Gemini Omni Flash Hands-On: One Storyboard Image to a 20-Second Ad (Multi-Shot Continuity Test)
Recently, we ran an in-depth hands-on test evaluating the video generation capabilities of Gemini Omni Flash.
Instead of testing flashy single-shot video demonstrations, we focused on a far more practical production question:
Can Gemini Omni Flash comprehend a complete visual Storyboard and sequentially film a cohesive commercial across multiple continuous shots?
To test this, we designed a simple and relatable commercial narrative:
A young woman walks into a Mixue Bingcheng beverage store on a sweltering summer afternoon, orders a fresh iced lemonade, completes payment, watches the staff craft the drink, and receives the finished beverage.
The end-to-end workflow is straightforward:
Generate 6-shot Storyboard with Image 2 → Gemini Omni Flash generates first 10 seconds → Generate next 10 seconds → Stitch together into a full 20-second commercial.
What we really wanted to test went far beyond raw video quality:
Can it reliably handle persistent characters, real-world store environments, synchronized Chinese dialogue, checkout interactions, drink preparation, macro product close-ups, and seamless multi-shot continuity between two 10-second clips?
Final Structure at a Glance
We structured the commercial into 6 shots, totaling approximately 20 seconds:
| Shot | Timing | Content |
|---|---|---|
| 01 | 0–3s | Woman walks toward the Mixue Bingcheng storefront |
| 02 | 3–6s | Pushes open the door and steps inside |
| 03 | 6–10s | Orders iced lemonade at the counter and pays |
| 04 | 10–13s | Store staff begins preparing the drink |
| 05 | 13–17s | Macro close-up of fresh lemons, ice cubes, and lemonade |
| 06 | 17–20s | Staff hands the finished drink to the customer |
Notice that we did not ask Gemini to invent the shots on the fly.
If you simply prompt:
A woman goes to Mixue Bingcheng to buy an iced lemonade.
The model must decide character appearance, store aesthetics, camera angles, pacing, and drink prep all by itself.
The more freedom the model has, the higher the failure rate:
Face swaps, wardrobe shifts, store inconsistencies, mismatched cups, and jarring action breaks.
That is why Step 1 is locking everything in visually by generating the full Storyboard first using Image 2.
Step 1: Generate Full Storyboard with Image 2
We recommend writing this prompt with thorough detail.
This Storyboard is not just for human review — it serves as the primary visual reference canvas for Gemini Omni Flash.
We lock in:
Character identity, store visual style, payment setup, 6 specific shots, and the exact lemonade preparation sequence.
Prompt used:
创建一张专业、写实的商业广告 Storyboard 分镜表。
广告主题：
一名年轻女生在炎热的夏日下午走进中国的“蜜雪冰城”门店，
点一杯冰鲜柠檬水，
完成支付，
店员现场制作，
最后将制作完成的柠檬水递给她。
这是一条发生在中国真实蜜雪冰城门店中的短视频广告。
最终必须生成一张完整的专业广告分镜表，
而不是 6 张独立图片。
━━━━━━━━━━━━━━━━━━
【整体布局——严格固定】
━━━━━━━━━━━━━━━━━━
横向专业商业广告 Storyboard 排版。
2 列 × 3 行。
共且仅有 6 个分镜。
每个分镜：
左侧约 70%：
写实电影感分镜画面。
右侧约 30%：
白色镜头信息栏。
每个分镜顶部使用深红色横向标题栏。
顶部标题全部使用中文：
编号 | 画面 | 动作 / 对白
每个画面的左上角有明显的白色圆形数字编号：
1、2、3、4、5、6。
分镜排列顺序严格为：
第 1 行：分镜 1、分镜 2
第 2 行：分镜 3、分镜 4
第 3 行：分镜 5、分镜 6
背景使用轻微浅灰色或米白色的专业广告分镜底板。
整体排版整齐、严谨、专业，符合 4A 广告公司商业拍摄提案分镜表规范。
━━━━━━━━━━━━━━━━━━
【核心人物——严格保持一致】
━━━━━━━━━━━━━━━━━━
主角（顾客）：
年轻中国女生，
20 岁左右，
长发扎成清爽的高马尾，
白色简约短袖 T 恤，
浅蓝色牛仔裤，
单肩背一个简单黑色帆布包。
长相自然清秀，
妆容清淡。
必须在分镜 1、2、3、6 中保持完全一致的长相、发型、身材和服装。
配角（店员）：
年轻中国女店员，
22 岁左右，
佩戴蜜雪冰城标准红色遮阳帽或工作帽，
红色蜜雪冰城围裙，
黑色短袖工作内搭。
态度热情亲切。
必须在分镜 3、4、6 中保持完全一致。
━━━━━━━━━━━━━━━━━━
【6 个分镜具体内容】
━━━━━━━━━━━━━━━━━━
【分镜 1】
顶部标题：分镜 1 | 走向门店 | 远景·炎热夏日
左侧画面：
阳光强烈的夏日街道，地面泛着热气。
女生背影偏侧面，正向着前方的“蜜雪冰城”门店走去。
门店外观清晰可见经典的红色招牌与白色中文字“蜜雪冰城”。
女生抬手轻轻擦拭额头的汗水。
右侧信息栏（中文）：
景别：远景 / 移动跟拍
动作：女生走在热浪滚滚的街道上，抬头看到蜜雪冰城门店。
对白：“好热啊，去买杯冰柠檬水。”
时长：0–3 秒
【分镜 2】
顶部标题：分镜 2 | 进入门店 | 中景·推门而入
左侧画面：
蜜雪冰城门店入口。
女生伸手推开透明玻璃门走入店内。
门上贴有红色防撞条与蜜雪冰城卡通雪王形象。
室内冷气吹动女生的发丝，神情明显放松。
镜头呈现店内明亮干净的环境。
右侧信息栏（中文）：
景别：中景
动作：推门进入店内，冷气扑面而来，表情放松。
音效：推门风铃声 + 清凉环境音
时长：3–6 秒
【分镜 3】
顶部标题：分镜 3 | 柜台点单 | 中近景·点单支付
左侧画面：
点单柜台前。
女生面带微笑对女店员说出想要点的饮品。
柜台上方有清晰明亮的中文菜单屏，显示“冰鲜柠檬水 4元”。
台面上摆放点餐立牌与扫码支付设备。
店员面带微笑在收银机前操作确认。
右侧信息栏（中文）：
景别：中近景
动作：女生点单：“一杯冰鲜柠檬水，少冰。”
店员：“好的，马上为您制作！”
支付：手机快速扫码完成支付。
时长：6–10 秒
【分镜 4】
顶部标题：分镜 4 | 现场制作 | 特写·压制柠檬
左侧画面：
操作台近景特写。
店员佩戴食品级透明手套，将新鲜切开的饱满黄色柠檬厚片放入透明杯中。
手持专用捣汁棒用力压制柠檬，果肉纤维破开，新鲜柠檬汁迸溅，香气四溢。
操作台干净整洁，不锈钢材质反光清晰。
右侧信息栏（中文）：
景别：特写
动作：店员现场手工捣压新鲜柠檬，果汁飞溅。
音效：清脆的捣冰/压柠檬声
时长：10–13 秒
【分镜 5】
顶部标题：分镜 5 | 加冰注水 | 微距·冰凉清爽
左侧画面：
极具视觉冲击力的微距镜头。
晶莹剔透的方块冰块落入杯中，随后清澈透明的柠檬水与冰水混合注入。
黄色柠檬片在冰块与漩涡中翻滚。
透明杯外壁迅速凝结出一层细腻清凉的水珠，夏日解渴感拉满。
右侧信息栏（中文）：
景别：微距特写
动作：大量冰块落入，注水翻滚，杯壁迅速挂满冷凝水珠。
音效：冰块撞击声与液体注入声
时长：13–17 秒
【分镜 6】
顶部标题：分镜 6 | 递送饮品 | 中景·满意离开
左侧画面：
柜台前。
店员双手将封好口的冰鲜柠檬水递给女生。
杯身印刷清晰的蜜雪冰城标识。
女生接过饮料，插入吸管喝了一大口，露出满足舒爽的笑容，转身准备离开。
阳光透过玻璃窗洒在身上，画面明亮温馨。
右侧信息栏（中文）：
景别：中景 / 结束镜头
动作：店员递过柠檬水：“您的柠檬水好了，请慢用！”
女生接过喝了一口，满足微笑。
标语出现：“甜蜜夏日，蜜雪冰城。”
时长：17–20 秒
━━━━━━━━━━━━━━━━━━
【视觉质感要求】
━━━━━━━━━━━━━━━━━━
商业广告摄影质感，色彩鲜亮明快。
真实摄影效果，不是插画，不是卡通，不是线稿。
光影真实自然，夏日阳光充足但不过曝。
所有品牌标识、招牌、菜单、信息栏文字一律使用真实规范的简体中文。
严禁出现乱码外文或伪中文字符。
画面干净清晰，层次分明，构图考究。Once generated, always inspect:
Did the character stay consistent? Are the 6 shots in correct order? Is the store recognizably identical? Does the drink preparation follow logical steps?
If any tile shows drift, tweak the storyboard before moving to video generation.
Step 2: Upload Storyboard to Gemini Omni Flash
Gemini Omni Flash generates approximately 10 seconds per invocation. Instead of attempting a single, unstable 20-second run, we partitioned the 6 shots into two groups:
Segment 1: Enter store → Order → Complete payment (Shots 1–3)
Segment 2: Preparation → Macro close-up → Hand off to customer (Shots 4–6)
This modular setup allows the model to concentrate attention on 3 shots at a time, drastically reducing scene hallucination.
Step 3: Generate the First 10 Seconds
Upload the complete 6-shot Storyboard, then provide this prompt:
参考我上传的 6 格广告分镜图，生成这条广告的第一段视频。
视频时长：10 秒。
本次只执行分镜 1、2、3。
不要提前出现分镜 4、5、6。
【0–3 秒】
严格参考分镜 1。
炎热明亮的夏日下午。
同一个年轻女生走向蜜雪冰城。
广角镜头从女生后方缓慢向前推进。
女生一边走，一边因为炎热轻轻用手扇风。
她自然地说：“好热啊，去喝杯柠檬水。”
完整保留分镜中的蜜雪冰城外观。
门店品牌为中文“蜜雪冰城”。
【3–6 秒】
自然切换到分镜 2。
摄影机跟随女生来到门口。
女生伸手推开红框玻璃门，进入蜜雪冰城。
玻璃门产生真实反射。
摄影机自然跟随她进入门店。
她抬头看一眼中文菜单，然后走向柜台。
【6–10 秒】
自然切换到分镜 3。
女生来到柜台，与同一个女店员面对面。
女生自然地说：“你好，一杯冰鲜柠檬水。”
店员微笑回答：“好的。”
随后女生拿出手机完成支付。
柜台保持真实中国门店支付环境：二维码支付、碰一碰设备。
支付动作自然快速，不要长时间展示支付界面。
【连续性要求】
严格参考上传的分镜图。
保持同一个女生：同一张脸、同一发型、同一服装、同一黑色单肩包。
保持同一个店员。
保持同一家蜜雪冰城门店。
人物动作自然，中文对白自然，口型尽可能同步。
镜头切换流畅，真实手持商业短视频摄影。
不要人物变形，不要多余手指，不要突然换脸，不要改变服装，不要改变门店。
画面中所有可辨认文字均使用中文。
最后一帧停留在：女生刚刚完成点单和支付，店员准备开始制作饮料的状态。
这个结尾必须能够自然衔接下一段视频。Notice our explicit requirement at the end of the prompt:
The final frame must stop at a state that can naturally connect to the next segment.
If segment 1 ends abruptly with an extreme close-up or the character disappears, segment 2 will fail to match.
Step 4: Continue Generating the Next 10 Seconds
Segment 2 is where Gemini Omni Flash truly gets put to the test.
It requires:
Character persistence + Hand dexterity + Fresh lemons + Ice cubes + Liquid dynamics + Macro beverage close-up.
Continue using the original Storyboard as visual reference, and include the first video segment if your environment supports multi-asset referencing:
继续生成同一条蜜雪冰城冰鲜柠檬水广告的第二段。
视频时长：10 秒。
这是上一段视频的直接延续。
严格参考上传分镜图中的分镜 4、5、6。
不要重新开始故事。
不要再次出现女生进店、点单或支付。
【0–3 秒】
严格参考分镜 4。
从上一段结束的位置自然衔接。
同一个店员转身开始制作冰鲜柠檬水。
中近景拍摄。
店员把几片新鲜黄色柠檬放入透明饮料杯中，并进行简单压制。
重点展示真实自然的手部动作。
保持真实蜜雪冰城饮品制作区域。
不锈钢操作台、冰块和制作工具自然出现在周围。
【3–7 秒】
自然切换到分镜 5。
进入整条广告最重要的饮品微距镜头。
摄影机极近距离拍摄透明杯。
晶莹透明的冰块自然落入杯中。
随后淡黄色、半透明的新鲜柠檬水从上方倒入。
液体冲击冰块，冰块自然移动，柠檬片在液体中轻微漂浮。
产生少量真实飞溅和气泡。
杯壁逐渐出现冰凉的冷凝水珠。
重点表现：新鲜柠檬、透明冰块、冰凉柠檬水、夏日清爽感。
液体物理效果必须真实。不要生成浓稠果汁，不要生成奶茶。
【7–10 秒】
自然切换到分镜 6。
同一个店员拿起制作完成的冰鲜柠檬水。
她把饮料递给同一个女生。
女生自然伸手接过，微笑说：“谢谢。”
摄影机逐渐把视觉重点转移到柠檬水，最终形成产品英雄镜头。
透明杯位于画面主体。
清晰看到：新鲜黄色柠檬片、晶莹冰块、淡黄色透明柠檬水、杯壁冷凝水珠。
背景中的人物和蜜雪冰城门店自然虚化。
最后约 1 秒保持稳定的成品特写。
【连续性要求】
这是上一段视频的直接延续。
女生必须与上一段完全一致。
店员必须与上一段完全一致。
服装不能改变，发型不能改变，蜜雪冰城门店不能改变。
饮料制作过程必须符合：柠檬 → 冰块 → 柠檬水 → 完整成品。
人物动作自然，手部结构正确，液体和冰块符合真实物理运动。
不要出现 AI 变形，不要人物复制，不要突然换脸，不要突然切换门店，不要改变杯子。
画面中所有能够辨认的文字只允许使用中文。
整体保持真人实拍、专业夏季饮料广告质感。
最终停留在冰鲜柠檬水的清爽产品特写上。Step 5: Stitch the Two Segments Together
We now have two clean 10-second segments:
Segment 1 (10s): Walk to store → Enter → Order iced lemonade → Complete payment
Segment 2 (10s): Staff prepares drink → Macro product close-up → Hand off to customer
Stitching the two clips head-to-tail yields a complete, polished 20-second commercial.
No heavy post-production was required. If there is a slight motion stutter at the cut, trimming 0.2–0.5s off the tail of segment 1 and the head of segment 2 creates a smooth, continuous transition.
Why This Workflow Is More Practical Than Direct Text-to-Video
When you prompt a video model with pure text, you are essentially evaluating:
Can the model generate an aesthetically pleasing random video?
In contrast, the Storyboard → Video workflow tests a fundamentally different capability:
Can the model execute directed commercial instructions with multi-shot discipline?
By supplying the Storyboard first, we explicitly defined who the character is, what she wears, the store geometry, the camera motion, the order of events, and how the hero product should appear.
The model's job shifts from blind generation to: interpreting the visual blueprint and bringing static shots to life.
Across both 10-second segments, the character appearance, store aesthetics, and shot pacing stayed locked to the storyboard. For commercials, narrative shorts, product promos, and store walk-throughs, this workflow is markedly more viable for real production than unpredictable text-to-video rolls.
What Truly Matters in Gemini Omni Flash Isn’t Resolution
"Is it crisp enough?"
"Does it look like a real person?"
While image fidelity matters, the true determinants of production utility in Gemini Omni Flash are:
Storyboard comprehension, cross-shot character persistence, strict timeline execution, and multi-segment continuity.
Given the ~10-second generation boundary of current video models, the ability to chain consecutive segments coherently is the decisive factor — and this hands-on test proves that a structured storyboard pipeline makes that achievable today.