Gemini Omni 1.1 Flash tạo ra các đoạn video dài 10 giây. Tính năng mở rộng cảnh là cách để vượt qua giới hạn đó: mỗi lần gọi mở rộng sẽ thêm 10 giây nữa, tối đa lên đến tổng cộng 40 giây.
Cơ chế này đã tồn tại trong mô hình xem trước, nhưng nó không thực sự hữu ích. Phiên bản xem trước chỉ nhìn vào giây cuối cùng của cảnh quay trước khi tiếp tục, đây là đủ ngữ cảnh để giữ màu sắc tương đối nhất quán và không có gì khác. Các nhân vật thay đổi trang phục. Các chuyển động máy quay được đặt lại. Bản phát hành GA vào ngày 27 tháng 8 năm 2026 đã nâng cửa sổ ngữ cảnh trước đó lên 10 giây, và Google ghi nhận sự thay đổi này đã mang lại “sự nhất quán về hình ảnh và sự tuân thủ câu chuyện được cải thiện”.
Hướng dẫn này bao gồm cách gọi tính năng này, giới hạn thực sự là gì, và cách để một chuỗi 40 giây không bị "tan rã" ở phân đoạn thứ ba.
Lời gọi mở rộng cơ bản
Tính năng mở rộng hoạt động thông qua Files API. Tải lên đoạn clip, truyền URI của nó cùng với một lời nhắc mô tả những gì sẽ xảy ra tiếp theo:
import base64
from google import genai
client = genai.Client()
video_file = client.files.upload(file="my_video.mp4")
interaction = client.interactions.create(
model="gemini-omni-1.1-flash",
input=[
{"type": "document", "uri": video_file.uri},
{"type": "text", "text": "Continue the scene."},
],
)
with open("extended.mp4", "wb") as f:
f.write(base64.b64decode(interaction.output_video.data))
Quá trình tải lên được xử lý không đồng bộ, vì vậy hãy thăm dò trạng thái tệp trước khi bạn gửi tương tác:
import time
while video_file.state == "PROCESSING":
time.sleep(10)
video_file = client.files.get(name=video_file.name)
if video_file.state == "FAILED":
raise ValueError(video_file.state)
Nếu video bạn đang mở rộng đến từ Omni trong cùng một phiên, hãy bỏ qua hoàn toàn việc tải lên và thay vào đó, liên kết với ID tương tác. Đường dẫn này rẻ hơn về token và giữ được nhiều trạng thái hơn:
res2 = client.interactions.create(
model="gemini-omni-1.1-flash",
previous_interaction_id=res1.id,
input="The camera pulls back to reveal the whole street.",
)
Hướng dẫn API bao gồm các tùy chọn khác của yêu cầu, bao gồm độ phân giải và tùy chọn phân phối.
Đưa một nhân vật vào phần mở rộng
Bạn có thể đính kèm phương tiện tham chiếu vào một phần mở rộng và chỉ vào nó từ lời nhắc. Các tham chiếu được tải lên sẽ có các vị trí bạn địa chỉ dưới dạng <IMAGE_REF_0>, <IMAGE_REF_1>, v.v.:
video_file = client.files.upload(file="my_video.mp4")
character_img = client.files.upload(file="character.png")
interaction = client.interactions.create(
model="gemini-omni-1.1-flash",
input=[
{"type": "document", "uri": video_file.uri},
{"type": "document", "uri": character_img.uri},
{"type": "text", "text": "Extend this video: have the character shown in <IMAGE_REF_0> enter the scene and wave."},
],
)
Tham chiếu video cũng hoạt động, giới hạn ở ba clip, mỗi clip ba giây. Mô hình đọc chúng để nắm bắt chuyển động và ngoại hình; âm thanh trên các clip tham chiếu bị bỏ qua.
Những giới hạn cần biết trước khi bạn lập kế hoạch một chuỗi
40 giây là giới hạn tối đa. Tổng cộng bốn phân đoạn: một lần tạo ban đầu cộng với ba lần mở rộng. Không có cách nào để đi xa hơn trong một chuỗi duy nhất.
Chỉ nối thêm. Mở rộng chỉ thêm vào cuối một clip. Bạn không thể chèn đoạn phim vào đầu hoặc giữa. Nếu phân đoạn thứ hai bị sai, bạn phải tạo lại từ phân đoạn thứ hai trở đi, và mọi thứ sau đó cũng sẽ bị mất.
Đầu vào được tải lên giới hạn ở 10 giây. Đó là giới hạn cho video bạn tải lên. Các chuỗi nhiều lượt thông qua previous_interaction_id không bị ràng buộc bởi giới hạn này, vì mô hình đã giữ trạng thái trước đó.
Không có hội thoại trên các tệp tải lên được mở rộng. Bạn có thể mở rộng một clip được tải lên của người khác một cách im lặng, hoặc làm việc trong một tương tác nhiều lượt, nhưng bạn không thể thêm hội thoại khi mở rộng một tệp tải lên.
Hạn chế theo khu vực. Việc tải lên và chỉnh sửa video không khả dụng ở Khu vực Kinh tế Châu Âu, Thụy Sĩ và Vương quốc Anh. Các video do mô hình tạo ra vẫn có thể chỉnh sửa được ở các khu vực đó, vì vậy đường dẫn previous_interaction_id vẫn hoạt động ở đó trong khi đường dẫn tải lên thì không.
Mỗi lần một video. Mô hình sẽ không suy luận dựa trên nhiều video đầu vào.
Phác thảo toàn bộ cốt truyện trước khi bạn kết xuất
Đây là quy trình làm việc giúp tiết kiệm tiền và giảm thiểu sự thất vọng nhất.
Một chuỗi 40 giây ở độ phân giải 720p có giá khoảng 4,06 đô la cho đầu ra video, và chế độ lỗi rất cụ thể: câu chuyện đi lệch hướng ở phân đoạn thứ ba, vì vậy bạn phải tạo lại phân đoạn thứ ba và thứ tư, và đôi khi điều đó làm thay đổi điều bạn thích ở phần mở đầu của phân đoạn thứ ba. Bạn có thể tốn vài lần kết xuất đầy đủ để tìm ra phiên bản hoàn hảo.
Trước tiên, hãy phác thảo toàn bộ cốt truyện ở độ phân giải 360p. Nó tạo ra nhanh hơn tới 60% với chi phí chỉ bằng một phần ba, vì vậy bốn phân đoạn tương tự có giá khoảng 1,35 đô la. Xác nhận câu chuyện tồn tại qua cả bốn phần mở rộng, sau đó kết xuất lại ở độ phân giải 720p trở lên với các lời nhắc bạn đã xác thực. Bài viết về giá cả có đầy đủ các tính toán.
Đặt độ phân giải trong định dạng phản hồi:
interaction = client.interactions.create(
model="gemini-omni-1.1-flash",
input=[
{"type": "document", "uri": video_file.uri},
{"type": "text", "text": "Continue the scene."},
],
response_format={"type": "video", "resolution": "360p"},
)
Viết lời nhắc tồn tại qua bốn phân đoạn
Một vài mẫu hoạt động tốt hơn những mẫu khác.
Mô tả sự thay đổi, không phải toàn bộ cảnh. Mô hình đã xem 10 giây trước đó. Việc mô tả lại bối cảnh mời gọi nó diễn giải lại những gì đã có trên màn hình. "Máy quay đẩy vào cửa" tốt hơn một đoạn văn mới về căn phòng.
Cung cấp một chuyển động mỗi phân đoạn. Các phần mở rộng yêu cầu hai nhịp có xu hướng cung cấp một phiên bản gấp rút của cả hai. Mười giây là một hành động.
Giữ các điểm neo liên tục rõ ràng. Đặt tên cho thứ phải giữ nguyên ("chiếc áo khoác đỏ giống nhau", "góc thấp tương tự") cung cấp cho mô hình thứ gì đó để giữ vững qua mối nối.
Đừng chống lại giới hạn chỉ nối thêm. Lập kế hoạch chuỗi của bạn theo thứ tự nó phát. Không có cách nào để sửa phần đầu sau này mà không tạo lại mọi thứ sau nó.
Kỹ thuật tạo lời nhắc có vai trò rất quan trọng ở đây, và hướng dẫn lời nhắc Veo bao gồm các nguyên tắc có thể chuyển giao giữa các mô hình video.
Kiểm tra các phần mở rộng của bạn theo cùng một cách hai lần
Bốn lần gọi liên tiếp đồng nghĩa với bốn vị trí mà sự thay đổi trong hành vi của mô hình có thể xuất hiện, và đầu ra video khó có thể nhận ra lỗi khi bạn chỉ nhìn vào kết quả cuối cùng.
Lưu mỗi giai đoạn dưới dạng yêu cầu riêng trong Apidog, với URI tệp và ID tương tác trong biến môi trường để bạn có thể chạy lại một phân đoạn cụ thể mà không cần xây dựng lại chuỗi bằng tay. Khẳng định hình dạng phản hồi, vì một phần mở rộng độ phân giải cao hơn có thể đẩy tệp vượt quá 4MB và chuyển bạn từ base64 nội tuyến sang URI. Nâng thời gian chờ lên cao hơn mặc định; các phần mở rộng chạy lâu hơn quá trình tạo ban đầu vì mô hình đọc 10 giây ngữ cảnh trước.
Bộ công cụ này tốn mười phút và sẽ tự trả giá ngay lần đầu tiên bạn cần biết liệu vấn đề mối nối là do lời nhắc của bạn hay do bản cập nhật mô hình. Tải xuống Apidog để thiết lập.
Câu hỏi thường gặp
Video Gemini Omni có thể dài bao nhiêu? Tổng cộng 40 giây, được tạo từ 10 giây tạo ban đầu cộng với ba phần mở rộng 10 giây.
Tôi có thể mở rộng video do chính mình quay không? Có, tối đa 10 giây đầu vào, bên ngoài EEA, Thụy Sĩ và Vương quốc Anh. Tải lên thông qua Files API và truyền URI.
Tôi có thể thêm vào đầu một clip không? Không. Mở rộng chỉ nối thêm vào cuối.
Tại sao nhân vật của tôi thay đổi ngoại hình giữa các phân đoạn? Thường là do lời nhắc mô tả lại cảnh thay vì sự thay đổi, hoặc điểm neo liên tục không rõ ràng. Đặt tên những gì phải giữ nguyên, và cân nhắc truyền hình ảnh nhân vật làm tham chiếu trong phần mở rộng.
Mỗi lần mở rộng có tốn thêm chi phí không? Có. Mỗi lần mở rộng sẽ tính phí 10 giây đầu ra video riêng, cộng với token đầu vào cho ngữ cảnh mà nó đọc.
Nếu tôi cần hơn 40 giây thì sao? Veo 3.1 mở rộng 7 giây mỗi lần lên đến 148 giây, chỉ ở 720p. So sánh mô hình đề cập đến sự đánh đổi đó, và hướng dẫn API của Veo có chi tiết tích hợp.
Tính năng mở rộng cảnh là tính năng chuyển Omni từ bản demo sang sản phẩm có thể phân phối, nhưng nó đòi hỏi sự lên kế hoạch. Hãy tạo kịch bản bốn nhịp, phác thảo toàn bộ cốt truyện ở 360p, giữ mỗi lời nhắc chỉ một chuyển động, và chỉ chi tiền cho 720p khi bạn đã biết phiên bản nào hoạt động tốt.