在2026年Google I/O大会上，谷歌正式揭晓了Gemini Omni模型。该模型能够同时处理文本、图像、音频与视频等多种输入形式，并实现跨模态的内容生成与编辑。
在音频功能方面，该模型初期仅支持语音输入，但谷歌透露，未来将逐步扩展更多类型的音频输入能力。
首款产品Gemini Omni Flash已在Gemini应用中上线，后续将向企业客户开放API接口。
该模型的核心亮点在于其深度视频编辑功能。用户只需通过自然语言指令，便可对生成内容进行持续优化，包括添加或移除物体、调整摄像机角度、改变环境与风格。
凭借对物理规律的掌握，以及对历史、科学和文化知识的整合，Gemini Omni生成的视频在角色、场景及视觉逻辑上表现出高度的一致性，甚至能够推测后续情节。用户还可以创建个人数字分身，并将其嵌入视频中。
在安全方面，谷歌也进行了相应布局。所有通过Omni生成的视频都将自动嵌入SynthID数字水印，用户可通过Google搜索及Chrome浏览器进行验证。
Gemini Omni Flash现已面向订阅Google AI Plus、Pro或Ultra服务的用户，在Gemini应用和Google Flow中推出。此外，该模型还免费提供给希望混剪YouTube Shorts的用户，以及YouTube Create应用的用户。
Google DeepMind负责人哈萨比斯表示，该模型正推动人工智能从单纯的任务执行向通用人工智能（AGI）迈进。
（举报）