Google 曝光新视频模型 Gemini Omni：融合图文音生视频，支持对话修改

在 OpenAI 关停 Sora 之后，AI 视频生成领域看似暂时降温，但 Google 显然没打算放过这个赛道。

Google 全新多模态模型 Gemini Omni 提前曝光。从目前浮出水面的内测界面和技术细节来看，这不仅是一个生成视频的工具，而是 Google 把大语言模型的全套推理能力，直接接到了视频渲染引擎上。

首发落地的版本叫 Gemini Omni Flash，支持生成 10 秒短视频，正在逐步推向 Gemini 应用、创意工具 Flow 以及 YouTube Shorts。

把推理脑子装进视频引擎

以往多数视频生成模型更像是在「模式匹配」，把像素硬凑在一起，稍微遇到复杂的物理规律或文字排版就容易露馅。

Gemini Omni 的思路不太一样。Google 把文本、图像、音频和视频四种模态放在同一个底座里统一推理。这意味着它不是先写脚本再拼画面，而是理解了背后的常识后再动手渲染。

在曝光的早期演示里，有人输入了复杂的提示词：让一位教授在黑板上书写三角恒等式的数学证明，并同步讲解推导步骤。模型不仅把板书的公式准确还原了出来，连讲解节奏和板书动作也对得上。

还有测试者重现了当年经典的「威尔·史密斯吃意面」场景，生成的两位男士在海边优雅吃面的动作已经非常自然。不过，内测用户也发现生成这种高质量内容相当吃算力，两段提示词直接消耗了当天 AI Pro 套餐 86% 的额度。

官方还展示了蛋白质折叠的黏土定格动画，模型甚至能一边生成黏土偶的动作，一边配合旁白准确解释氨基酸链、阿尔法螺旋和贝塔折叠的结构原理。

像聊天一样改视频，还有防伪分身

除了直接生成，Gemini Omni 最吸引人的功能是用自然语言改视频。

过去用 AI 改视频往往牵一发而动全身，一改动整个场景就全变了。Omni 支持多轮对话编辑，比如拍了一段雕塑视频，你可以直接对它说「把雕塑材质换成气泡」，模型会在保留原始光影和相机运动轨迹的前提下，把雕塑替换掉。

针对创作者，Google 还引入了数字分身功能。为了防止被滥用做 Deepfake，用户必须完成专门的人脸认证，对着镜头读出一串随机数字，才能生成专属分身。所有生成的视频也会强制打上 SynthID 数字水印。

目前首发的 Omni Flash 限制在 10 秒长度。DeepMind 团队解释称，这倒不是模型性能做不到更长，而是希望先降低门槛，让普通人拿来做个性化表情包或生活短片。但开发团队也提醒，对话修改时提示词必须足够精确，否则容易出现过度修改的问题。

为什么重要

在 Sora 退出公众视野、各家比拼生成时长的当下，Google 选择了另一条路：把视频生成从一次性的「抽卡游戏」，变成可以持续沟通的生产工具。

对创作者和普通用户来说，能用自然语言精准微调画面，意味着真正有了导演般的控制力。即便现在只有 10 秒，能在 Shorts 上快速生成带自己分身和准确文字的短片，实用价值也远高于那些动辄几分钟但无法控制细节的模型。

对行业而言，Gemini Omni 证明了原生多模态推理在视频领域的威力。以往模型搞不定的文字渲染、物理规律和音画同步，在接入常识推理后迎刃而解。它会逼着其他视频模型厂商不仅要卷画质，还要补课语言理解和世界模型。

我们认为，Google 这步棋下得很务实。与其盲目追求长视频生成导致的算力失控，不如先用 10 秒的高可用性切入消费级市场。但隐患也同样摆在眼前：测试中极为惊人的算力消耗，以及稍有偏差就会过度修改的提示词门槛，都是它真正走向大众前必须解决的麻烦。