在 Google I/O 大会上，谷歌正式推出了 Gemini Omni 系列的首个模型——Gemini Omni Flash。这标志着 Gemini 从原生多模态理解迈向了全模态生成的新阶段。Omni 不仅是一个视频生成模型，更是一个能够结合推理能力与创造力的智能创作引擎，它允许用户通过自然语言对话，轻松地将想法转化为高质量的视频内容。
- 模型：https://deepmind.google/models/gemini-omni
核心突破：对话式视频编辑
Gemini Omni Flash 最大的亮点在于其基于自然语言的交互式视频编辑能力。与传统视频编辑软件复杂的操作不同 Omni 让视频编辑变得像聊天一样简单：
- 上下文记忆与一致性：
Omni 能够记住视频的前后语境。在多轮对话中，用户可以逐步调整环境、角度、风格或细节，而角色形象、物理效果和场景脉络保持一致，不会出现断裂或突变。 - 重新构想动作与场景：
用户上传一段现有视频，只需通过指令即可改变其中发生的事件。例如，添加新角色、修改物体运动轨迹，或将一个普通时刻转变为超现实场景。 - 无限创意起点：
视频不再仅仅是记录，而是创意的起点。用户可以通过指令改变视频中的一切，创造出现实中难以拍摄的画面。
技术基石：物理常识与世界知识的融合
不同于仅依靠像素模式匹配的传统生成模型，Gemini Omni 深度集成了 Gemini 的世界知识和物理推理能力：
- 符合物理规律的生成：
Omni 对重力、动能、流体动力学等物理力有直观的理解。这意味着生成的视频中，物体下落、水流运动、光影变化等更符合真实世界的物理逻辑，减少了“AI 幻觉”带来的违和感。 - 知识与创意的连接：
模型能够利用其在历史、科学和文化领域的知识库，将抽象的概念转化为具象的视觉内容。例如，它可以生成解释复杂科学原理的分步动画，或重现特定历史场景的氛围。 - 多模态输入融合：
用户可以组合使用图像、音频、视频片段和文本作为输入参考。Omni 能够理解这些参考材料之间的关联，并将其融合为一个 cohesive（连贯统一）的视频输出。
个性化创作：数字头像与 SynthID 水印
为了提升创作的个性化程度并确保安全负责地使用 AI，Gemini Omni 引入了两项重要功能：
- 个人数字头像（Avatar）：
用户可以创建自己的数字版本，使用自己的声音和形象生成视频。这使得个人创作者能够高效地制作口播视频或个性化内容。注：目前音频和语音编辑功能仍在测试中，以确保负责任地部署。 - SynthID 数字水印：
所有由 Gemini Omni 生成的视频都嵌入了难以察觉的 SynthID 数字水印。用户可以通过 Gemini 应用、Chrome 浏览器或 Google 搜索轻松验证视频来源，确保内容的透明度和可信度。
获取方式：全面开放与免费体验
谷歌采取了积极的推广策略，让不同层级的用户都能尽快体验到 Gemini Omni Flash：
- 订阅用户：即日起，Google AI Plus、Pro 和 Ultra 订阅者可通过 Gemini 应用 和 Google Flow 使用 Gemini Omni Flash。
- 免费用户：从本周开始，YouTube Shorts 和 YouTube Create 应用的用户可以免费使用该功能进行短视频创作。
- 开发者与企业：预计在未来几周内，Gemini Omni 将通过 API 向开发者和企业客户开放，助力更多创新应用的构建。
对于内容创作者而言，Gemini Omni 不仅降低了视频制作的技术门槛，更提供了一种全新的叙事方式——通过对话迭代创意，通过知识增强真实感。随着模型的不断演进，我们有望看到更多兼具视觉冲击力与逻辑严谨性的 AI 生成内容涌现。
© 版权声明
文章版权归作者所有，未经允许请勿转载。
