Gemini Omni 1.2 Flash 和 Seedance 2.5 怎么选?每秒价格与各项限制对比

对比 Gemini Omni 1.2 Flash 与 Seedance 2.5 的单次时长、分辨率、画幅比例、音频、输入方式、API 调用流程和官方每秒价格,并附一套自测方案。

两只纸风筝系在长短不同的线上,一只飞得近,一只飞得远,两根线都拴在草地上同一个橙色线轴上。

做 15 秒以内的 16:9 或 9:16 短片,Gemini Omni 1.2 Flash 更便宜:按 Google 标价,720p 每秒约 $0.07;按字节跳动标价,Seedance 2.5 每秒约 $0.23。如果单次请求要生成更长的视频(最长 30 秒),要用 1:1 方形、4:3 或 21:9 画幅,要传入音频参考,或者对白语言是 Google 还没有为 Omni 评估过的语种(Google 只对英语提供完整支持),就选 Seedance 2.5。 两个模型都不是每种需求都占优。真正起决定作用的是片长、画幅比例、需要传入的素材,以及你被允许在哪里调用模型。

本文依据的是 2026 年 11 月 19 日重新核对过的厂商文档:Google 的 Omni 指南、模型卡和价格页,以及字节跳动 BytePlus ModelArk 的 Seedance 2.5 教程和价格页(均为英文)。文中的每秒价格是我们根据这些公开费率算出来的,计算过程逐步列出。

本文由 Ofox 发布。Seedance 2.5 可以通过 Ofox 调用,Gemini Omni 不行。我们在 2026 年 11 月 19 日通过 Ofox 实际跑了两次 Seedance 2.5 生成。Omni 没有跑,因为我们没有可用的 Google 项目,所以本文不对两个模型谁生成的视频更好下任何结论。本文提供的是同一口径下的规格与价格对比,以及一套能用你自己的需求测试两个模型的方案。

规格表:两个模型分别能生成什么

两个模型都能根据文本、图片或视频生成带声音的视频,区别在各项上限。

维度Gemini Omni 1.2 FlashSeedance 2.5
模型 IDgemini-omni-1.2-flashdreamina-seedance-2-5-260628(ModelArk),bytedance/seedance-2.5(Ofox)
新片段时长3–15 秒,整数秒;默认 10 秒4–30 秒,整数秒,或填 -1 由模型自选;默认 -1
首尾帧生成3–10 秒4–30 秒范围;ratio 必须为 adaptive
延长每轮 +3–10 秒,总长最多 30 秒,只能接在末尾支持(参考视频加上延长意图);ratio 必须为 adaptive
分辨率360p、720p(默认)、1080p、4k;Google 标明 1080p 和 4K 是放大(upscaled)得到的480p、720p(8-bit),1080p、4k(10-bit,H.265/HEVC);默认 720p
帧率24 fps字节跳动的价格示例按 24 fps 计算能对上;我们拿到的输出是 24 fps
画幅比例16:9(默认)或 9:1621:9、16:9、4:3、1:1、3:4、9:16、adaptive(默认)
音频输出原生音频,默认生成同步音频,默认生成
音频输入不支持:不接受音频输入,也不接受音频参考最多 10 段音频参考,总长 30 秒
图片参考最多 6 张(每个角色最多 3 张,最多 2 个角色)最多 30 张
视频参考最多 3 段(3–10 秒片段)或 1 段(11–15 秒片段),每段最长 3 秒;其中的音频会被忽略最多 10 段,每段 2–30 秒,总长 30 秒
编辑对话式,多轮之间传 previous_interaction_id;输入视频 ≤15 秒参考视频加上编辑措辞;源视频 4–30 秒;输出保持原时长和比例
对白语言英语完整支持;其他语言 “have not been evaluated”(尚未评估)列出 11 种语言,包括英语、中文、西班牙语、日语和韩语
输出容器MP4MP4(默认)或 MOV
草稿预览文档未提及Draft 模式:固定 480p 预览,可以升级为正式渲染

还没看价格,有两行就能决定大多数选择。Omni 只能生成横屏或竖屏视频,所以方形信息流帖子或 21:9 横幅直接把它排除在外。另外,Omni 单次生成最长 15 秒。通过延长轮次可以做到 30 秒,但每一轮都是独立请求,而且只回看片段最后 10 秒。这和一次写好 30 秒时间线是两种不同的工作流。

分辨率这一行要仔细读。Google 说它的 1080p 和 4K 输出是放大得到的。字节跳动把 Seedance 2.5 的 1080p 和 4K 记为 10-bit HEVC 输出,没有说是放大。两家对同一件事的用词不同,所以下面价格表里 1080p 和 4K 两行比较的并不是同类产品。这两档只按你亲眼看过的画面来判断。

如果你读过我们的 Seedance 2.5 提示词指南(2026 年 8 月 14 日发布),请注意规格在那之后已经变了。那篇指南写的分辨率上限是 480p/720p,因为当时字节跳动的教程(8 月 13 日更新)仍把 1080p 和 4K 列为不支持,并把 4K 列为 Seedance 2.0 的功能。2026 年 11 月 16 日更新后的教程已经为 Seedance 2.5 列出 1080p 和 4K,上限比那篇指南写的更高。教程还新增了一个更便宜的同系列型号 Seedance 2.5 Flash(dreamina-seedance-2-5-flash-261115),它只支持 480p/720p,参考素材最多 20 个。截至 2026 年 11 月 19 日,Ofox 目录里也有 bytedance/seedance-2.5-flash,我们没有测试它。

同分辨率下,一秒视频要多少钱

两家都按 token 计费,但两家的 token 不是同一种单位,不能直接拿每百万 token $12 和每百万 token $10.70 来比。唯一公平的口径是:在相同的分辨率、画幅比例和输入方式下,每秒输出视频要花多少美元。

Google 自己给出了换算。Omni 1.2 Flash 视频输出在付费层是每 100 万 token $12.00(没有免费层),价格页的脚注固定了每秒 token 数:360p 为 1,931,720p 为 5,792,1080p 为 8,688,4K 为 17,376。每秒价格 = 每秒 token 数 × $12 / 1,000,000。

字节跳动公布了一个公式:token 数 = (输入视频时长 + 输出时长) × 宽 × 高 × 帧率 / 1024。不带视频输入时,Seedance 2.5 的费率是 480p/720p 每 100 万 token $10.70,1080p $11.70,4K $4.70。为了换算成每秒价格,我们假设没有视频输入、帧率 24 fps,并采用字节跳动教程为 16:9 列出的像素尺寸:854 × 480、1280 × 720、1920 × 1080 和 3840 × 2160。这样,720p 16:9 的一秒是 1280 × 720 × 24 / 1024 = 21,600 token,也就是 21,600 × $10.70 / 1,000,000 = $0.2311。9:16 只是宽高对调,token 数相同;其他列出的比例,像素数与 16:9 相差都在 1% 左右以内。字节跳动称这些只是估算,实际按 API 返回的 usage.completion_tokens 计费。

分辨率Omni 1.2 Flash 每秒Seedance 2.5 每秒Seedance ÷ Omni
360p(仅 Omni)$0.0232不提供不适用
480p(仅 Seedance)不提供$0.1028不适用
720p$0.0695$0.23113.3×
1080p$0.1043(放大)$0.56865.5×
4K$0.2085(放大)$0.91374.4×

以上是根据两家 2026 年 11 月 19 日的页面算出的标价(字节跳动价格页最后更新于 11 月 16 日),条件是文本或图片输入、没有视频输入。我们的算法与两家公布的示例一致。Google 在 720p 下写的是 ”~$0.70 for a 10s clip, ~$1.04 for a 15s clip”(10 秒片段约 $0.70,15 秒约 $1.04),360p、1080p 和 4K 每秒分别约 $0.023、$0.104 和 $0.209。字节跳动给 5 秒 16:9 片段的报价是 $0.514(480p)、$1.156(720p)、$2.843(1080p)和 $4.568(4K),正好是我们算出的每秒价格乘以 5。

720p 这一行的对比最干净,因为两家都原生生成 720p。按每秒算,Omni 的价格大约是 Seedance 的三分之一。

贴近实际需求的单条片段价格:

片段Omni 1.2 FlashSeedance 2.5
5 秒,720p$0.35$1.16
10 秒,720p$0.70$2.31
15 秒,720p$1.04$3.47
30 秒,720p三次请求(15 + 10 + 5 秒);根据公开页面无法算出总价单次请求 $6.93
5 秒,480p 草稿画质360p:$0.12480p:$0.51

Omni 的 30 秒一行是故意不填的。每一轮延长都会产生新的输出 token,Google 列出的视频输入价是每 100 万 token $1.50。但价格页没有说明一秒上下文视频按多少输入 token 计算,也没有说明延长轮次具体怎么计量。在你实测自己的延长轮次返回的用量之前,这部分成本按未知处理,不要假设它等于三条短片价格之和。

每秒价格表没有算进去的四项:

  1. Omni 的其他 token 项。 提示词文本和参考图片按输入计费,每 100 万 token $1.50。输出文本(包括思考 token)按每 100 万 token $9.00 计费。REST 响应里可能包含思考步骤。这些金额与视频 token 相比可能很小,但请从第一次真实运行的用量里读出来,不要默认是零。
  2. Seedance 的视频输入费率。 输入里包含视频时,费率降到每 100 万 token $6.40(480p/720p),但参考视频的时长会计入 token 数,而且字节跳动设有最低 token 计费。它自己的示例里,同样是 5 秒 720p 输出,价格从 $1.244 到 $4.838 不等,取决于输入视频有多长。
  3. 失败。 字节跳动说明只对成功生成的视频收费,请求被审核拦截时同样不收费。我们在 Google 的 Omni 价格页上没有找到类似说明。
  4. 开通门槛。 在 ModelArk 上,满足以下任一条件即可开通 Seedance 2.5:Pay by Credits 余额至少 USD 30;持有 USD 30 或以上、仍有余额的专用 AI Savings Plan;或持有 USD 30 或以上、仍有剩余额度的 Seedance 2.0/2.5 资源包。我们 8 月的指南只写了资源包这一种方式;字节跳动的资源包页面(2026 年 11 月 19 日核对)列出了全部三种。Seedance 2.5 资源包售价 $32,含 500 万 token,购买后 90 天过期。Omni 则需要开通付费层的 Google 项目。

通过网关调用时,每秒价格由网关自己定。Ofox 在模型页显示当前的 Seedance 2.5 价格,计费规则见计费文档。本文不给出 Ofox 价格。如果你想按字节跳动的公式核查任何转售方,方法见我们的 Seedance 2.5 价格核查。

每秒价格也不等于每条可用片段的价格。如果便宜的模型要试四次才出一条能用的,贵的模型一次就成,排名就会反过来。这些尝试怎么统计,见我们的可用片段成本指南(英文)。

输入、参考素材和编辑的方式不同

Omni 是对话式的。 先用 store=True 生成片段,之后在后续轮次里传入 previous_interaction_id 和一条指令来编辑,比如 “make the daylight warmer, keep everything else the same”(让日光暖一些,其他保持不变)。Google 的提示词指南推荐在编辑时使用这种句式。模型会根据提示词推断要做的任务。确实有一个 task 字段(text_to_video、image_to_video、reference_to_video、edit、extend),但 Google 把它定位为后备手段,因为它会带来更严格的约束。<FIRST_FRAME> 之类的旧控制标签已经弃用。

Seedance 根据你附带的素材和提示词的措辞推断任务。 标记为 reference_video 的视频,只有在提示词体现出编辑意图时才会变成编辑任务,否则会变成由参考素材驱动的新片段。编辑、延长和首尾帧任务会把 ratio 锁定为 adaptive,编辑任务还会把 duration 锁定为 -1。如果显式设置了 omni_reference_task_type,约束检查会在提交任务时进行,而不是等任务开始之后。我们的首尾帧指南展示了通过 Ofox 违反这条规则时返回的 400 错误。

实际影响:

  • 多个镜头之间保持产品一致。 Omni 最多接受 6 张参考图。Seedance 最多接受 30 张,但字节跳动自己的提示词指南说 1–8 个图片主体效果最好,到 9–12 个时稳定性可能下降。一个产品配一张主图,两边的上限都绰绰有余。
  • 指定人声或音乐。 只有 Seedance 接受音频。Omni 不能上传人声轨或背景音乐,也不支持编辑人声。
  • 编辑自己拍的素材。 两者都支持。Omni 不允许欧洲经济区(EEA)、瑞士和英国的用户编辑或延长上传的视频(模型生成的视频不受影响)。Seedance 接受 4–30 秒、最大 200 MB、24–60 fps 的源视频。
  • 通过网关调用。 能用多少参考素材,取决于网关放行多少。Ofox 的视频创建文档(2026 年 11 月 18 日更新)规定 input_references 最多 9 张图片、3 段音频(每段最长 15 秒)和 1 段视频,低于 ModelArk 的上限。超出会返回 400 too_many_references。设计一条用 20 个参考素材的流程之前,先核对这一点。

API 形态:一次调用,还是提交任务后轮询

两者在集成方式上的差别,比参数名的差别更大。

Omni 走 Google 的 Interactions API。想以最快速度完成一次性生成,Google 建议设置 background=false、store=false 和 stream=false,也就是同步调用。小视频以 base64 内联返回。超过 4 MB 的,Google 建议使用 delivery="uri":拿到文件 URI 后轮询这个文件,直到状态变为 ACTIVE,再下载。选择 store=false 意味着之后不能在后续轮次里编辑这条片段。我们的 Omni API 指南提供了一个带恢复处理的完整运行脚本。在 Google 原生 API 上,调用的大致形态如下:

from google import genai

client = genai.Client()  # GEMINI_API_KEY 来自你的 Google 项目;Omni 不在 Ofox 上
interaction = client.interactions.create(
    model="gemini-omni-1.2-flash",
    input="A matte white ceramic mug on a pale oak table, soft window light...",
    response_format={"type": "video", "duration": "5s",
                     "resolution": "720p", "aspect_ratio": "9:16", "delivery": "uri"},
    store=True,
)

Seedance 是异步任务。在 ModelArk 上,先创建生成任务,再按任务 ID 轮询。通过 Ofox 调用时是 POST /v1/videos,返回 202,并带有 id 和 polling_url。之后反复调用 GET /v1/videos/{id},直到状态进入终态;也可以传入 callback_url。查询任务文档列出了各个状态和 usage 对象。下面是我们其中一次测试实际发送的请求体:

import os, time, requests

BASE = "https://api.ofox.ai/v1"
H = {"Authorization": f"Bearer {os.environ['OFOX_API_KEY']}"}
body = {
    "model": "bytedance/seedance-2.5",
    "prompt": ("A matte white ceramic coffee mug on a pale oak table, vertical product shot, "
               "soft morning window light from the left. 0-2s: steam rises slowly from the mug, "
               "camera static. 2-5s: the camera pushes in slowly toward the mug handle. "
               "The mug shape, color and position stay the same throughout. "
               "Sound: quiet room tone and one soft ceramic tap at 2s. "
               "No dialogue, no music. No subtitles."),
    "duration": 5, "resolution": "480p", "aspect_ratio": "9:16",
    "generate_audio": True, "seed": 20261119,
}
job = requests.post(f"{BASE}/videos", json=body, headers=H).json()
while True:
    s = requests.get(f"{BASE}/videos/{job['id']}", headers=H).json()
    if s["status"] in ("completed", "failed", "cancelled", "expired"):
        break
    time.sleep(10)
print(s["status"], s.get("usage"), (s.get("mirror_urls") or s.get("unsigned_urls")))

两边都要注意保留期限。字节跳动的 Seedance 视频 URL 保留 24 小时(最多下载 100 次)。任务 ID 有效期 7 天,Draft 任务 ID 有效期 14 天。Ofox 的 unsigned_urls 也可能在 24 小时内过期,所以要尽快下载文件。如果轮询循环遇到超时或长时间等待,可以参考我们的视频轮询指南和 Ofox 的视频错误码,里面覆盖了各种失败状态。Google 侧的鉴权和配额错误,与我们的 Gemini 4 API 报错指南里的情况一致。

调用渠道、限流和 12 月 3 日的路由变更

Gemini Omni 1.2 FlashSeedance 2.5
官方 APIGemini API,仅限付费层BytePlus ModelArk(开通门槛 USD 30)
能否在 Ofox 调用(2026-11-19 通过 GET /v1/models 核对)不能能:bytedance/seedance-2.5,4–30 秒(分辨率见下方说明)
公开的限流Tier 1:8 RPM / 40 RPD;Tier 2:16 / 200;Tier 3:40 / 2,000;免费层:不支持ModelArk 个人:180 RPM,3 个并发任务;企业:600 RPM,10 个并发;4K:15 RPM,1 个并发

Omni 目前无法通过 Ofox 调用,所以本文所有 Omni 示例都使用 Google 原生端点。

还有一个目录细节(截至 2026 年 11 月 19 日):在 Ofox GET /v1/models 的 bytedance/seedance-2.5 条目里,video_attributes.resolutions 字段列出了 480p、720p 和 1080p,而同一条目的文字描述写的是 480p/720p。两处都没有 4K。我们只生成过 480p,所以没有核实网关目前实际接受哪些分辨率。打算用 1080p 之前,先在模型页确认,或者发一个小请求试试。通过 Ofox 调用 Seedance 时,限流按 Ofox 的规则执行,而不是 ModelArk 的。当前默认值见限流文档。

Omni 的每日上限对批量生产影响很大。Tier 1 每天 40 次请求,做原型够用,生产几百条社媒变体就不够了。Seedance 的并发上限更像排队:超过上限的任务会等待,而不是失败。

2026 年 12 月 3 日起,Google 会把所有 gemini-omni-1.1-flash 请求路由到 gemini-omni-1.2-flash,并按 1.2 的价格计费。视频输出价从每 100 万 token $17.50 降到 $12.00,新片段的最长时长从 10 秒提高到 15 秒。如果你还在用 1.1 的旧数据对比 Omni 和 Seedance,请换成 1.2 重新跑:旧价格高估了 Omni 的成本,旧的 10 秒上限低估了它能生成的长度。请在代码里显式指定 gemini-omni-1.2-flash,不要依赖别名。

内容规则、真人与来源标识

来源标识。 Google 表示每个 Omni 视频都带有不可见的 SynthID 水印,可以用程序检测,且无法关闭。Seedance 在 ModelArk 上有一个 watermark 参数,会在右下角加上可见的 AI 生成标识,默认值为 false。Seedance 2.5 教程没有说明是否带有不可见水印。Ofox 的视频创建 API 没有顶层 watermark 字段,我们通过 Ofox 生成的两条视频都没有可见标识。如果你的平台要求标注 AI 内容,请在自己的流程里加,不要依赖任何一家厂商。

真人。 这是口播类内容最大的限制。

  • Seedance 2.5 不接受包含真人面孔的参考图片或视频上传。字节跳动给出的替代路径有三条:预设数字人角色库、经过授权的真人素材,以及复用同一账号下生成的含人脸输出。
  • Omni 不支持上传或编辑 “certain recognizable people”(某些可识别人物)的图片。在 EEA、瑞士和英国,它还会拒绝包含未成年人的图片。
  • 两者都会对提示词和输出做安全过滤。Google 指出它的过滤规则因地区而异。
  • 通过 Ofox 调用时,创建任务文档(2026 年 11 月 18 日更新)记载了一个顶层 real_person 标志:提交任务前,它会对含有可识别人物的参考图片做隐私保护预处理。我们没有测试它。

实际情况是:用文本提示词生成一位虚构主播的口播,两边都能做。用照片生成你们真实创始人的口播,在 Seedance 上不走授权素材流程就会被拦截,在 Omni 上也可能被拦截。

我们的两次 Seedance 实测说明了什么

我们在 2026 年 11 月 19 日 03:35 UTC 通过 Ofox 调用 bytedance/seedance-2.5 生成了两条片段。设置:9:16,480p,5 秒,generate_audio: true,seed: 20261119。每个需求只跑了一次(n = 1)。结果能说明工作流和计费表现,不能说明质量合格率。

运行 A:产品镜头运行 B:口播
需求白色马克杯,0–2 秒冒热气,2–5 秒缓慢推近,一声陶瓷轻敲,无对白虚构主播,固定中近景,一句英文台词
提交 → 完成120.9 秒123.6 秒
计费(usage)5 个视频秒5 个视频秒
文件(ffprobe)480×854,H.264,24 fps,视频 5.04 秒;AAC 32 kHz同左
检查了什么0.5 秒、2.5 秒和 4.5 秒处的帧:杯子形状和颜色一致,有热气,帧与帧之间能看出推近用 openai/gpt-4o-mini-transcribe 转写,结果一字不差:“Here is the one setting most people forget to change.” 抽样帧中嘴部在动
没检查陶瓷轻敲是否正好落在 2 秒处逐帧精确的口型同步

在我们能测量的几项上,两条片段都完成了需求。产品镜头的音轨很轻(平均 −40 dB),符合提示词里的 quiet room tone(安静的室内底噪)。口播的声音清晰可闻(平均 −20 dB)。

这只能说明,Seedance 2.5 通过 Ofox 完成了两类常见的短视频需求,每条大约两分钟。至于 Omni 在同样的需求上表现如何,它什么也说明不了,所以才有了下面的测试方案。

按使用场景选择

使用场景倾向于原因需要注意
产品镜头,5–10 秒,16:9 或 9:16Omni(前提是你能用 Google 的 API)720p 每秒价格约为 Seedance 的三分之一;6 张参考图足够覆盖一个产品没有 1:1 或 4:5;在实际画面上检查产品上的文字和 logo
用于方形信息流或 21:9 横幅的产品镜头Seedance 2.5Omni 没有 1:1、4:3 或 21:9每秒价格
口播,虚构主播,英语两者都行,都测一下两者都能生成带原生音频的对白Omni 会拒绝部分可识别人物的上传;本文没有验证任何一个模型的口型同步
口播,非英语,或由你自己的人声轨驱动Seedance 2.5文档列出 11 种语言;支持音频参考上传真人面孔需要走字节跳动的授权素材流程
社媒竖屏,大批量看价格选 Omni;看吞吐量选 SeedanceOmni 720p 约 $0.07/秒,但 Tier 1 每天只允许 40 次请求规划批量任务前先确认你的 Google 层级
多镜头故事,15–30 秒Seedance 2.5一次请求完成 30 秒时间线;没有 10 秒回看的限制按标价 30 秒 720p 片段要 $6.93,先用 480p 或 Draft 模式出草稿
多镜头故事,15 秒及以内两者都行Omni 支持 [0-5s] ... [5-10s] ... 这类时间码提示词;Seedance 支持整数秒时间戳每个剪辑点都要重新检查连贯性
对同一条生成片段反复编辑Omni基于已存储交互的对话式编辑必须设置 store=True;在 EEA、瑞士和英国不能编辑上传的视频
需要通过 Ofox 调用Seedance 2.5截至 2026-11-19,Omni 不在 Ofox 上网关的参考素材上限低于 ModelArk

想全面了解哪种视频模型适合哪类工作,见按使用场景选择视频生成 API。如果你也在考虑阿里的模型,可以读 Wan 3.0 与 Seedance 2.5 对比。

自己跑一次正面对比

公平的测试,除了模型以外的条件都要保持一致。下面是我们如果两个模型都能用时会跑的方案,你也可以照着跑。

固定设置。 720p,9:16,5 秒,开启音频,不带参考视频。Omni:resolution: "720p",aspect_ratio: "9:16",duration: "5s"。Seedance:resolution: "720p",aspect_ratio: "9:16",duration: 5。两者都原生生成 720p,而 9:16 是两边唯一共有的竖屏比例。按标价,每个需求生成一条片段,Omni 约 $0.35,Seedance 约 $1.16。

四个需求,每个对应一种使用场景。 两边用完全相同的措辞。时间写成两家文档都支持的格式(0-2s: 这种写法),约束写成普通句子,因为 Omni 没有负面提示词字段。

  1. 产品:上面代码块里的马克杯提示词,分辨率改为 720p。
  2. 口播:虚构主播提示词,一句英文台词,无字幕。
  3. 社媒竖屏:“A runner ties a shoe on a city step at sunrise, then stands and starts jogging out of frame. 0-2s close-up on hands, 2-5s wide shot. Street ambience, no music, no text.”(日出时,一名跑者在城市台阶上系鞋带,然后起身跑出画面。0–2 秒手部特写,2–5 秒全景。街道环境声,无音乐,无文字。)
  4. 多镜头:5 秒内三个定时节拍,节拍之间硬切,每个节拍里都是同一个穿红夹克的角色。

每条片段对照需求打分,而不是和另一个模型比。

检查项怎么测通过标准
文件规格ffprobe:尺寸、帧率、视频和音频时长尺寸符合请求;视频轨与 5 秒相差不超过 0.25 秒;有音频轨
主体保持0.5 秒 / 2.5 秒 / 4.5 秒处的帧同一物体或人物,形状和颜色没有漂移
时间节点每个节拍边界处的帧每个节拍都出现在对应的时间窗口内
对白对提取出的音频做语音转文字台词完全一致;无对白的需求里没有多余语音
多余元素完整看一遍片段没有需求里排除的字幕、音乐或多余主体
成本与耗时厂商返回的 usage 字段;从提交到拿到文件的实际耗时记录实测值,不用估算

每个需求至少跑三个 seed 或三次尝试,再下结论。每个模型只生成一条片段只是个例,我们自己的两次运行也是如此。失败和被拒的尝试都要计入成本,因为真正决定实际价格的是可用率。

相关文档

资料来源