三年前，谷歌推出 Gemini 时，旨在构建一个多模态大语言模型——即在文本、图像、音频和视频上训练的单一神经网络，能够生成上述任意格式的内容。
在今年的 Google I/O 开发者大会上，该公司朝着这一目标迈出了坚实一步，正式推出 Gemini Omni 系列多模态模型。谷歌首席执行官 Sundar Pichai 表示，这些模型将能够“从任何输入中创造任何东西”。
Gemini Omni：原生多模态推理与高质量视频生成
Omni 将以视频生成为切入点。用户可组合图像、音频、视频和文本作为输入，Omni 并非简单拼接素材，而是对所有输入进行深度推理以生成一致结果。其生成的视频质量较高，且体现出对物理规律、文化背景、历史及科学知识的理解。
此外，Omni 支持通过纯文本命令编辑照片，无需依赖复杂编辑软件，体验类似谷歌 Nano Banana。
尽管谷歌此前已拥有可将图文转视频并定制头像的 Veo 模型，但 DeepMind 产品管理总监 Nicole Brichtova 强调，此次发布不仅是 Veo 的更新，更是“将 Gemini 智能与媒体模型渲染能力相结合”的关键一步。
在周一的媒体简报会上，DeepMind 首席技术官 Koray Kavukcuoglu 演示了 Omni 的能力：面对“蛋白质折叠的黏土动画解释”这一提示，模型迅速生成了定格动画视频，旁白准确解释了氨基酸链如何折叠成 α 螺旋和 β 折叠等三维结构。
Omni 的长期愿景更为广泛，未来将涵盖从音频生成图像、从视频生成音频等跨模态任务。Pichai 指出：“随着世界模型的发展，AI 正从预测文本转向模拟现实。Gemini Omni 是迈向这一方向的重要一步。”
数字分身与安全机制
作为发布内容之一，用户可使用个人数字分身创建视频（类似 OpenAI Sora 曾推出的 Cameos 功能）。为防止深度伪造，Brichtova 说明用户需经过专门引导流程，包括录制本人朗读数字序列，验证后数字分身方可存储使用。
同时，所有由 Omni 生成的视频均嵌入 Google SynthID 数字水印，以便验证内容是否源自 Gemini 产品。
Gemini Omni Flash：面向消费者的易用工具
系列首款模型 Gemini Omni Flash 今日上线 Gemini 应用、YouTube Shorts 及 AI 创意工作室 Flow。该版本目前支持渲染 10 秒视频。Brichtova 解释，这并非模型性能瓶颈，而是基于让更多用户尽早体验及当前市场需求考量，更长时长已在规划中。
Google 将 Omni Flash 定位为消费级工具。研究工程师 Gabe Barth-Maron 将其比作“个性化表情包”，典型场景包括制作获奖/登月趣味视频或移除度假照中的路人。Brichtova 表示：“我们专注于降低消费者使用门槛，这是视频模型跨越消费鸿沟的关键尝试。”
不过，易用性有前提条件：提示词需足够具体，否则 Omni 可能过度编辑或误改保留元素，这与 Nano Banana 用户曾遇到的问题类似。
企业应用与专业版展望
尽管短期侧重消费市场，Omni 在企业与创意领域潜力显著。Google 将在数周内通过 API 开放服务。除 Shorts 上的数字分身工具外，端到端多模态工作流有望变革广告与影视制作行业。例如初创公司 Luma AI 已利用类似“统一”模型实现根据简报和图片自动生成广告活动。
Brichtova 特别提到模型的文字渲染能力：“在广告场景中，若需精准呈现产品位置或标语，必须准确无误。我们也预期电影制作人等创作者将采用此模型。”
针对更专业的需求，Google 计划推出表现更优的 Omni Pro 模型。Brichtova 表示，当 Pro 版本相比 Flash 实现显著飞跃时，将会正式发布。
回顾 Google IO 2026 其他重大新闻
你所熟知的 Google 搜索已成过去
Google 更新 Gemini 应用以应对 ChatGPT 和 Claude
Google 推出 Gemini Spark，一款与 Gmail 集成的全天候代理助手
如何使用 Google 的新信息代理