谷歌推出对话式视频生成模型 Gemini Omni

背景

Gemini 应用是谷歌面向普通用户的入口，人们在对话框里用日常语言要文字、要图片。用 AI 做视频，过去通常意味着打开另一个专门的工具，按它自己的一套控件和参数来操作。把这件事挪进对话里，改变的是谁能做，以及做的过程是什么样：说出想法，看结果，再接着说哪里要改。

发布

2026 年 5 月 19 日，谷歌把 Gemini Omni 加入 Gemini 应用，用户可以通过对话式提示词（prompt）创作和编辑视频。^[1]

Omni 把文字、照片和视频合并作为输入，并且能够生成 AI 虚拟形象（avatar）。^[1] 起点可以从空白项目开始，也可以用相机胶卷里已有的素材，或者直接用预设模板。^[1] 换句话说，同一段对话里可以同时放进一句描述、一张照片和一段现成的片子，让模型把它们接起来或续下去；编辑也是同样的方式，用一句话说明要改什么，而不是自己去拖时间轴。

谁能用

Omni 面向全球 18 岁及以上的 Google AI 订阅用户开放，具体功能因地区而异。^[1] 年龄门槛加上订阅要求，意味着它一开始就是付费功能，而不是所有用户都能用。

开发者要晚一些：2026 年 6 月 30 日，Gemini API 里出现了 gemini-omni-flash-preview。^[3] 带 preview 字样通常表示这是供测试、之后还可能调整的版本；flash 则是谷歌给较快、较轻的模型变体用的名字。

在哪里制作，以及怎么标记

用 Omni 创作或编辑的内容，可以在 Gemini 应用、Google Flow 或 YouTube 里制作。^[2] 也就是说，同一项能力出现在了三个地方，而不只是一个。

产出的内容都带两种来源标记：SynthID 水印和 C2PA Content Credentials。^[2] SynthID 是谷歌 DeepMind 的水印方法，把一段不易察觉的模式嵌进生成内容里，之后用检测器就能判断它是否出自 AI 模型。C2PA Content Credentials 则是一份记录素材如何被制作和修改的元数据，遵循行业通行的标准。两者都不能阻止别人做出合成视频，但能让观众和平台更有可能查到它是怎么来的。

意义

值得注意的有两点。一是入口：视频生成从专门的界面挪进了聊天窗口，提示是一句话，修改也是再补一句话，一个人要学会的工具因此少了很多。二是通路：5 月先在应用里作为订阅功能开放，一个多月后通过 API 交给开发者，两端都带着同一套来源标记。合成视频越容易做，水印和凭证这套机制就越重要——它让一段片子可以被核实，而不只是被相信。