Gemini Omni：既能生成也能修改视频的 Google 视频模型

Gemini Omni 是什么

Gemini Omni 是 Google DeepMind 的一组模型，能从任意输入做出内容。最先落地的是视频。Google 在 2026 年 5 月的 I/O 上展示了它，并这样描述：“想象一下 Nano Banana，但是做视频”——每一步都可以用普通句子接着改。

Omni 用的是 Gemini 对世界的了解：物理、历史、科学和文化。所以“公元 1 世纪修建渡槽”或“船闸怎么工作”这类场景，出来的细节说得通，而不只是好看。

2026 年 8 月 27 日发布了 Omni 1.1 Flash，稳定版，能延长场景、控制首帧和尾帧、用 360p 出草稿，并输出到 4K。在 Gemini API 文档里，Google 把它推荐为默认视频模型，把 Veo 3.1 留给特定任务。

Gemini Omni 能做什么

世界知识。 如果要求的是真实语境里的场景，模型会自己补上历史上和物理上说得通的细节。

多张参考合成一个场景。 人物来自一张照片，裙子来自另一张，阁楼来自第三张。Omni 把它们收成一条片子，并保住外形。

修改成片。 和 Veo 的主要差别：上传视频，写明要改什么——天气、衣服、光线、物体、镜头运动。每一次修改都接在上一次之上。

首帧和尾帧。 两张图，模型做出带声音的过渡。

让照片动起来。 图像成为片段的第一帧：烟、水滴、镜头运动。

延长。 在 API 里，片段按 10 秒一步延长，最长 40 秒。模型会参考之前最多 10 秒的视频，而不只是最后一帧。

Gemini Omni 适合什么任务

• 改已有成片： 换天气、时段、衣服，或去掉一个物体，不用重拍。
• 教育和历史场景， 细节要说得通。
• 用商品照片做广告： 静物变成短片。
• 带声音的竖屏短片， 给社交平台用。
• 快速迭代： 360p 出草稿，1080p 或 4K 出成片。

Gemini Omni 和同类模型

	Gemini Omni 1.1 Flash	Veo 3.1	Seedance 2.5
开发者	Google DeepMind	Google DeepMind	ByteDance Seed
单次时长	3–10 秒	4、6、8 秒	最长 30 秒
延长	最长 40 秒	最长 148 秒（API，720p）	2 次
分辨率	最高 4K（放大）	最高 4K	未公布
输入	文字、图像、视频	文字、最多 3 张图	文字、30 张照片、10 段视频、10 段音频
修改成片	可以，用句子	不行	可以
语音语言	完整支持英语	未公布	未公布
在 AI2Face	有	有	有

Omni 是 Google 模型里最灵活的：能改视频，也能把视频当输入。Veo 3.1 赢在 8 秒片段的画质和精确的末帧模式。Seedance 2.5 单次生成的片子最长。

怎么给 Gemini Omni 写提示词

• 生成时用和 Veo 一样的公式：镜头 + 主体 + 动作 + 环境 + 风格，声音另写。
• 修改时一次只改一件事，并写明保留什么：“把天气改成晴天。保留镜头运动、构图和灯塔。”
• 用参考时写明每张图取什么：“第一个画面里的女孩，穿着第二张图的裙子，站在第三张图的阁楼里。”
• 迭代时先用 360p：按 Google 的说法，草稿最多快 60%，费用是 720p 的三分之一。
• 台词用英语更稳： 其他语言 Google 没有官方评估。

把这段视频的天气改成平静晴朗的夏日：干净的蓝天，
平静的碧海和细小波浪，白灯塔上的明亮阳光，悬崖上的绿草。
保留同样的镜头运动、构图和灯塔。声音：平静的海浪和海鸥，
代替风暴

如何在 AI2Face 里使用 Gemini Omni

1. 打开生成器，选择视频和模型 Gemini Omni 1.1 Flash。
2. 选择模式：按文字、按照片、按参考（最多 6 张图），或按首帧和尾帧。
3. 设定时长（4、6、8 或 10 秒）、画幅（16:9 或 9:16）和分辨率。
4. 开始生成——费用事先显示。

修改成片和延长都在 AI2Face 生成器里。Nano Banana 2 或 Seedream 的图可以直接当作片段的第一帧。Omni 在 AI2Face 生成器里可用，费用在生成前就能看到。

限制

• 语言。 完整支持的是英语，其他语言 Google 没有评估。
• 声音。 不能修改人声，API 目前也不支持音频参考。
• 延长对白。 不能把一段有人说话的上传视频延长，再补上新台词。
• 复杂运动和文字。 在模型卡里，Google 把修改时的完全一致、复杂动态和画面中准确的文字列为难点。
• 地区。 在欧洲经济区、瑞士和英国，不能存储和编辑视频。
• 标记。 所有片段都含 SynthID；可以在 Gemini 应用、Chrome 和 Google 搜索里核对此标记。

结论

Gemini Omni 是 Google 的日常视频模型：输入灵活，带声音，最重要的是能用普通句子修改成片。适合用照片和参考做片子、做教育场景、做快速迭代。要 8 秒片段的最高画质和精确落到末帧，选 Veo 3.1；要一次生成的长故事，选 Seedance 2.5。在 AI2Face，Omni 和图像模型在一起：生成器里的一帧可以直接成为视频的第一帧。