token, free tier không khả dụng, Veo 3.1 Preview ngừng từ 22/10/2026, reroute 1.1 sang 1.2 từ 3/12/2026). Hành vi mặc định: độ dài mặc định 10 giây, độ phân giải mặc định 720p, tỉ lệ 16:9. Các con số giá là giá công bố theo token, không phải benchmark đo lường; Google không công bố benchmark chất lượng. Phần này mình chưa chạy thử trên tài khoản thật — code trong bài chép từ ví dụ chính thức trong tài liệu, chưa tự tay thực thi — và các con số về Sora 2, Runway Gen-4.5 cùng giới hạn gói Flow lấy từ nguồn thứ cấp đã đối chiếu chéo, nên kiểm tra lại trước khi quyết định ngân sách.

Tham khảo

• Google — Gemini Omni 1.2 Flash: 15-second video and lower pricing
• Google AI Studio — Generate and edit videos with Gemini Omni Flash
• Google AI Studio — Gemini Developer API pricing
• Google AI Studio — Video generation in the Gemini API