全網實測Gemini Omni！一句話改視頻，草圖變大片

新智元報道

【新智元導讀】過去AI視頻是「生成內容」，Omni直接升級成「生成世界」。它懂動能、重力、因果，還能把復雜概念瞬間可視化。人類距離「言出法隨」的夢想，還剩幾個Gemini Omni的距離？

醞釀許久的Gemini Omni來了，堪稱視頻界的Banana時刻！

今日深夜Google I/O大會中，最大的主角Gemini Omni正式亮相！

谷歌DeepMind豪言，Gemini Omni結合了Gemini推理能力與生成能力，在世界理解、多模態和視頻編輯上的重大飛躍。

據悉，這是谷歌邁向萬能生成模型的第一步：

? Gemini Omni是Google的全新世界模型

? Google表示，AI正從預測文本轉向模擬現實

? 它能生成逼真的視頻、圖像和交互式模擬

? 它展現出更強的直觀物理理解能力，包括動能和重力

? 它能將復雜概念轉化為可視化講解

? 它支持對話式視頻編輯

這次，導演的飯碗，恐怕也要丟了。

所有人的共識就是：Gemini Omni就是視頻版的「Nano Banana」。

從此，人類進入「動動嘴就能剪視頻」的時代，徹底告別「眼見為實」時代！

AI改變世界，動動嘴剪視頻

谷歌這次引領AI視頻，人類距離「言出法隨」的夢想又近一步！

除了整體能力的提升，硅谷風投巨頭a16z的合伙人Justine Moore透露，有兩個具體特點讓Gemini Omni脫穎而出：

第一，Omni將大語言模型級別的對話式編輯能力引入了視頻模型，迭代修改生成結果以及在多個場景中延展角色變得更加容易。

第二，數字分身功能，你可以創建自己的形象和聲音的克隆，并將其植入到生成的場景中。

Gemini Omni這次真實現了動動嘴編輯視頻：

Gemini Omni Flash甚至能一邊編輯一邊保留原有的動作，即便是場景切換也不在話下，非常擅長理解輸入的視頻：

更厲害的是，Omni結合了更強的物理理解和Gemini豐富的歷史、生物、文化知識，實現了從「畫得真」到「講好故事」的跨越。

Gemini Omni在處理人體特寫鏡頭和解釋生物學方面表現出色：

Gemini Omni Flash能展示蒙娜麗莎從顏料到分子、原子的縮放過程，文字渲染也非常到位。

這遠遠不止「AI生成內容」，簡直是「AI生成世界」！

為什么是Omni，而非Veo 4？

過去三年，谷歌給AI模型起名是有規律的。

Gemini 1.5、2.0、2.5。Veo 1、2、3。Nano Banana → Nano Banana 2。

數字+小數點，工整、保守，典型的工程師文化命名學。

版本號是連續的，因為路徑是連續的。

但Gemini Omni打破了這套體系。

一個全新的詞，一個不屬于任何現有產品線的名字。

在隨后的發布訪談里，Google DeepMind的Nicole Brichtova、Dumitru Erhan、Gabe Barth-Maron和Shlomi Fruchter與主持人 Logan Kilpatrick一起，介紹了Gemini Omni。

在對話中，他們探討了:

是什么讓Omni相比Veo實現了跨越式升級，

圖像、音頻和視頻參考如何結合以實現通過簡單提示進行無縫編輯，

以及Google在生成視頻方面如何踐行安全與透明。

產品負責人Nicole Brichtova，被問到「這跟Veo有什么區別」時，回答幾乎不像產品經理——

這不是Veo的升級。

我們必須從地基重新思考怎么造這個模型。

她用了一個詞：step change(階躍變化)。在訪談45分鐘里，這個詞出現了5次。

聽明白了嗎？這不是新版本。這是新物種。

而當一家工程師文化主導的公司，愿意打破自己用了三年的命名體系，只為了一個產品，這是一份公開張貼的戰略備忘錄。

Veo的訓練目標是經典的text-to-video——給一段文本，生成一段視頻。

后來產品團隊希望它能接受圖像參考(給一張你的臉，生成你在視頻里)，團隊的做法是：在已經訓練好的模型上，加一層條件輸入。

這就是Nicole在訪談里反復強調的那個詞——「layered into」(疊加進去)。

Veo的能力是補丁，不是骨架。

Omni的訓練目標，從第一天起就完全不同——「multimodal in， multimodal out」(多模態進、多模態出)。

圖像、音頻、視頻、文本，這些不是Omni訓練時的「額外條件」，它們是Omni學會「什么是世界」的原始數據。

現場，Hassabis坦言「我們必須重新思考訓練目標」。

這就是的含義——他們改的不是模型，是訓練目標本身。

基礎模型重做的代價是什么？

Gemini Omni聯合負責人Dumitru Erhan給了一組數字：評估階段，他們需要同時跑視頻生成、視頻編輯、圖像生成、文本對齊、音頻同步五條評估管線。

而每一條管線之間存在權衡：

優化一條，另一條可能退步。

「判斷在哪里取舍，需要極深的直覺。」

但回報是什么？回報是「涌現」。

Google DeepMind研究總監Shlomi Fruchter講了兩個故事，團隊自己都沒準備好。

第一個，風格遷移。

Omni的訓練數據里根本沒有「同一段視頻、不同風格」的成對樣本——這種數據本來就極難獲得。

但當用戶輸入「把這段視頻換成蠟筆畫風格」的時候，模型自己學會了。

第二個，續寫場景。

某個prompt寫的是：「視頻里一個女人走在走廊上，讓一個怪物從門里出來，鏡頭轉過拐角繼續。」

這個任務他們從來沒顯式訓練過。Omni續上了故事，保留了走廊的幾何、女人的樣子、光照的方向，然后讓怪物出現，鏡頭自然轉過去。

「這不是我們設計的功能，」Dumitru在訪談里說，「這是模型自己長出來的。」

涌現(emergence)——AI 研究里最反直覺、也最讓人后背發涼的概念。它的意思是：模型能做的事，超出了訓練數據里出現過的事。

而Omni 展示的涌現，不止兩個。

最后，Shlomi忍不住說：「我自己最期待的事，是看用戶會發現這個模型還能做什么——因為我們自己肯定還沒發現完。」

當你換掉地基，會長出你沒蓋過的房間。

視頻的Nano Banan時刻

Omni真正驚人的能力，不是從零生成，是編輯。

這里有一個反直覺的發現，可能是整場訪談最有信息量的一句話。Shlomi說：

我們發現，把不同模態放在一起訓練，反而讓每個模態都變得更好。

如果你讓模型學會「在視頻里生成音樂」，它必須先學會「生成音樂」本身——而這個能力，反過來讓它生成的視頻更連貫了。

請把這句話讀三遍。

它的意思是——模態之間不是疊加關系，是互相喂養關系。

學會畫畫的過程，會讓模型更懂物理，因為畫畫必須懂光影和透視。

學會生成音樂的過程，會讓模型更懂時間結構，因為音樂是結構化的時間序列。

學會編輯視頻的過程，會讓模型更懂因果關系，因為編輯必須知道「動這里會影響哪里」。

這是過去十年AI行業默認路徑選擇的對立面。

而要做成這件事，Google 必須解決一個之前所有視頻模型都沒解決好的問題——

怎么讓模型同時聽懂圖像、音頻、視頻、文本這四種參考，并且在編輯時不「把孩子和洗澡水一起倒掉」。

答案是：讓它們從一開始就一起學。

這就是為什么Demis Hassabis說 Omni是「走向 AGI 的一步」。

不是因為它能拍電影，是因為只有真正理解世界的模型，才能編輯這個世界。

他們「要把猛虎關進籠子」

真正讓Omni變得耐人尋味的，是谷歌同時發布的另一件事——他們主動給這個模型套上了一些籠子。

第一道籠子：Avatar Flow。

你想讓「你自己」出現在Omni生成的視頻里，不能直接上傳一張自拍就開始。

你必須一次性注冊：多角度面孔采集 + 朗讀一串數字錄音。

這套數據存成一個「Avatar」，以后所有用你臉的生成，必須調用這個 Avatar，你不能任意上傳圖像。

Nicole說得很直白：「你可能會覺得我們封鎖了很多東西。」

這是一種明知會讓用戶嫌麻煩、但還是要做的語氣。

第二道籠子：強制水印。

所有Omni生成的視頻，都嵌入兩層標記：Google自家的SynthID不可見水印 + C2PA 跨平臺元數據。

哪怕視頻被剪輯、被搬運、被壓縮，水印依然能追蹤。

你上傳任何一段視頻到Gemini App，問一句「這是AI生成的嗎？」，它會查給你看。

谷歌不僅是發布了產品，更是在告訴市場：下一輪AI戰爭，不只拼聊天，不只拼搜索，而是拼誰能生成、編輯、模擬整個世界。

AI行業的舊秩序，已經開始松動。

參考資料：

https://x.com/MTSlive/status/2056895733207597244

https://x.com/joshwoodward/status/2056827449556845051

https://x.com/jerrod_lew/status/2056865054130319828

https://www.youtube.com/watch?v=5T0yRNmNRi4

編輯：KingHZ David