2026年5月19日,喺 Google I/O 2026 開發者大會上,Google 正式發佈咗備受期待嘅新一代多模態模型Gemini Omni。Google CEO Sundar Pichai 喺主旨演講中將佢形容為「能夠由任何輸入創造任何內容」嘅突破性模型,標誌住 Google 喺多模態 AI 同生成式媒體領域嘅重大躍進。Gemini Omni 初步聚焦於影片生成與編輯,並計劃逐步擴展至圖像、音頻等全模態輸出。
Gemini Omni 嘅核心亮點係真正嘅多模態原生理解與生成能力。用戶可以混合輸入文本、圖像、影片同音頻,模型唔單止能理解呢啲唔同模態之間嘅關聯,仲能生成連貫、高質素嘅影片內容。更具革命性嘅係,佢支持自然語言對話式編輯——用戶無需複雜操作,只要似同真人傾偈咁講「將背景換成日落」「令人物動作更加流暢」或者「加入旁白」,模型就可以即時理解並修改影片。
Gemini Omni Flash:首個落地版本
Google 同步推出咗 Gemini Omni 家族嘅首位成員——Gemini Omni Flash。該版本已喺發佈會當日向 Google AI Plus、Pro 同 Ultra 訂閱用戶開放,可喺 Gemini App 同 Google Flow(AI 創作工作室)中使用。同時,普通用戶可透過 YouTube Shorts 同 YouTube Create App 免費體驗部分功能。
Gemini Omni Flash 嘅主要能力包括:
- 任意輸入生成影片:支援文本+圖像、圖像+音頻、影片+文本等多種組合輸入,生成時長更長、動作更連貫、細節更豐富嘅影片。
- 對話式影片編輯:用戶可喺聊天介面中對已生成影片進行反覆修改,大幅降低影片創作門檻。
- 模板與 remix 功能:提供預設模板,並支持對現有影片進行智能重混。
- 內容安全與溯源:所有生成影片均嵌入 Google 不可見數字水印 SynthID,並支持內容憑證驗證,致力於減少深偽風險。
Google 表示,Gemini Omni 融合咗 Gemini 嘅世界理解能力同 Veo 等生成媒體模型嘅優勢,實現咗「理解」與「創造」嘅深度統一。
技術突破與戰略意義
Gemini Omni 嘅發佈體現咗 Google 喺多模態 AI 上嘅長期積累。與此前以文本為核心嘅模型唔同,Omni 被定位為「世界模型」(World Model),旨喺令 AI 對現實世界嘅物理規律、時空關係同多感官資訊有更深刻嘅理解。呢點同 Google 長期強調嘅「通用 AI 助手」戰略高度一致。
喺發佈會上,Google DeepMind CEO Demis Hassabis 強調,Omni 代表由「單一模態工具」向「全能創造平台」嘅轉變。未來,Omni 將逐步支持圖像生成、音頻生成,甚至更複雜嘅跨模態互動,成為開發者構建下一代 AI 應用嘅重要基礎。
對行業與用戶嘅深遠影響
1. 影片生成與內容創作領域嘅顛覆
Gemini Omni 嘅對話式編輯能力大幅降低咗專業影片製作嘅門檻。普通用戶只需以自然語言描述即可完成複雜創作,呢樣會大幅推動短片、廣告、教育內容同個人創作嘅爆發式增長。同時,亦會對傳統影片編輯軟件同影視後期產業造成挑戰。
2. 多模態競爭格局重塑
Omni 嘅發佈令 Google 喺多模態生成領域同 OpenAI 嘅 Sora、Runway 等公司形成直接競爭。Google 憑藉 YouTube 海量影片數據同強大搜尋能力,喺世界理解層面具備獨特優勢,有望喺影片生成質量同可控性上取得領先。
3. 對開發者與企業嘅機會
Gemini Omni 將透過 API 向開發者開放,為構建智能影片工具、虛擬主播、沉浸式教育內容等應用提供強大支持。企業用戶可以將佢整合到營銷、培訓同產品示範流程中,顯著提升效率。
4. 安全與倫理挑戰
Google 強調咗 SynthID 水印同內容憑證嘅重要性,但點樣防止惡意利用生成虛假影片、保護知識產權,仍然係業界共同面對嘅難題。監管機構對 AI 生成內容嘅溯源要求亦會進一步加強。
結語:邁向通用世界模型嘅重要一步
Gemini Omni 嘅發佈,係 Google 喺 AI 多模態領域嘅又一次戰略佈局。佢唔單止提升咗影片生成嘅易用性同質量,更重要係向業界展示咗「由任何輸入創造任何輸出」嘅技術願景。
隨住 Omni 家族後續圖像、音頻等能力逐步開放,Google 有望喺消費者級 AI 創作工具上佔據顯著優勢。喺 AI 競爭愈趨激烈嘅 2026 年,呢次發佈再次證明:多模態理解與生成能力,已經成為決定下一代 AI 勝負嘅關鍵戰場。
▶️ 鍾意呢篇內容?創作真係好辛苦!
歡迎關注我哋嘅 YouTube 頻道:
AI Rosetta
你嘅讚好、訂閱同分享,係對我哋最大嘅支持!🙏
更多 AI 新聞請訪問:https://www.airosetta.com