截至 2026 年 8 月 28 日，Google 剛在前一天發布了 Gemini Omni 1.1 Flash。公告裡最響的三個詞是場景續寫、4K 放大、360p 草稿。

如果你真做過 AI 音樂影片，會知道這三項並不是你昨晚卡到兩點的那件事。卡住你的通常是：副歌切出去，歌手換了一張臉、換了一套衣服、換了一個房間。

Omni 1.1 裡真正能碰這件事的，是公告裡寫得最不像賣點的一項——首尾幀。這篇不複讀規格表，只回答：它到底解決了 MV 的哪一刀，以及今天在 SunoMV 怎麼選中它。

用 AI 把一首歌做成電影感音樂影片的成片畫面

先把公告和選單分開

Google 的介紹涵蓋了開發者 API 能做的全部：官方公告寫了首尾幀插值、360p 草稿（相對 720p 最多快 60%、成本約三分之一）、1080p/4K 放大，以及場景續寫——最多看前 10 秒上下文，每次加 10 秒，累計到 40 秒。

SunoMV 影片選單今天實際放出的是另一張更短的表：

實用規則： 看到新影片模型，先對選單，再對公告。公告決定這個模型以後能長成什麼樣；選單決定你今晚能出哪一鏡。

更完整的產品頁在 Gemini Omni 1.1 Flash 功能頁。下面只拆 MV 這一條線。

AI MV 真正貴的不是畫質，是切點

把一支 MV 做廢，通常不是因為單幀醜，而是因為相鄰兩句歌詞看起來不像同一台攝影機拍的。

具體有三種，做 MV 的人大概率都遇過：

AI 音樂影片常見的畫面與節奏脫節問題示意

傳統解法是後期：先出一堆互不相干的鏡頭，再靠剪輯硬接。一首歌通常有幾十個鏡頭，手工對齊的成本遠高於生成畫面本身——這也是為什麼大量 AI MV 最後都退化成了「加了轉場的圖片投影片」。

AI 音樂影片裡的角色一致性對照

實用規則： 判斷一支 AI MV 專不專業，不看單幀，看副歌那 8 秒裡切了幾刀、每一刀兩側是不是同一個人。

Omni 1.1 的首尾幀，意思很具體：你提供開場畫面和收尾畫面，模型補上中間的運動。

對做 MV 的人來說，這一項的含義是：兩句歌詞可以共用一套視覺合約。 把 A 鏡最後一幀匯出，當成 B 鏡的第一幀。甩鏡、推進、環繞，都可以寫進提示詞，但合約先鎖死——人、衣服、機位側，不許改。

這和「再寫一句 cinematic, 8K」不是一類操作。空形容詞不鎖任何東西。釘幀才鎖。Veo 提示詞為什麼要把運鏡放在第一槽，我們在 Veo 3 提示詞指南裡拆過；Omni 1.1 把同一件事收成了兩端畫面。

Google 公告裡的示例本身就是運鏡合約：「close-up 切到側向甩鏡，一眼看到薩克斯和芭蕾，一條連續鏡頭，不許跳接。」MV 副歌要的就是這種合約，不是又一張漂亮的靜幀。

選單標稱生成大約 40 秒。我們在 2026 年 8 月 27 日自己跑了一條 360p 首尾幀：提交 5.4 秒，生成 57 秒，全程 60.4 秒。範例影片在這裡。

這不是廠商 SLA，是一次實測。意義只有一個：你今晚要出副歌那 8 秒，等待時間以分鐘計，不是以小時計。

點數也寫在選單上：720P 每 5 秒 250 點，1080P 375。整首歌先用 720P 過一遍，副歌兩三鏡再上 1080P——別把高畫質預算燒在還沒鎖臉的草稿上。

更便宜的疊代檔是 MiniMax H3 Max：480P/720P，5–15 秒。故事板用它，成片用 Omni 1.1，是同一條流水線的兩個檔位，不是互斥。

實用規則： 720P 用來確認「切點接不接得上」；1080P 只給已經接上的那幾鏡。

該用： 你已經有兩張歌詞靜幀（或兩句要接上的畫面），需要一條真運鏡，而不是疊化。副歌、hook、需要人眼停住的那一刀。

別用： 你還在找這首歌的視覺主題——先用更便宜的檔把二十個分鏡鋪出來。你要原生 2K、對嘴、多參考鎖臉——那是另一檔模型的活，不是 Omni 1.1。你要 4K 放大或把上一段續寫到 40 秒——公告裡有，SunoMV 轉場介面今天沒有。

已有 Suno 成曲，從 Suno 轉影片進流程，再在影片模型清單裡改選 Gemini Omni 1.1。不要離開做 MV 的流程去申請開發者金鑰。

在時間軸上把畫面、歌詞與節奏對齊的工作流

規格頁、點數、實測和「公告有、選單沒有」的對照，都寫在 Gemini Omni 1.1 Flash。這篇只負責一件事：別被 4K 帶走，先把副歌那一刀切在同一個人身上。