截至 2026 年 8 月 28 日，Google 刚在前一天发布了 Gemini Omni 1.1 Flash。公告里最响的三个词是场景续写、4K 放大、360p 草稿。

如果你真做过 AI 音乐视频，会知道这三项并不是你昨晚卡到两点的那件事。卡住你的通常是：副歌切出去，歌手换了一张脸、换了一套衣服、换了一个房间。

Omni 1.1 里真正能碰这件事的，是公告里写得最不像卖点的一项——首尾帧。这篇不复读规格表，只回答：它到底解决了 MV 的哪一刀，以及今天在 SunoMV 怎么选中它。

用 AI 把一首歌做成电影感音乐视频的成片画面

先把公告和选择器分开

Google 的介绍覆盖了开发者 API 能做的全部：官方公告写了首尾帧插值、360p 草稿（相对 720p 最多快 60%、成本约三分之一）、1080p/4K 放大，以及场景续写——最多看前 10 秒上下文，每次加 10 秒，累计到 40 秒。

SunoMV 视频选择器今天实际放出的是另一张更短的表：

实用规则： 看到新视频模型，先对选择器，再对公告。公告决定这个模型以后能长成什么样；选择器决定你今晚能出哪一镜。

更完整的产品页在 Gemini Omni 1.1 Flash 功能页。下面只拆 MV 这一条线。

AI MV 真正贵的不是画质，是切点

把一支 MV 做废，通常不是因为单帧丑，而是因为相邻两句歌词看起来不像同一台摄影机拍的。

具体有三种，做 MV 的人大概率都遇过：

AI 音乐视频常见的画面与节奏脱节问题示意

传统解法是后期：先出一堆互不相干的镜头，再靠剪辑硬接。一首歌通常有几十个镜头，手工对齐的成本远高于生成画面本身——这也是为什么大量 AI MV 最后都退化成了「加了转场的图片幻灯片」。

AI 音乐视频里的角色一致性对照

实用规则： 判断一支 AI MV 专不专业，不看单帧，看副歌那 8 秒里切了几刀、每一刀两侧是不是同一个人。

Omni 1.1 的首尾帧，意思很具体：你提供开场画面和收束画面，模型补上中间的运动。

对做 MV 的人来说，这一项的含义是：两句歌词可以共用一套视觉合同。 把 A 镜最后一帧导出，当成 B 镜的第一帧。甩镜、推进、环绕，都可以写进提示词，但合同先锁死——人、衣服、机位侧，不许改。

这和「再写一句 cinematic, 8K」不是一类操作。空形容词不锁任何东西。钉帧才锁。Veo 提示词为什么要把运镜放在第一槽，我们在 Veo 3 提示词指南里拆过；Omni 1.1 把同一件事收成了两端画面。

Google 公告里的示例本身就是运镜合同：「close-up 切到侧向甩镜，一眼看到萨克斯和芭蕾，一条连续镜头，不许跳切。」MV 副歌要的就是这种合同，不是又一张漂亮的静帧。

选择器标称生成大约 40 秒。我们在 2026 年 8 月 27 日自己跑了一条 360p 首尾帧：提交 5.4 秒，生成 57 秒，全程 60.4 秒。样片在这里。

这不是厂商 SLA，是一次实测。意义只有一个：你今晚要出副歌那 8 秒，等待时间以分钟计，不是以小时计。

额度也写在选择器上：720P 每 5 秒 250 积分，1080P 375。整首歌先用 720P 过一遍，副歌两三镜再上 1080P——别把高清预算烧在还没锁脸的草稿上。

更便宜的迭代档是 MiniMax H3 Max：480P/720P，5–15 秒。故事板用它，成片用 Omni 1.1，是同一条流水线的两个档位，不是互斥。

实用规则： 720P 用来确认「切点接不接得上」；1080P 只给已经接上的那几镜。

该用： 你已经有两张歌词静帧（或两句要接上的画面），需要一条真运镜，而不是叠化。副歌、hook、需要人眼停住的那一刀。

别用： 你还在找这首歌的视觉主题——先用更便宜的档把二十个分镜铺出来。你要原生 2K、对口型、多参考锁脸——那是另一档模型的活，不是 Omni 1.1。你要 4K 放大或把上一段续写到 40 秒——公告里有，SunoMV 转场界面今天没有。

已有 Suno 成曲，从 Suno 转视频进流程，再在视频模型列表里改选 Gemini Omni 1.1。不要离开做 MV 的流程去申请开发者 key。

在时间轴上把画面、歌词与节奏对齐的工作流

规格页、额度、实测和「公告有、选择器没有」的对照，都写在 Gemini Omni 1.1 Flash。这篇只负责一件事：别被 4K 带走，先把副歌那一刀切在同一个人身上。