Gemini Omni——谷歌的 统一多模态人工智能视频模型
今天在 Google I/O 2026 上发布。一种模型可以在单个提示中获取文本、图像、音频和视频，并返回视频、编辑后的照片或数字头像 - Sundar Pichai 称之为“根据任何输入创建任何内容”。 Gemini Omni Flash 今天推出（10 秒剪辑、Gemini 应用程序 + YouTube Shorts）。 API 访问将在未来几周内完成。
什么是Gemini Omni？
直到今天，Google 的 AI 媒体堆栈针对每种模式使用单独的模型：用于视频的 Veo 3.1、用于图像的 Imagen 3、用于编辑的 Nano Banana Pro 和用于音乐的 Lyria。制作完成的视频意味着将它们分开链接。
Gemini Omni 将其折叠成一个多模态模型——一个跨文本、图像、音频和视频输入进行推理并返回视频、编辑后的照片或头像的系统，并在每种模态中共享上下文。谷歌正在将生成视频从独立的 Veo 系列转移到核心 Gemini 系统中，而 Omni 是新的重心。
官方演示 · Google I/O 2026 主题演讲
Gemini Omni 在行动
Google I/O 2026 主题演讲的六个演示：主题演讲、物理 + 原生音频、文本转视频、对话式编辑、场景感知物理和多轮细化。
视频来源于 blog.google · Gemini Omni 公告 · 所有 Omni 输出均带有 SynthID 水印。
在 Google I/O 2026 上确认
Gemini Omni 可以做什么
摘自 2026 年 5 月 19 日的主题演讲。 Gemini Omni Flash 今天上线； Gemini Omni Pro 被嘲笑没有约会。
统一多模态输入
将文本、图像、音频和视频合并在一个提示中。该模型对所有输入进行推理，而不仅仅是将它们拼接在一起。
“根据任何输入创建任何内容”
Pichai 的 I/O 2026 框架。主要输出是视频；同一模型还返回编辑过的照片和自定义数字化身。
对话细化
生成剪辑，然后在聊天中不断迭代 - 更改镜头、交换道具、重做摄像机移动，而无需从头开始。
长上下文一致性
继承Gemini的长上下文窗口。角色在镜头中保留他们的面孔、服装和道具——这是竞争模型的已知弱点。
10 秒剪辑（Flash）
Gemini Omni Flash 今天将剪辑限制为 10 秒。谷歌将此称为部署选择，而不是模型限制。 Omni Pro 预计持续时间更长。
SynthID 水印 + 自定义头像
每个 Omni 输出都带有 SynthID，用于 AI 验证。几代人中都没有真正的人——用户通过记录数字序列来创建自己的数字化身。
链式模型与 Gemini Omni（统一）
现在工作流程发生了怎样的变化，由一个 Gemini 系列模型处理每一步。
翻译：Gemini Omni Flash 将 4-6 个工具链整合为单一的端到端生成 — 如今上限为 10 秒，通过对话式细化而不是从头开始编辑。
特征对齐
VO3 AI 如何与 Gemini Omni 的新视频创建工作流程保持一致
Gemini Omni 展示了人工智能视频创作的发展方向：对话式编辑、多输入参考、一致的字符、音频感知生成和更长的创意工作流程。 VO3 AI 已经通过多模型工作流程支持其中许多需求。
状态反映了当前 VO3 AI 工作流程。 Vovoo 有助于指导模型和工作流程选择。
VO3 AI 今日直播
Vovoo 已经协调多模型工作流程
目前，三个真实的工作流程在 VO3 AI 上运行，每个工作流程在一次聊天后链接多个模型。统一输出的未来令人兴奋 - 但您现在就可以像这样构建。
Gemini Omni 已上线，但 API 还需要数周时间
Flash 非常适合在 Gemini 应用或 YouTube Shorts 中制作 10 秒的剪辑。对于较长的视频、广告工作流程、多个镜头的角色一致性或程序化生成，VO3 AI 上的 Vovoo 现在精心编排了多模型工作流程 - Veo 3.1、Sora 2、Kling 3.0、Seedance、Hailuo、Hunyuan、Nano Banana Pro - 每一步自动选择。当 Gemini Omni API 发布时，它会加入同一个代理。
常见问题解答
什么是Gemini Omni？+
Gemini Omni 是 Google 的统一多模式模型，于 2026 年 5 月 19 日在 Google I/O 2026 上宣布。它在单个提示中接受文本、图像、音频和视频，并解释所有这些内容以生成一个输出 - 主要是视频，加上编辑后的照片和自定义数字化身。 CEO Sundar Pichai 的定位是：“从任何输入中创造任何东西”。 Omni 没有将 Veo 3.1（视频）+ Imagen（图像）+ Lyria（音频）链接在一起，而是在一个 Gemini 系列模型中处理它们。
Gemini Omni 现在有售吗？+
是的——部分。该系列的首款型号 Gemini Omni Flash 于 2026 年 5 月 19 日开始通过 Gemini 应用和 Google Flow 创意工作室向 AI Plus / Pro / Ultra 订阅者推出，并且在 YouTube Shorts 和 YouTube Create 中免费。 API 访问承诺“在未来几周内”。更高端的 Gemini Omni Pro 被预告，但没有发布日期。
Gemini Omni 视频可以多长？+
Gemini Omni Flash 每个剪辑的时长上限为 10 秒。谷歌表示，这是一个部署决策（在计算需求较高时扩大早期访问范围），而不是该模型的技术限制。预计 Omni Pro 或更高版本的 Flash 更新会生成更长的格式。
Gemini Omni 与 Veo 3.1 或 Sora 2 有何不同？+
Veo 3.1 和 Sora 2 是视频优先模型，也可以生成音频。 Gemini Omni 是跨输入和输出的多模式：它在一个提示中接收文本 + 图像 + 音频 + 视频，并且同一模型可以返回视频、编辑的照片或头像。它还继承了 Gemini 的长上下文窗口，因此镜头中的角色、服装和道具的一致性是内置的，而不是固定的。谷歌还将生成视频从独立的 Veo 系列转移到核心 Gemini 系统中——Omni 是新的重心。
Gemini Omni 还不能做什么？+
谷歌在发布时故意保留了三项功能：从音频生成图像、从视频生成音频以及编辑现有视频的语音/语音轨道。这些都是长期愿景，但因安全审查而暂停。 Gemini Omni 也没有描绘真实的人，而是使用定制的数字化身，这需要一个引导流程，用户在其中记录自己所说的一系列数字。所有 Omni 输出均带有 Google 的 SynthID 水印。
现在如何使用多模型人工智能工作流程？+
Vovoo 是 VO3 AI 内部的 AI 视频代理，它已经在一次聊天中协调了多个最先进的模型——Veo 3.1、Sora 2、Kling 3.0、Seedance、Hailuo、Hunyuan 和 Nano Banana Pro。它为每个步骤选择正确的模型（文本到视频、图像到视频、广告工作流程、故事板、故事到视频）。现在很有用，而 Gemini Omni Flash 仅限于 10 秒的剪辑，而且 API 还需要几周的时间。
VO3 AI会集成Gemini Omni吗？+
是的。一旦公共 API 可用，VO3 AI 就会集成新的 Google 模型 - Veo 3、Veo 3.1、Veo 3.1 Lite 和 Nano Banana Pro 已经上线。当 Gemini Omni API 在未来几周内发布时，它将与其他模型一起在同一个 Vovoo 聊天代理中使用。