5月20日，Google I/O 2026 开发者大会正式开幕。会上，Google 发布了多项 AI 新功能与新模型，其中最值得出海营销人关注的，是全新的多模态生成模型 —— Gemini Omni。

相比过去主要依赖文字提示词生成内容的 AI 视频模型，Google 对它的定义是：从任意输入生成任意内容。

create anything from everything.gif ^{图源：Google}

这意味着，视频生成正在从“输入一句 prompt，得到一段视频”，走向“理解素材、了解世界、连续编辑”的新阶段。

Nativex 从实战出发，推出「AI 情报局」栏目，持续追踪全球最新 AI 工具、模型更新和应用案例。本期，我们就来快速拆解 Gemini Omni 值得关注的几个核心能力。

告别“一次性抽卡”，对话编辑视频

过去的视频生成模型最常见的问题是“一次性抽卡”：写下提示词，模型生成一段视频。若输出的结果不理想，就重新修改提示词再生成，需要耗费大量时间。

Gemini Omni 一个关键亮点，是支持通过自然语言继续编辑视频。每一次指令都可以基于上一轮结果继续执行，保证角色、物理效果和场景状态的连续性。

小提琴1.gif ^{Prompt: A video of a violinist playing a song.} 小提琴2.gif ^{Prompt: Transport the violinist to the image environment.}

用户生成视频后，可以继续与 Omni 对话：改变某个场景元素、消除原有某个物体、改变动作，或者把一段普通视频变成完全不同的视觉效果。无需掌握复杂剪辑软件，就能完成背景替换、镜头变化、局部物体修改、风格迁移和动作重构。

既懂“世界知识”，还有“推理能力”

Gemini Omni 不只在于把场景做得逼真，更重要的是，它能结合物理规律和 Gemini 的世界知识，判断画面下一步应该怎么变化。

当要求 Omni 生成一段“一颗弹珠在连锁反应轨道上快速滚动”的视频，看似只是一个简单动态画面，但背后考验的是模型对速度、重力、碰撞和运动连续性的理解。弹珠如何滚动、什么时候加速、碰到不同物体后如何继续运动，都需要保持合理和连贯。

弹珠视频.gif ^{Prompt: A marble rolling fast on a chain reaction style track, continuous smooth shot.}

也就是说，Omni 追求的不只是“看起来真实”，而是让视频里的运动、因果关系和场景发展更符合现实直觉。对于复杂动态内容来说，这比单纯提升画质更关键。

多模态素材输入，视频完成度更高

传统文生视频工具通常以文字提示词为核心。用户用文字描述画面、动作、风格和节奏，再由模型根据这些描述生成视频，存在较高的“沟通成本”。

Gemini Omni 的核心突破在于，它可以同时接收文字、图片、音频和视频输入。用户不只可以描述想要什么，也可以直接提供各类型参考素材。

比如，用户输入一张图片、一段参考视频和一段音乐，要求 Omni 生成一条“动态科幻电影风格”的视频：画面基于图片，发光效果参考视频，并随音乐节拍变化。Omni 最终可以输出一条风格统一、动态与节奏同步的视频。

多种素材组合.gif ^{Prompt: Dynamic sci-fi film style video based on image_0.png. Elements light up similar to video_0.mp4 synchronized to the beat of the music from audio_0.wav}

Gemini Omni 的推出，是 AI 视频工具的又一次重要革新。它让视频生成从“写一句 prompt 等结果”，进一步走向多模态素材理解、物理规律生成和连续编辑。

如果你想持续了解 AI 工具在出海营销、广告创意和内容生产中的最新应用洞察，欢迎继续关注「AI 情报局」，我们会持续追踪值得营销人关注的 AI 新工具、新能力和新趋势。

Claude、Gemini、GPT，场景对了都好用！

同意