Gemini Omni实测：一句话生成视频，草图秒变电影大片

过去，AI视频生成的核心是“创造内容”。而谷歌最新发布的Gemini Omni，则将这一概念直接升级为“创造世界”。它不仅理解动能、重力与因果关系，还能将复杂概念瞬间可视化。人类距离“言出法随”的终极梦想，似乎又近了一大步。

在深夜的Google I/O大会上，酝酿已久的Gemini Omni终于登场，堪称视频生成领域的“Banana时刻”。

谷歌DeepMind宣称，Gemini Omni结合了Gemini系列强大的推理与生成能力，实现了对世界的深度理解、多模态交互以及视频编辑能力的重大飞跃。

这被视为谷歌迈向“万能生成模型”的关键第一步。其核心特点包括：

• 作为全新的世界模型，旨在模拟现实。

• 能够生成逼真的视频、图像和交互式模拟。

• 展现出对物理规律（如动能、重力）的直观理解。

• 可将抽象概念转化为生动的可视化讲解。

• 支持对话式的自然语言视频编辑。

业界普遍认为，Gemini Omni就是视频领域的“Nano Banana”，它的出现可能将重新定义内容创作的门槛。

一个“动动嘴就能剪视频”的时代或许正在开启，传统的“眼见为实”观念将面临挑战。

AI改变世界，动动嘴剪视频

除了整体能力的跃升，硅谷风投a16z的合伙人Justine Moore指出了Gemini Omni两个尤为突出的特点：

第一，它将大语言模型级别的对话式交互能力引入了视频编辑，使得迭代修改生成结果、在多个场景中延展角色变得异常简单。

第二，其数字分身功能允许用户创建自己形象和声音的克隆，并直接植入生成的场景之中。

Gemini Omni真正实现了通过自然语言指令编辑视频。其轻量版本Gemini Omni Flash甚至能在编辑时保留视频原有的动作和连贯性，即便切换场景也游刃有余，展现出对输入视频的深刻理解。

更关键的是，Omni融合了更强的物理世界理解与Gemini模型的历史、生物、文化知识，实现了从“画得像”到“讲好故事”的跨越。它在处理人体特写、解释生物学概念方面表现卓越。

例如，Gemini Omni Flash能够展示蒙娜丽莎画像从宏观颜料到微观分子、原子的逐级缩放过程，文字渲染也极其精准。这已远远超越了简单的“内容生成”，迈入了“世界模拟”的范畴。

为什么是Omni，而非Veo 4？

回顾过去三年，谷歌的AI模型命名遵循着清晰的规律：Gemini 1.5、2.0、2.5；Veo 1、2、3；Nano Banana及其迭代版本。这种“数字+小数点”的工整模式，是典型工程师文化的体现，意味着技术路径是连续、可预期的。

然而，Gemini Omni彻底打破了这套体系。它是一个全新的词汇，不属于任何现有产品线。这本身就是一个强烈的信号。

在后续的发布访谈中，Google DeepMind的几位负责人与主持人探讨了Omni相比Veo的跨越式升级、多模态参考如何实现无缝编辑，以及谷歌在生成视频安全与透明方面的实践。

当被问及与Veo的区别时，产品负责人Nicole Brichtova的回答几乎不像一位产品经理：“这不是Veo的升级。我们必须从地基开始重新思考如何构建这个模型。”

她反复使用了一个词：step change（阶跃变化）。在45分钟的访谈里，这个词出现了五次。言下之意很明确：这不是一个新版本，而是一个新物种。

当一家以工程师文化为主导的公司，愿意打破沿用三年的命名体系来为一个产品命名时，这无异于一份公开的战略宣言。

Veo的训练目标是经典的“文本到视频”（text-to-video）。当团队后来希望它加入图像参考（例如根据照片生成视频）时，做法是在已训练好的模型上“叠加”一层条件输入。正如Nicole强调的，这是“layered into”（叠加进去）。Veo的许多能力是事后打上的补丁，而非与生俱来的骨架。

Omni则从第一天起就设定了截然不同的训练目标：“多模态进，多模态出”。图像、音频、视频、文本，这些并非训练时的“额外条件”，而是模型学习“世界是什么”的原始数据。谷歌联合创始人Demis Hassabis在现场也坦言：“我们必须重新思考训练目标本身。”

重做基础模型的代价是巨大的。联合负责人Dumitru Erhan透露，在评估阶段，他们需要同时运行视频生成、编辑、图像生成、文本对齐、音频同步等五条评估管线。

这些管线之间存在权衡：优化其中一条，可能导致另一条性能倒退。“判断在哪里取舍，需要极深的直觉。”Dumitru如是说。

但巨大的代价换来了更惊人的回报：涌现（Emergence）。

研究总监Shlomi Fruchter分享了两个连团队都未曾预料的故事。

视频的Nano Banana时刻

Omni真正惊人的能力，或许不在于从零生成，而在于编辑。访谈中有一句反直觉却信息量十足的话，来自Shlomi：

“我们发现，把不同模态放在一起训练，反而让每个模态都变得更好。”

举例来说，如果让模型学会“在视频里生成合适的音乐”，它必须先掌握“生成音乐”本身的能力——而这个能力，反过来会让它生成的视频在节奏和情感上更加连贯。

这句话值得反复品味。它揭示了一个核心逻辑：模态之间并非简单的叠加关系，而是互相滋养、协同进化的关系。

学会绘画的过程，能让模型更懂物理（因为绘画涉及光影和透视）。学会生成音乐的过程，能让模型更理解时间结构（因为音乐是结构化的时间序列）。学会编辑视频的过程，则能让模型更深刻地把握因果关系（因为编辑必须知道“改动此处会如何影响彼处”）。

这与过去十年AI行业主流的、相对割裂的单模态优化路径形成了鲜明对比。为了实现这种多模态共生，谷歌必须解决一个此前所有视频模型都未能妥善解决的问题：如何让模型同时理解图像、音频、视频、文本四种参考指令，并在编辑时精准改动目标，而不“把孩子和洗澡水一起倒掉”。

答案就是：让它们从一开始就一起学习。这也正是Demis Hassabis称Omni是“走向AGI的一步”的原因。并非因为它能拍电影，而是因为只有真正理解世界运作规律的模型，才能可信地编辑和模拟这个世界。

他们“要把猛虎关进笼子”

让Omni显得更加耐人寻味的是，谷歌在发布强大能力的同时，主动为它套上了几道“笼子”。

第一道笼子：A vatar Flow。用户若想将自己的形象植入Omni生成的视频，不能随意上传一张自拍照。必须一次性完成多角度面部采集和特定文本的录音，生成一个唯一的“数字分身”（A vatar）。此后所有涉及用户面容的生成，都必须调用这个A vatar，无法随意更换图像源。Nicole对此直言不讳：“你可能会觉得我们封锁了很多东西。”这是一种明知会增添用户麻烦，却依然坚持的审慎态度。

第二道笼子：强制水印。所有由Omni生成的视频，都会嵌入两层标识：谷歌自家的SynthID不可见水印，以及跨平台的C2PA元数据标准。即使视频被剪辑、搬运或压缩，水印依然可被追踪。用户可以将任何视频上传至Gemini应用，直接询问“这是AI生成的吗？”，系统便能进行查验。

通过Gemini Omni，谷歌不仅发布了一款产品，更向市场宣告：下一轮AI竞赛的焦点，将不再局限于聊天或搜索，而在于谁能生成、编辑并模拟整个物理世界。旧有的行业秩序，已然开始松动。