Google 在 I/O 2026 上正式发布了全新的 AI 模型家族 —— Gemini Omni，核心定位是“Create anything from any input（从任意输入生成任意内容）”。首个落地模型为 Gemini Omni Flash，当前以视频生成为起点，支持将文本、图片、音频、视频等多种输入融合后生成高质量视频，并且具备对已有视频进行编辑与重构的能力。

相比此前的 Veo 与 Nano Banana，Gemini Omni 更强调“世界模型（World Model）”能力。Google 表示，该模型不仅理解画面，还能理解现实世界中的物体关系、动作逻辑、空间连续性与时间变化，因此在视频生成中能保持更稳定的角色、一致的场景与更自然的物理表现。

- 全模态输入与编辑：用户可以直接对视频进行对话式修改，例如替换场景、调整镜头、改变天气或角色动作，而不需要重新生成整段内容。

- Gemini 推理能力与创作能力融合：Omni 不只是生成模型，它同时继承了 Gemini 的知识理解与推理能力，因此生成内容会更“懂现实逻辑”。

- 产品级落地：Gemini Omni Flash 已开始接入 Gemini、Google Flow 与 YouTube Shorts。Google 后续还将扩展到图片、音频等更多输出形式。 http://t.cn/AXiFVXmf