四秒一张图，谷歌把生图生视频打到白菜价
今天算一笔账。生一张 1K 分辨率的图，三分四厘钱。
不是三块四，是 0.034 美元，四舍五入两毛五人民币出头。四秒钟出图。这是 Google DeepMind 昨天甩出来的新模型 Nano Banana 2 Lite 的官方定价，我盯着这个数字看了几秒，脑子里第一反应不是技术，是我去年帮一个做电商的朋友算过的一笔图片外包费。
那会儿他要给几百个 SKU 出主图，找的外包一张几十块，量大了砍到十几块，还得等两三天返稿。现在一张两毛五，四秒。你说这中间差了多少个数量级，我懒得算了，反正是那种算出来会让人沉默一下的数量级。
好家伙，图像生成这条赛道，是真的卷成白菜价了。
先把这次发布的两个东西摆清楚。Google 这回一口气放了俩，一个是图像模型 Nano Banana 2 Lite，一个是视频模型 Gemini Omni Flash，官方博客写得明明白白，核心就是把生图和生视频这两件事，都往「快」和「便宜」这个方向又推了一大步。原文在这（https://deepmind.google/blog/start-building-with-nano-banana-2-lite-and-gemini-omni-flash），感兴趣可以自己去读。
Nano Banana 这个名字，圈里人应该不陌生了。它是 Gemini 家的图像模型系列，去年那波 Nano Banana 出图效果好、又能改图，在设计师和独立开发者里刷了一大波屏。这次的 2 Lite，代号 gemini-3.1-flash-lite-image，定位很清楚，就是这个家族里跑得最快、花得最少的那个档位。
我特意去翻了它家族的分层，觉得这块对要用的人挺重要，给你捋一下别搞混。
Nano Banana 2 Lite，Gemini 3.1 Flash Lite Image，主打速度，为高并发、大批量、要求秒级出图的场景准备的。
Nano Banana 2，Gemini 3.1 Flash Image，官方叫它 generalist workhorse，通用主力马，质量和成本平衡得最好，日常大部分活儿它接。
Nano Banana Pro，Gemini 3 Pro Image，专业选手，复杂场景、要强推理、精度比速度更重要的时候上它。
还有个初代 Nano Banana，Gemini 2.5 Flash Image，现在算 legacy 了，官方直接建议你升级到 2 Lite，说换过去质量更好、速度更快、成本更低。这话翻译一下就是，老用户别恋旧了，无脑换新的就完事了。模型详情官方页在这（https://deepmind.google/models/gemini-image/flash-lite/）。
我盯着这个家族图看的时候，突然有种很熟悉的感觉。这不就是当年 CPU 分 i3 i5 i7、显卡分甜品卡旗舰卡的那套路数吗。同一个能力，切成好几个档，让你按预算和场景对号入座。AI 模型走到今天，也开始像卖硬件一样卖分层了。这本身就说明一件事，这个技术已经从「能不能做到」的阶段，滑到「怎么卖得更划算」的阶段了。
说回 2 Lite 本身的两个硬指标，我觉得是这次最值得记的。
第一个是延迟，文生图 4 秒出结果。4 秒是什么概念，差不多就是你敲完 prompt 回车，端起水杯喝一口，图就出来了。这个速度对做交互式产品的人是质变。以前你做个「输入一句话实时生成配图」的功能，用户得盯着 loading 转圈十几秒甚至几十秒，体验直接劝退。现在 4 秒，勉强够得上「即时」这条线了。
第二个是价格，0.034 美元一张 1K 图。这个数字我前面已经念叨过了。它意味着你可以放开手脚做那种「批量生成上千张图」的活儿，不用每点一次都心疼钱包。官方原话说得很实在，这是给那些做草稿、做构思、要控运营预算、或者低带宽使用场景的开发者准备的。
当然，Lite 就是 Lite，它优先保速度，肯定有取舍。但官方强调了几个没丢的东西，提示词遵循、角色一致性、图内文字渲染，这三样保住了。尤其是图内文字渲染，你要是做过 AI 生图就知道，让模型在图里写出不乱码的字，一直是老大难，这个能力保住了，做海报、做带字的卡片就有戏。
它现在能用的地方也不少，Google AI Studio、Gemini API、Gemini Enterprise Agent Platform 这些开发者入口都有，API 文档在这（https://ai.google.dev/gemini-api/docs/image-generation）。消费端也全铺了，AI Mode in Search、Gemini app、NotebookLM、Google Photos、Stitch、Google Flow、Google Ads 一整排。你日常用 Google 全家桶里冒出来的图，背后大概率就是这玩意在跑。
好，图这块聊完了，下面这个我觉得更有意思。
Gemini Omni Flash，视频模型，这次第一次开放给开发者。
它其实在 Google I/O 上就亮过相，当时是作为「Gemini 多模态推理撞上视频生成和编辑」的那个东西露的面。这次落地到 Gemini API 和 Google AI Studio，代号 gemini-omni-flash-preview，你可以拿文本、图像、视频这几种输入去喂它，让它生成视频，还能用大白话对着视频改。
价格是 0.10 美元一秒视频输出，官方特意点了一句，跟 Veo 3.1 Fast 同价。视频生成能压到一秒一毛钱这个量级，说真的，放两年前想都不敢想。
它主打的几个能力，我挑几个说人话的。
一个是对话式视频编辑，就是你可以用自然语言直接改视频，不用一帧一帧抠。一个是多模态引用，图、文、视频混着喂进去，让它保持画面里的控制感和一致性。还有一个我觉得挺妙的，叫 real-world knowledge，官方说它能调用 Gemini 本身的知识，比如历史、生物、叙事逻辑，来把视频构建得更靠谱。这个点如果真能 work，意味着生成的视频不只是画面炫，逻辑上也能立得住，而不是那种一看就乱来的拼贴。
但我得替它把丑话也说了，这版局限不少，官方自己列得很坦诚，这点我挺欣赏。
目前只能生成 10 秒的视频，更长的以后再说。API 这版暂时不支持传音频引用，也不支持场景扩展。还有个更细的坑，3 秒以内的视频引用，API 的 schema 接受，但模型现在其实处理不对，等于是个半成品接口。另外跨场景切换、镜头平移的时候，角色一致性还有毛病，官方说在改了。
我为什么专门把这些局限抄出来。因为这才是判断一个模型能不能进你生产流程的关键。发布会上人人都吹能力上限，但真正决定你能不能用的，是它的下限和边界在哪。10 秒、不支持音频、角色偶尔崩，这些约束你得提前知道，别等接进去了才发现填不了坑。视频这块的详情和分地区限制，官方文档写得比较全（https://ai.google.dev/gemini-api/docs/omni），要上生产的兄弟建议逐条读一遍。
现在聊到我觉得这次发布真正的重点，也是对独立开发者最有价值的一块，把这俩串起来用。
官方原话叫 the real magic happens when you chain these models together。翻译过来就是，单独用一个不算啥，把它俩接成一条流水线才是好玩的地方。这一手设计有点子牛逼，我第一次看到就想动手试试。
具体怎么串。用 Nano Banana 2 Lite 当高速生图的那一环，先把图快速造出来，然后把这张图作为参考丢给 Gemini Omni Flash，让它动起来，变成一段高质量的视频。生图那头快、便宜，视频那头接着把静态变动态。一条从文字到图片再到视频的完整链路，就这么搭起来了。
再往上还有个东西叫 Interactions API（https://ai.google.dev/api/interactions-api），做多轮体验用的，能保住会话历史和上下文，让用户连着改，最多叠三次连续编辑。这个对做产品的意义在于，用户不是生成一次就完事，而是能像 P 图那样一轮一轮迭代，每轮都记得前面的上下文。
为了让你少走弯路，Google 还放了几个可以直接抄的 demo app，都在 Google AI Studio 里。
一个叫 Anywhere，自拍或者传张照片进去，Nano Banana 2 Lite 秒把你 P 到几十个世界地标前面，点一下某张图，Omni Flash 就把它变成那个地点的动画短片。
一个叫 Space Lift，室内设计的，传一张房间照片，自动给你生成各种设计风格的效果图，看中哪个，点视频按钮，Omni 直接给你放一段电影感的展示，让你在动手装修前先看看动起来是什么样。
还有个叫 Omni product studio，把 Nano Banana 2 Lite 生成的静态商品图，转成电商用的电影感视频。这个对做跨境电商、做独立站的朋友，简直是精准打击，你如果正在为选品主图发愁，可以去点开看看。
我看这三个 demo 的时候，脑子里已经在过它能落地的场景了。你做个旅游 App，用户传张脸就能生成「我在马丘比丘」的短视频发朋友圈。你做个家装平台，客户拍下毛坯房，当场出效果视频。你做个电商工具，卖家上传一张产品图，批量出主图加带货短视频。以前这每一个都是一整个团队加一大笔预算的活儿，现在是俩 API 加一条 pipeline 的事。
当然，我也不是要在这儿无脑吹。理性看，这些东西离「开箱即用的成品」还有距离，10 秒视频、角色一致性的毛病，都是真实存在的墙。但方向是清楚的，图像和视频生成的边际成本正在被摁到地板上，能力则一点点往上爬。对我们这种没有大厂预算、就想快速验证一个 idea 的人来说，这种「白菜价 + 能拼装」的组合，才是真正的机会。
哦对，还有个容易被忽略但挺重要的点，安全这块。这俩模型生成的内容都带 SynthID 水印，就是那种肉眼看不见、但机器能验出来的 AI 内容标记。你可以通过 Gemini app、Chrome 里的 Gemini 或者 Search 去验证一段内容是不是 AI 生的。在这个满屏都是 AI 生成内容、真假越来越难分的当下，这层水印不是可有可无的装饰，它关系到以后整个内容生态还能不能信。生成能力狂飙的同时，能同步把「怎么标记、怎么溯源」这件事做上，我觉得是负责任的一步。
写到这儿，我想起万能青年旅店那句，是谁来自山川湖海，却囿于昼夜厨房与爱。以前我们被困在「想法有一堆，但做出来太贵太慢」这件事上，一个念头从脑子里到能给别人看的成品，中间隔着钱、隔着时间、隔着一整个专业团队。现在这堵墙，正在被一次又一次的降价和提速，凿出越来越大的口子。
四秒一张图，一毛钱一秒视频。这两个数字单看平平无奇，但它们背后是创作这件事的门槛，正在肉眼可见地往下掉。掉到什么程度呢，掉到一个周末下午，一个人，一台电脑，就能把脑子里那点不成熟的想法，先跑成一个能看的东西。
这大概就是我一直觉得这个时代最迷人的地方。工具不会替你想出那个好点子，但它正在拼命帮你，把想出来的东西，更快、更便宜地变成真的。
至于那个点子好不好，那是你的事，也永远只能是你的事。