Gemini Omni

1. 多模态生成视频
   可以同时输入文字、图片、音频和视频片段，让模型综合这些素材生成统一的视频结果。
2. 对话式视频编辑
   生成后可以继续用自然语言修改背景、动作、镜头和氛围，不必每次重新生成。
3. 角色与场景一致性
   在不同镜头和多轮编辑中，尽量保持人物面部、服装、发型和环境连续。
4. 物理世界理解
   对重力、惯性、液体和物体运动有一定理解，简单动态场景的自然度明显提升。
5. 同步音频生成
   视频可以同时生成与动作和环境匹配的声音，而不是后期单独叠加。
6. Avatar 虚拟化身
   可以基于用户形象和声音创建数字化角色，用于生成新的内容。
7. SynthID 数字水印
   生成内容会加入不可见的数字水印，用于识别和追踪 AI 生成内容。

我主要关注了它的多轮编辑和角色一致性。

上手难度：很低。

在 Gemini 或 Flow 里输入提示词就能生成。真正影响效果的，不是参数，而是你会不会把镜头、动作和氛围说清楚。

只写“一个人在街上走”当然可以，但如果写成“镜头从中景缓慢推近，人物穿红色外套，雨后街道反射霓虹灯”，结果会更稳定。

最明显的提升，是不用一直重新抽卡。

以前 AI 视频常见的问题是，一处不满意就得重新生成整段。Gemini Omni 更像是在已有结果上继续修改。

比如角色没问题，只想换背景、调整镜头或者改变光线，可以直接继续说，不必从头开始。

角色一致性也比过去稳定。在多镜头场景里，人物的脸、服装和位置不容易突然变化，这对短片和广告很重要。

但复杂场景仍然会出错。

简单的重力、布料和物体运动通常比较自然，一旦涉及多个物体同时碰撞、复杂因果关系，画面就可能失真。

文字依旧是明显短板。参考图里如果带有复杂文字，生成后容易模糊、变形或直接写错。

另外，单次最长约 10 秒，真正做完整短片还是要拼接。

优点

• 对话式编辑很实用。 可以持续修改同一段视频，减少反复重做。
• 输入方式灵活。 文字、图片、音频、视频可以一起使用。
• 角色和场景更稳定。 多镜头叙事比以前更容易维持连续性。
• 视频与音频一起生成。 少了一步后期配音和环境音处理。
• Google 生态整合方便。 和 Gemini、Flow、YouTube 的衔接比较自然。

缺点

• 单次时长仍短。 10 秒左右的上限对长内容限制明显。
• 复杂物理场景会翻车。 多物体交互、碰撞和因果关系还不稳定。
• 文字生成不可靠。 特别是复杂英文和中文内容。
• 细节控制有限。 对话修改适合整体方向调整，还不能替代专业剪辑软件的逐帧控制。
• 需要付费。 想完整体验主要能力，至少要进入付费套餐。

适合：

内容创作者和视频博主

快速做 B-roll、创意素材和短视频片段。

广告和营销团队

很适合做概念片、提案和视觉方向测试。

教育和科普创作者

可以快速把抽象概念做成动态演示。

影视和动画前期团队

用来测试分镜、镜头运动和场景效果很方便。

不太适合：

需要电影级最终成片的人

目前还不能完全替代实拍、CG 和专业后期。

要求逐帧控制的用户

对话式编辑更适合宏观修改。

高度依赖画面文字的人

文字渲染仍然不够稳定。

需要连续长视频的人

目前仍然需要多段生成再拼接。

Gemini Omni 真正值得关注的，不是画质又提升了多少，而是 AI 视频的操作方式变了。

以前更像抽卡：输入提示词，等结果，不满意就重来。现在开始变成持续协作：先生成，再一句一句改。

这让 AI 视频第一次更接近正常的创作流程。

它还不够成熟，10 秒时长、复杂物理和文字生成都是明显短板，但方向已经很清楚——以后做视频，可能真的会越来越像和一个剪辑师聊天。