去年，Google推出了Nano Banana，将Gemini的智能带入了图像生成和编辑领域——帮助数百万人修复老照片、从草图开始设计、以此前无法实现的方式可视化创意。在I/O 2026大会上，Google宣布了这项能力的下一个延伸：Gemini Omni。

Gemini Omni将Gemini的推理能力与视频生成创作能力融合，是一款能够从任意输入创作内容的模型——从视频开始，用户可以结合图像、音频、视频和文本作为输入，生成基于Gemini真实世界知识的高质量视频，还可以通过对话轻松编辑视频。标志着在世界理解、全模态处理和视频编辑能力上的飞跃。

如果要把Gemini Omni比作什么，那它就像是视频领域的"Nano Banana"：用户每一次编辑都建立在前一次的基础上，保持场景的连贯一致。用户可以通过自然的对话逐步构建和完善视频——改变特定细节、环境、摄像机角度，甚至物体的物理属性，每一次修改都会自动适应前一次的上下文，不会出现风格割裂的问题。

Gemini Omni的核心能力在于全模态理解和生成。它能同时处理视频、图片、文本和音频输入，并将它们融合为一个连贯的输出。这种全模态参考能力为创意工作者提供了前所未有的灵活性。例如，用户可以上传一张风格参考图、一段音乐作为节奏提示，然后用自然语言描述想要的场景，Gemini Omni将综合这些输入生成符合要求的视频。每一轮对话编辑都会保留前序的上下文，让创作者能够以渐进式的方式打磨作品。

在物理世界理解方面，Omni对重力、动能、流体动力学等物理规律有直观认知，生成的内容遵循现实世界的物理逻辑。在知识层面，它调用Gemini积累的历史、科学和数学知识，能够构建符合现实逻辑的场景——这使其区别于单纯追求视觉真实的视频生成模型，进入到有意义叙事的范畴。

Gemini Omni展示了强大的"世界变换"能力，可以基于输入视频改变美学风格、动作或特效。官方示例展示了多种变换效果：

• 液态金属效果：当人物触摸镜子时，镜面产生美丽的液态涟漪，人物手臂变成镜面材质
• 线条艺术风格：人物瞬间转变为详细的单色线条艺术绘画
• 毛毡玩偶效果：人物变成可爱的毛毡填充玩偶，带有大大的活动眼睛和眼镜
• 复古全息图：人物转变为复古单色透明3D线条艺术全息图，置于单色3D全息甲板中

这些变换不仅改变视觉风格，还能保持场景的结构和细节，确保变换后的视频在物理上合理、视觉上连贯。

安全性方面，Gemini Omni Flash在开发和部署过程中均与内部安全团队合作进行了广泛评估，包括自动化测试、人工红队演练、专项安全审查等。所有在Gemini应用、Google Flow或YouTube上使用Omni创建或编辑的内容都带有Google的SynthID隐形数字水印和C2PA内容凭证，用户可以验证内容是否由AI生成或编辑。

Gemini Omni目前已在Gemini、Google Flow和YouTube Shorts中可用。

参考来源：

• Google官方博客：https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-omni/
• Google DeepMind：https://deepmind.google/models/gemini-omni/