Gemini Omni 是什么？与其他 AI 视频模型有何不同？

Gemini Omni 是 Google DeepMind 的多模态创作模型，将 Gemini 的推理能力与视频生成相结合。与传统的文生视频模型不同，Gemini Omni 支持多轮对话式编辑（每次编辑基于上一次结果）、同时接受多种输入类型（文本、图片、视频、音频），并运用真实世界知识生成有上下文意义的结果。

Gemini Omni 支持哪些输入类型？

Gemini Omni 接受文本提示词、最多 7 张参考图片、1 个视频片段（最大 100MB，30 秒）和音频 ID。你可以在单次生成中组合多种输入类型 — 例如提供参考视频加文本指令来转换场景，同时保留原始运动。

在 FireRed Image Edit 上使用 Gemini Omni 免费吗？

是的。FireRed Image Edit 提供积分来使用 Gemini Omni 生成视频。新用户可获得免费积分立即开始创作。该模型支持 4/6/8/10 秒时长，16:9 和 9:16 两种比例。

Gemini Omni 能编辑现有视频吗？

可以。Gemini Omni 擅长通过自然语言进行视频编辑。上传源视频并描述你想要的改变 — 转换环境、替换物体、改变风格、调整摄像机视角或添加效果。模型会保留你未提及的元素，同时应用你请求的更改。

Gemini Omni 的视频限制是什么？

视频输入文件必须小于 100MB 且不超过 30 秒。可用的裁剪范围（起始到结束）不能超过 10 秒。图片文件每张不超过 20MB，每次生成最多 7 张图片。生成的视频可以是 4、6、8 或 10 秒长。

多轮编辑在 Gemini Omni 中如何工作？

多轮编辑意味着每次生成都可以基于上一次的结果。你从初始创作开始，然后通过后续指令进行优化 — 改变角度、添加效果、修改动作、调整光照 — 同时模型保持与之前内容的一致性。这类似于通过多次修订编辑文档。

Gemini Omni 生成的视频可以商用吗？

可以。通过 FireRed Image Edit 生成的视频附带商业使用权。Gemini Omni 已获得商业使用许可，适用于营销内容、社交媒体、产品展示、教育材料和专业视频制作。

Gemini Omni

Google 的多模态创作模型 — Gemini 的推理能力与生成式媒体系统的结合。通过自然语言从文本、图片、视频或音频生成和编辑视频，每次编辑都基于上一次的结果。使用 FireRed Image Edit 免费体验。

About

关于 Gemini Omni

Gemini Omni 是 Google DeepMind 在 2025 年 Google I/O 大会上发布的多模态创作模型。它将 Gemini 的推理能力与生成式媒体系统相结合，实现了超越简单提示词生成视频的能力。该模型理解场景、动作、环境、物理行为和真实世界上下文 — 生成的结果具有明确意图而非随机输出。Gemini Omni Flash 是 Omni 系列的首个模型，专为实用的视频创作和编辑工作流而设计，用户可以转换素材、使用参考引导结果，并通过自然语言对话逐步优化场景。

核心能力

多模态输入、对话式编辑、风格转换、真实世界知识 — 集于一体

核心功能概览

多轮对话式编辑

Gemini Omni 引入了一种全新的视频编辑方式。你不需要每次都从头开始生成，而是可以通过一系列自然语言指令逐步优化视频。改变背景、调整动作、替换物体、转换摄像机角度或添加视觉效果 — 同时保持视频其余部分的稳定。这种对话式工作流意味着你可以一步步迭代接近你的愿景，就像编辑文档一样。

提示词

输出示例 (Output)

多轮编辑保持一致性 — 改变摄像机角度同时维持场景连贯

多轮编辑在连续修改中保持场景连贯性

先建立一个人在房间里的场景，然后改变光照为黄金时刻，再添加窗户上的雨滴 — 每次编辑基于上一次

连续环境变化展示对话式逐步优化

实时风格转换

Gemini Omni 可以转换任何输入视频的视觉风格，同时保留底层的运动、结构和场景构图。描述目标美学 — 金属表面、手绘素描、毛毡布偶、全息投影、体素艺术 — 模型会在每一帧上连贯地应用转换。原始的摄像机运动、角色动作和空间关系保持不变，创造出远超简单滤镜的无缝风格转换。

提示词

输出示例 (Output)

当人触碰镜子时，让镜子像液体一样美丽地荡漾，人的手臂变成反射镜面材质

风格转换在完全改变视觉美学为金属质感的同时保留运动

当人触碰镜子时，整个环境变成3D体素艺术，呈现方块几何形状

完整环境转换为体素艺术，同时保留空间结构

真正的多模态输入

与只接受文本或单张图片的模型不同，Gemini Omni 可以同时处理多种输入类型。提供文本作为方向指引、图片作为视觉参考、视频作为运动引导、音频作为语音或声音同步。模型将所有输入综合为单一连贯的视频输出。这使其适用于灵感来自多个来源的真实创作工作流 — 分镜草图、参考片段、语音录制和文字描述都可以为最终结果做出贡献。

提示词

输出示例 (Output)

添加与我触碰每片蕨叶同步的竖琴声。将叶片结构改为生物发光植物，周围有萤火虫飞舞

结合视频输入、文本指令和音频参考实现同步输出

使用真实世界科学知识可视化蛋白质折叠过程，以黏土动画风格呈现准确的分子行为

将真实世界知识应用于科学可视化，结合创意风格

FAQ

常见问题

Gemini Omni FAQ

: Gemini Omni 是 Google DeepMind 的多模态创作模型，将 Gemini 的推理能力与视频生成相结合。与传统的文生视频模型不同，Gemini Omni 支持多轮对话式编辑（每次编辑基于上一次结果）、同时接受多种输入类型（文本、图片、视频、音频），并运用真实世界知识生成有上下文意义的结果。
: Gemini Omni 接受文本提示词、最多 7 张参考图片、1 个视频片段（最大 100MB，30 秒）和音频 ID。你可以在单次生成中组合多种输入类型 — 例如提供参考视频加文本指令来转换场景，同时保留原始运动。
: 是的。FireRed Image Edit 提供积分来使用 Gemini Omni 生成视频。新用户可获得免费积分立即开始创作。该模型支持 4/6/8/10 秒时长，16:9 和 9:16 两种比例。
: 可以。Gemini Omni 擅长通过自然语言进行视频编辑。上传源视频并描述你想要的改变 — 转换环境、替换物体、改变风格、调整摄像机视角或添加效果。模型会保留你未提及的元素，同时应用你请求的更改。
: 视频输入文件必须小于 100MB 且不超过 30 秒。可用的裁剪范围（起始到结束）不能超过 10 秒。图片文件每张不超过 20MB，每次生成最多 7 张图片。生成的视频可以是 4、6、8 或 10 秒长。
: 多轮编辑意味着每次生成都可以基于上一次的结果。你从初始创作开始，然后通过后续指令进行优化 — 改变角度、添加效果、修改动作、调整光照 — 同时模型保持与之前内容的一致性。这类似于通过多次修订编辑文档。
: 可以。通过 FireRed Image Edit 生成的视频附带商业使用权。Gemini Omni 已获得商业使用许可，适用于营销内容、社交媒体、产品展示、教育材料和专业视频制作。