Seedance 2.5 Flash 现已开启 65 折优惠,11 月 30 日截止

Gemini Omni 1.2 Flash:产品标签看似没问题,直到你停下来细看

Gemini Omni 1.2 Flash 的产品标签一致性已足够有前景,可用真实包装图进行测试,但 Google 声称的改进并不能替代检查交付帧中的标签。

用AI总结

产品视频看起来已经准备好了,直到有人在旋转中的包装上暂停,发现有一个字母变了。Gemini Omni 1.2 Flash 产品标签一致性已经足够有前景,值得用真实包装照片来测试,但 Google 的改进声明并不能替代在交付帧中检查标签。对于商业广告而言,问题在于可见的徽标、确切文字、包装形状和颜色能否在镜头运动后保持不变。

本文说明如何在四个用户提供的片段中检查标签偏移。两个片段使用虚构 KOBU 汽水罐的公开概念包装图,另外两个使用一个瓶子和茶包的实拍照片。KOBU 片段使用了不同的镜头指令,因此它们展示的是两种检查挑战,而不是对参考图数量的受控测试。商业发布仍需要用已批准的产品摄影单独测试。

要点

  • Google 表示 Gemini Omni 1.2 Flash 在遵循参考图方面更强,包括包装排版和品牌颜色,但并未承诺每一帧中的标签文字都完全准确。
  • KOBU 概念包装示例展示了一个短暂转向和一次完整旋转;它们没有单独分离出提供更多参考图所带来的效果。
  • 在关键时间点和整个片段中检查可读字母、徽标、形状和颜色。一个字符错误的合法或产品声明会阻止真实广告发布。
  • 更高输出分辨率可以帮助你检查标签;但它无法纠正模型错误生成的字符。

Gemini Omni 1.2 Flash 在产品视频方面有哪些变化?

Google 于 2026 年 11 月 5 日发布了 Gemini Omni 1.2 Flash。其公告称,该模型可以生成或编辑 3 到 15 秒的片段,以一秒为增量,相比之下 Gemini Omni 1.1 最长为 10 秒。它还描述了在不同镜头角度下对参考图更强的遵循能力,包括包装排版和品牌颜色。这些声明使旋转产品镜头成为一个合理的测试用例(Google,2026 年 11 月)。

更长的可用镜头很重要,因为包装可以在一个片段中离开正面视角、转动并返回。返回部分是有用证据:审核人员可以将最后一次清晰视图与第一次视图以及真实照片进行比较。远距离看起来视觉一致的瓶子仍可能包含错误成分或偏移的计量单位。镜头连续性和文本保真度需要分别检查。

参考图遵循比标签准确性范围更广

Google DeepMind 发布的参考图生视频对比显示,在多参考身份一致性方面,Gemini Omni 1.2 Flash 相比 Gemini Omni 1.1 的并排偏好为 63% 对 37%。它还报告了提示词遵循方面的对比为 52% 对 48%(Google DeepMind,2026 年 11 月)。这些是针对整个片段的对比结果。它们并不衡量商业标签上的每个字母是否保持正确,也无法预测特定 SKU 的结果。

01-deepmind-reference-consistency-chart.jpg

DeepMind 的参考图生视频对比衡量的是整体偏好、提示词遵循和多参考身份一致性。它不是包装文字准确性测试。

该模型的参考图生视频工作流接受多张静态图,并可输出 16:9 或 9:16 片段。这使得受控的一张照片与三张照片对比成为可能。该模型还可能生成原生音频,尽管声音对于本次标签检查来说是次要的。平滑的镜头弧线带来了挑战;审核取决于产品在每个角度实际显示的内容。

喜欢这篇指南?在Google搜索中查看更多Atlas Cloud内容。在Google中添加为首选来源

产品标签一致性实际上意味着什么?

创意审核人员应在生成前定义通过标准。否则,一个有说服力的场景可能会掩盖微小但影响重大的包装变化。对于真实 SKU,四个特征承载不同类型风险:

  • 徽标: 标记是否为相同设计,处于相同位置和比例,且没有多余符号?
  • 文字: 产品名称、变体、数量、成分、警告以及其他必须匹配的词语,是否与已批准包装上出现的拼写完全一致?
  • 包装几何形状: 瓶子、盒子、瓶盖、封口、把手或标签面板是否保持其实际形状和位置?
  • 颜色: 已批准的包装色和品牌色在转动过程中是否仍可辨认,同时允许光照的正常变化?

可读性是一个单独条件。标签在某一帧中可能技术上是正确的,但没有任何顾客能读清。记录运动模糊、眩光、手部或陡峭角度何时遮挡文字。不要将隐藏文字视为已验证通过。如果正面面板离开视野,只评估物理上可见的内容,并在镜头返回时再次检查。

文本幻觉值得单独说明。模型可能添加包装上从未有过的成分、声明、认证标志或看起来合理的数字。这些变化可能比轻微改变的轮廓更重要。审核人员需要来自已批准实体标签的转写,而不是根据一个好看的视频帧做出的猜测。

设定三种发布结果。可接受意味着每个必需的客户可见细节在可读处都匹配,并且片段在正常播放速度下仍然可用。需要修正意味着非关键视觉细节或可读性问题可以通过受控编辑、裁切或替换帧修复,然后再次进行完整审核。不要发布意味着任何必需声明、数量、警告、成分、徽标或包装身份与已批准来源不同。

这一阈值应反映产品本身。一个朴素无品牌的容器比一个布满必需文字的补充剂纸盒更容易作为创意测试。对于纸盒,团队可能一开始就决定使用实拍包装或后期制作中经过验证的包装图层。这一选择是制作控制,而不是对模型的裁决。

在生成视频前准备真实产品参考图

选择一个团队拥有或获准展示的实体 SKU。清晰拍摄其正面。然后在相似光照下从左前和右前角度拍摄同一物品。保持相机高度和距离足够接近,使标签在三个角度都仍然有用。不要用生成包装替代缺失的摄影;否则视频将测试对伪造标签的忠实度。

正面图像应让审核人员读到重要文字。避免字标上出现眩光、极端透视、封口被裁切以及文字被修图。侧面图像应揭示真实几何形状:瓶盖深度、面板包覆、边缘,以及围绕弧面印刷内容的任何变化。如果某个角度只显示一小条文字,这仍有助于检查位置,但无法验证未看见的文字。

上传前,制作一份简短参考表。直接从已批准包装转写每个必须匹配的词语和数字。在布局重要时,记录大小写、标点、间距、单位和换行。标记无法从源照片中自信读出的文字。为该字段获取更好的照片或已批准图稿,而不是默默填入看似可能的内容。

下文使用的概念包装参考图

为演示起见,我们使用了 Scenario 的 KOBU Sour Tantrum 产品图。Scenario 将 KOBU 描述为一款虚构汽水,并表示其图是使用 GPT Image 2.5 Sunburst 生成的。该图展示了大型粉色 KOBU 字标、竖排 SOUR TANTRUM 文字、一个黄色柚子吉祥物,以及仅图形的背面。三个上传文件是该同一图的裁切图,而不是实体罐的照片。这让我们可以在概念视频中检查显眼的设计和文字,但并不能验证法律文案或模型对真实产品的忠实度。

02-kobu-concept-reference-sheet.webp

来自 Scenario 的公开概念包装参考图。演示检查的是可见的 KOBU 设计,而不是已批准的零售标签。

片段 1 仅使用正面裁切图,并要求短暂转向后回到正面。片段 2 使用正面、左前和背面裁切图,并要求完整旋转。这些是有意不同的镜头简报,因此其输出中的任何差异不能仅归因于参考图数量。要因果性地测试一张与三张图像,请用相同镜头提示词和设置运行两组图像。

将输入文件与每次运行记录一起保存。记录还应包括提交时间、显示设置、完成状态和第一个完成的输出。如果运行失败,记录错误。如果团队采样了多个成功结果并只展示最干净的一个,请诚实标注该选择;它不能与另一条件下的单个首次输出进行比较。

没有提供品牌批准的实体产品照片用于商业验证。将评分卡应用于真实活动 SKU 时,请使用已批准的产品参考图作为事实来源。

两个 KOBU 标签运动示例

Atlas Cloud 上的 Gemini Omni 1.2 Flash Reference-to-Video 页面 接受多张参考图和一个 8 秒、16:9 请求。下面提供的两个下载文件均为 8.04 秒、1280 × 720 视频。它们的文件名和像素并不能说明由哪个模型、种子或尝试次数生成。将它们视为用户提供的审查方法演示,而不是实测的 Gemini Omni 1.2 Flash 性能。原始 MP4 文件与 GIF 一起保留,用于逐帧检查。

第一个镜头从正面开始,转到足以显示一个边缘,然后回到正面。在 0.5 秒和 7.7 秒时,大型 KOBU 字标、吉祥物和小产品线可见。在转动最深时,只有部分正面标签在视野中,因此隐藏的字母无法在那里评分。

01-single-front-sway.gif

片段 1:来自正面参考简报的短暂转向。正面在接近结尾时返回;标签隐藏部分在转动期间未经核实。

第二个镜头围绕罐身移动得更远。其仅图形的背面,包括星星和闪电图案,在大约 4 秒时可见。正面在接近结尾时回来,但在 7.7 秒时仍略微倾斜,小产品线过于模糊,无法进行逐字符检查。在采样的正面视图中,较大的 KOBU 字母和吉祥物仍然可辨认。

02-three-view-turn.gif

片段 2:基于正面、左前和背面概念参考图的更宽旋转。背面视图增加了一个独特的检查点;返回时的小正面线仍未经核实。

检查片段 1:正面裁切图片段 2:正面、左前、背面裁切图
镜头任务短暂转向并返回更宽转向,露出仅图形的背面
0.5 秒时正面KOBU、吉祥物和小线可见KOBU、吉祥物和小线可见
约 4 秒时部分正面标签被角度遮挡背面图形可见;没有已批准背面文案可检查
接近 7.7 秒时正面正面返回;主要元素可见正面仍略微倾斜;小线未经核实

对于可复现的一张与三张参考图实验,对两组使用相同运动提示词,并保留界面设置和第一个完成输出。这里展示的两个片段回答的是另一个实际问题:当包装进行小幅转向与更宽转向时,审核人员可以检查什么?

另外两个使用真实产品照片的处理示例

接下来的两个用户提供片段使用实拍包装,而不是 KOBU 概念图。瓶子片段为 8.04 秒,茶片段为 15.04 秒;两者均为 1280 × 720。这些文件不包含可验证的模型、种子或尝试历史,因此它们是检查内容的示例,而不是实测的 Gemini Omni 1.2 Flash 结果。

玻璃瓶:倾倒过程中的标签

输入是 Alex P. Kok 拍摄的 Smirnoff 瓶子正面和背面照片,以 CC BY-SA 4.0 发布在 Wikimedia Commons。简报要求一只手提起打开的瓶子,倒入玻璃杯,然后将正面转回镜头。这测试的是变化的倾斜和手部接触,而不是另一次转台旋转。

03-smirnoff-front-rear-reference.png

正面和背面输入照片由 Alex P. Kok 拍摄,Wikimedia Commons,CC BY-SA 4.0;并排合并用于比较。两个原始文件均与文章资产一起保留。

在大约 0.8 秒和 7.4 秒时,正面大型 SMIRNOFF 和 VODKA 文字仍可辨认。在 4 秒左右的倾倒时,颈标文字与来源不同,而华丽标签上的小字过于模糊,无法进行逐字符检查。因此,可辨认的正面标签并不等于精确文字通过。

03-smirnoff-pour.gif

8.04 秒片段,转换为 GIF。原始 MP4 保留用于逐帧检查。

茶包:通过打开和冲泡展示三个变体

输入是 Wikiname8 拍摄的 Fraser Tea 茶包照片,以 CC BY 4.0 发布在 Wikimedia Commons。上传的 PNG 与文章资产一起保留;原始照片如下所示。简报特别指定了紫色 Rainbow Rooibos、蓝色 Cream Earl Grey 和红色 Peppermint Stick,然后要求拿起、打开并冲泡紫色小包,同时其他变体保持在视野中。

04-fraser-tea-input.png

输入照片由 Wikiname8 拍摄,CC BY 4.0。三个命名变体提供了颜色与口味对应检查。

这个 15 秒序列从俯视产品视图变为近距离处理镜头,再到最终杯子视图。蓝色和紫色小包在采样帧中保留了可辨认的品牌标记,但红色小包的口味文字与参考图中的 Peppermint Stick 不匹配。在最终视图中,紫色口味行部分隐藏在杯子和红色小包后面,因此该行在那里未经核实。更长的动作提供了更多审查点,但并未修复改变后的红色文字。

gEAUzHff3aI

15.04 秒用户提供片段。由于超过 10 秒,它保留为带有选定海报帧的视频。

发布前审查标签偏移

在能够逐帧步进的查看器中打开原始文件。首先以正常速度观看每个片段,判断产品是否可辨认,以及请求的镜头运动是否发生。然后在五个计划位置暂停:开场正面视图、第一次转向、最大角度、返回正面和最终帧。也要拖动检查它们之间的区间。缺陷可能只出现几帧。

对于每个清晰视图,将视频与其来源参考图并排比较:KOBU 演示使用 Scenario 图,真实 SKU 使用已批准照片。检查确切字符、徽标形式和位置、轮廓、瓶盖或封口以及颜色。记录任何不匹配的时间戳和裁切图。当文字不可读时,将其标记为未经核实,而不是通过。如果某个必需字段在整个片段中都被隐藏,该片段无法为该字段建立标签保真度。

2026 年一场关于产品视频审核的 Reddit 讨论描述道,在暂停帧中标签变得更模糊,瓶盖或包装宽度发生变化。这是检查静帧的一个有用理由。它是关于另一项测试的轶事,并不能证明 Gemini Omni 1.2 Flash 通过或未通过本测试。

逐帧通过/不通过评分卡

为每个时间戳和必需字段创建一行。记录来源转写、帧中可见内容、可读性以及通过/不通过决定。将开头、最大转向和结尾的截图与已批准正面图像放在一起。如果侧面板有必需内容,添加匹配角度的侧面参考图。这些图像应以可读尺寸暴露实际字母,而不仅仅是展示好看的广角镜头。

必需成分中缺失字母或数量改变即构成发布失败,即使视频其余部分看起来稳定。如果错误仅限于可丢弃的背景,或通过裁切移除问题且不隐藏必要产品信息,那么修正编辑可能是合理的。重新检查整个修正后的输出,包括转场和导出。局部修正可能影响相邻帧。

当确切措辞很重要时,在后期制作中使用已批准的包装图像图层或经验证的排版标签可提供更多控制。运动片段可以提供场景和镜头运动,而真实文字来自已批准图稿。这种方法需要仔细的跟踪、透视和遮挡处理,因此合成结果仍需要审核。不要因为生成句子在播放时看起来合理,就告诉合规审核人员它是准确的。

何时值得在产品广告中使用 Gemini Omni 1.2 Flash?

大型正面标签、简单包装几何形状和适度镜头转向构成合理的首次测试。密集的小字、频繁遮挡或必需法律文案要求更严格的计划,并且可能需要更多后期制作控制。决定因素是成品片段的审查,而不是模型名称或聚合基准。

当你拥有真实产品摄影并想看看模型能否为该特定物品制作动画时,请使用参考图生视频路径。保留第一个输出及其输入作为证据。如果广告需要在所有时候都保证标签逐字准确,请为已批准图稿、实拍素材或两者都预留预算。这仍可以为创意中其他地方的生成运动留出空间。

Atlas Cloud 模型目录 在 2026 年 11 月查看时,将 Gemini Omni 1.2 Flash Reference-to-Video 列为折扣起价每生成一秒 $0.023,低于 $0.028。按该显示起价,一次 8 秒生成将为 $0.184,两次将为 $0.368,不含任何重跑。该列表是起价;运行前请确认所选分辨率及任何其他控制的实时报价。Google 另外宣布的每秒钟 $0.07(720p)适用于其自有平台,不适用于此 Atlas 报价。

审核成本与生成成本分开。一个改变必需标签文案的便宜片段并不准备好发布,而一个经过仔细逐帧审查后通过的片段可能节省制作时间。KOBU GIF 使检查任务更具体,尤其是当背面进入视野时。它们并未建立 Gemini Omni 1.2 Flash 的通过率或真实包装的发布决定。要回答你的 SKU 的 Gemini Omni 1.2 Flash 产品标签一致性,请拍摄已批准产品视图,保留模型运行记录,并将第一个完成输出与实体标签进行审查。

常见问题

Gemini Omni 1.2 Flash 能保证精确的包装文字吗?

没有任何已发布的参考图遵循对比能为你的标签建立逐字符保证。将精确文字视为发布标准,在完成帧中验证。审核时将已批准包装或图稿放在片段旁边。

一张产品照片就够了吗,还是应该上传多个角度?

一张清晰正面图像就足以开始受控比较。第二次运行添加真实左前和右前照片,然后评判两个首次完成片段。更多角度只有在能阐明同一实体产品时才有用。

1080p 导出能修复不正确的标签吗?

不能。更高输出分辨率可能让错误更容易看到,但它不会把生成的错误字符变成已批准字符。检查原始帧并修正来源,或在后期制作中使用经验证图稿。

当包装带有必需法律文字时,我可以发布片段吗?

只有在必需文字已在实际交付帧中检查,或通过已批准、经验证的包装图层提供后,才可发布。如果某个字段错误,或在广告依赖它的地方无法读取,请暂扣片段以进行修正和审核。

最新模型

一个 API,畅享全模态 AI。

探索全部模型