Gemini Omni Flash：Google 那款可以「靠对话编辑」的视频模型
Google 推出的 any-to-any 模型，能生成带同步音频的 720p 视频——还能通过多轮对话直接开口修改。
Gemini Omni Flash：Google 用"对话"来编辑的视频模型
Gemini Omni Flash 是 Google DeepMind 首个任意到任意（any-to-any）多模态视频生成模型——它不是语音接口，不是聊天机器人的升级版，也绝对不等同于 OpenAI 的"omni"架构。 在继续深入之前，先把这个容易混淆的概念说清楚，因为它决定了你该如何理解这个模型。
当 OpenAI 发布 GPT-4o 时，他们用"omni"来表示在单一模型中实现实时语音+视觉输入。而 Google 使用"Omni"表达的是结构上完全不同的东西：它描述的是一个新的模型家族，旨在接受任意输入模态（文本、图像、音频、视频），并在一次前向传播中生成任意输出模态——目前从视频开始，图像和音频生成输出将在后续路线图中推出。Google 的 Omni 是一种生成式架构。OpenAI 的"omni"讲的是感知能力的故事。这两者不是同一个概念。
这个定位很重要，因为 Gemini Omni Flash 真正的杀手锏并不是语音交互——而是跨多轮对话的、有状态的视频编辑能力。你可以生成一段片段，让它改变光线，要求它延长场景，更换角色的服装，调整镜头角度——所有这些都在一个连续的会话中完成，模型会记住它构建过的内容。这种能力，加上集成的同步音频和 AI Avatar 生成功能，让它在视频生成领域真正称得上是新事物。
Google 的"Omni"到底是什么意思
Google DeepMind 于 2026 年 5 月 19 日在 Google I/O 上宣布了 Omni 家族，开发者/API 的正式可用（GA）版本于 2026 年 6 月 30 日发布。Omni 架构的构建原则是：单一模型应该原生处理所有模态——不是通过链接多个专用模型再加适配器拼凑出来的，而是在一个统一的表示空间中完成。
在发布之初，"任意输出"的这一端具体从视频开始。该模型输出 720p、24fps 的 MP4 片段，支持 16:9、9:16 或 1:1 宽高比，时长在 4 到 10 秒之间——同步音频在同一次生成中一并产出。图像输出和独立音频输出已列入路线图，但尚未上线。
"Flash"是速度与成本档位，与 Google 在 Gemini 系列中的命名方式一致。计划中还有一个 Gemini Omni Pro，预计会推向更高分辨率和更长时长的领域。目前，Omni Flash 可通过 Gemini API（公开预览模型字符串：gemini-omni-flash-preview）、Google AI Studio、Flow、YouTube、Gemini 应用获取——对于那些想在不接触 Google Cloud IAM 的情况下，与 150 多个其他媒体模型一起运行它的从业者来说，还可以通过 Happycapy 使用。
输入模态：目前哪些能用，哪些不能用
官方文档描述了一套丰富的输入模式（schema），这里有必要说清楚，因为有些输入虽然被 API 接受，但在发布之初并不能正常工作：
发布时可用：
- 文本提示词（完全支持）
- 图像——最多 7 张参考图像，用于角色/产品一致性或风格迁移
- 音频作为 AI Avatar 的语音参考（面部/语音复刻）
Schema 接受，但发布时尚不可用：
- 视频作为参考输入
- 通用音频输入（非 Avatar 场景）
这是一个值得注意的重要限制。"以视频参考进行视频编辑"听起来像是核心用例，schema 在技术上也接受这种输入——但如果你发送一段视频参考，期望模型能对其重新风格化或延展，得到的结果会难以预测。目前可靠的路径是：使用参考图像来保证视觉一致性，用文本进行场景指导，用多轮编辑流程来迭代。视频输入是一个已知的局限，预计会随着 Omni 的成熟而逐步补齐。
标志性功能：对话式多轮编辑
其他所有视频生成模型——Veo 3.1、Seedance 2.0、Sora 2（在其消费者版停用之前）、Runway、Kling——都是"一条提示词对应一段片段"的模式。你写一个提示词，得到一段片段。不满意，就写一个新提示词，得到一段新片段。迭代是一系列彼此断开的生成事件。
Gemini Omni Flash 打破了这种模式。通过在 Gemini API 中使用 previous_interaction_id 参数，它能在多轮对话中保持有状态的上下文。你生成一段片段，模型会将其保留在记忆中，随后的指令是在已有结果之上进行修改——而不是从零开始。
实际使用中，一个工作流程大致是这样的：
- "生成一段 6 秒的片段：一个女人在咖啡馆里读信，清晨温暖的光线，浅景深。"
- "把咖啡馆换成一个能看到城市天际线的屋顶露台。"
- "现在稍微拉远镜头，加上环境街道噪音。"
- "女人的外套应该是深藏青色，不是灰色。"
每一轮都会保留之前的内容并应用增量修改。这在功能上，就像是与一位真人视频剪辑师协作的感觉——只不过每一次往返大约花费 0.10 到 1.00 美元（取决于片段长度），而且几秒钟内就能响应。
诚实地说，一个需要注意的限制是：漂移（drift）大约从第 4 到第 5 轮开始出现。模型能够可靠地保持大约四轮编辑的连贯性；到了第五轮，角色一致性、光线连续性和空间关系就开始出现问题。对于复杂的序列，从业者中已经形成的模式是：先在 Seedance 2.0 或 Veo 3.1 中生成一个高保真的基础片段，然后将其带入 Omni Flash 的编辑会话中进行精修——把 Omni Flash 当作一个精细收尾工具，而不是主要的生成引擎。我们后面还会再谈到这一点。
图示：Gemini Omni Flash 中有状态多轮编辑的工作原理。每一轮下达一条指令；模型通过 previous_interaction_id 贯穿上下文，从而实现有针对性的编辑，而无需从零开始重新生成。
音频：另一个大多数人还没注意到的差异化优势
Gemini Omni Flash 生成的每一段视频都包含同步音频，且是在同一次推理过程中一并渲染完成的。这不是一个后处理步骤，也不是把一个独立的音频模型拼接到无声片段上——该模型使用基于物理建模的声音模拟，同时生成视频和声音。
这在实践中意味着：如果你的提示词描述了海浪拍打海岸，你会得到海浪的声音。咖啡馆场景会生成环境人声和咖啡机噪音。角色说话会生成对口型的对话音。同步精度很高——稳稳控制在一秒以内——对于六到七秒以内的片段，质量能够保持。超过这个时长，唇形同步的漂移就会变得明显，这也印证了该模型目前最适配的 4 到 10 秒的"甜蜜区间"。
对于那些一直在三个不同工具里拼接视频+素材音频+后期处理的内容创作者来说，能在一次生成调用中获得这一切，是真正有价值的。它并不总是完美的——但作为一个起点，它足够强大，能省去一整层的制作开销。
AI Avatar：潜在的爆款用例
Gemini Omni Flash 包含一个独立功能，叫做 AI Avatar：给定一张人脸的参考图像和一段语音样本（用于语音克隆），它能生成一段该 Avatar 说话的照片级真实感视频。这是发布之初唯一一个"音频作为输入"能真正生效的用例——具体来说，是作为 Avatar 的语音参考。
对于营销团队、在线教育内容制作方以及需要规模化的客户沟通场景来说，Avatar 功能可以立即投入使用。生成一段品牌代言人视频，通过更换语音克隆+文本提示词进行本地化，30 秒内重新生成一遍。Adobe Firefly、Invideo 和 WPP 都是早期的企业级采用者，他们特别提到 Avatar 是其主要的工作流集成场景。
这里有一些重要的护栏：内容政策禁止未经同意者的真实姓名和肖像、老化模拟、打斗场景，以及任何可能构成对真实人物深度伪造（deepfake）的内容。语音编辑——即事后修改某人"看起来说了什么"——被完全禁用，这是一个刻意为防止深度伪造而做的选择。每一个输出都带有不可关闭的 SynthID 水印（人眼不可察觉，机器可读），以及 C2PA 内容凭证。这是目前所有已上线视频模型中最完善的溯源体系。
基准测试：Google 的宣称 vs. 独立验证的结果
Google 内部的人工评估者评测宣称，Omni Flash 在以下方面排名第一：
- 视频编辑偏好与指令遵循度
- 文本生成视频质量（MovieGenBench）
- 参考图生成视频的一致性
- 图生视频（并列第一，VBench I2V）
这些数字很有说服力，但诚实地说，所有这些都是 Google 内部评测。截至本文撰写时，尚未发布任何独立的正面对比基准测试。值得注意的是，Omni Flash 尚未被提交至 Artificial Analysis Video Arena——在该榜单上，Seedance 2.0 目前在真实人体动作和物理效果方面领先。在提交完成、第三方结果出炉之前，这些基准数据应被视为参考性而非定论性的。
早期测试者中的从业者共识与预期基本一致：语义准确性强，音频同步扎实，对话式编辑确实是新东西——但在动作物理效果上存在明显弱点（"飘浮"感、重量模拟不足）、转头时面部一致性会崩坏、非拉丁文字失败率高（在实测评测中，平假名和笔画较多的中文汉字尤其不可靠），以及上文提到的四轮编辑上限。
Gemini Omni Flash 与竞品对比
以下是一份诚实的对比，涵盖了你在评估 Omni Flash 时最可能同时考虑的几个模型：
| Gemini Omni Flash | Veo 3.1 | Seedance 2.0 | Sora 2 | |
|---|---|---|---|---|
| 最高分辨率 | 720p | 最高 4K | 最高 1080p | 不适用（已停用） |
| 多轮编辑 | 支持（有状态，约 4 轮） | 不支持 | 不支持 | 不支持 |
| 音频生成 | 支持（同步生成，基于物理建模） | 支持 | 不支持 | 不支持 |
| AI Avatar | 支持 | 不支持 | 不支持 | 不支持 |
| 约每秒成本 | 约 0.10 美元 | 约 0.40–0.75 美元 | 可变 | 不适用（API 于 2026 年 9 月停用） |
| 最擅长 | 工作流/编辑、Avatar、音频 | 影视级画质、长片段 | 真实人体动作、物理效果 | 不适用 |
| 弱点 | 720p 分辨率上限、动作物理效果、四轮漂移 | 无状态编辑功能、价格较高 | 无对话式编辑、无音频 | 已停用 |
对比 Veo 3.1： 当影视级画质是首要交付目标、且你不打算进行对话式迭代时，Veo 是正确的选择。摄影师和高端商业制作应该从它入手。当你需要迭代速度、集成音频或 Avatar 能力时——以及在 720p 分辨率可以接受的场景下（对于 YouTube Shorts、社交内容和产品演示来说，通常是可以接受的）——Omni Flash 更胜一筹。
对比 Seedance 2.0： 在人体动作真实感的独立榜单评分上，Seedance 目前领先。如果你要生成人物运动的画面——走路、跳舞、运动动作——Seedance 的物理模拟仍然更有优势。目前正在形成的工作流是：在 Seedance 中生成基础片段，然后在 Omni Flash 中进行对话式精修。你能同时获得专用模型的动作质量和 Omni 多轮交互界面的编辑灵活性。
对比 Sora 2： 现在相关性已经不高。OpenAI 的消费者版 Sora 应用已于 2026 年 4 月停用，API 也计划于 2026 年 9 月停用。Sora 已不是一个可长期依赖的选择。
这个对比也让 Omni Flash 的定价有了参照系。以约每秒 0.10 美元计算（每百万输入 token 1.50 美元，每百万视频输出 token 17.50 美元），一段 10 秒的片段成本约为 1.00 美元。这比 Veo 3.1 便宜 4 到 7 倍。多轮编辑确实意味着要运行多次生成，因此对一段 10 秒片段进行四轮编辑的会话，成本可能达到 4.00 美元——对于专业制作来说仍然合理，但在估算用量时值得纳入考虑。
Omni Flash 在真实制作工作流中的实际定位
需要避免的一个误区，是把 Omni Flash 当作你所使用的每一个视频模型的替代品。它在发布之初并非最高保真度的选项，它的设计初衷也不是要成为那样的产品。它的设计理念是：编辑视频应该感觉像是在和一位协作者对话，而不是每次想改动就重新提交一张工单。
它今天就能明显胜出的工作流场景：
1. 大批量社交内容制作。 720p 对于 TikTok、YouTube Shorts、Instagram Reels 来说完全够用。Avatar 功能加上对话式编辑，意味着你能比其他任何技术栈都更快地制作出本地化的短视频系列。生成 → 通过对话精修 → 发布。
2. 产品演示视频。 产品参考图像+文本指导+对话式精修，为电商和 SaaS 团队构成了一个很有吸引力的工作流。而且无需单独制作音频。
3. 原型设计与故事板。 低成本和快速迭代，让 Omni Flash 非常适合在投入昂贵的高分辨率生成之前，先将概念可视化。可以把它当作一个预可视化层来使用。
4. 在专用模型输出之上进行精修。 先在 Veo 3.1 或 Seedance 2.0 中生成高质量的基础片段。将其作为参考导入（等视频输入功能上线后）或直接描述你已有的内容，然后使用 Omni Flash 的对话层来调整细节。这是早期企业采用者正在收敛形成的模式。
以下场景你应该优先选择专用模型：
- 影视级 4K 内容 → Veo 3.1
- 真实人体动作/运动场景 → Seedance 2.0
- 超过 10 秒且需要角色一致性的长片段 → Veo 3.1，或等待 Omni Pro
在 Happycapy 上运行 Gemini Omni Flash（无需 Google Cloud 配置）
想通过 Gemini API 直接运行 Gemini Omni Flash，需要一个 Google Cloud 项目、API key 的申请配置、理解公开预览的模型字符串，通常还需要在 API schema 上做一些迭代调试。对于要构建专门工作流的工程团队来说，这是一笔合理的投入——但如果你只是想快速测试这个模型，或者想把它和其他视频生成器放在一起做对比，这就会成为阻力。
Happycapy 在一个基于浏览器的云端沙盒中，托管了 Gemini Omni Flash 在内的 150 多个模型——包括 Veo 3.1、Seedance 2.0，以及像 Seedream 4.5 这样的图像生成模型等等。无需 Google Cloud 账号，也无需为每个提供商单独申请 API key。你可以运行一次 Gemini Omni Flash 生成，用同一个提示词与 Seedance 2.0 的输出进行对比，并构建一个在每个模型最擅长的地方发挥其优势的多模型工作流——所有这些都在一个界面中完成。
对于探索视频制作领域智能体式 AI 工作流的团队来说，无需拼接各个独立的 API 集成，就能串联模型调用——在 Seedance 中生成、在 Omni Flash 中精修、用语言模型生成一份报告或字幕——这能省下大量时间。
诚实的结论
Gemini Omni Flash 并不是当下你能用到的画面最精美的视频模型。如果你在同等分辨率下比较原始画面质量，Seedance 2.0 在动作物理效果上更胜一筹，Veo 3.1 在影视级画面精致度上更胜一筹。这是一个真实存在的局限，720p 的分辨率上限、四轮编辑漂移，以及非拉丁文字失败问题，对某些工作流来说确实是实实在在的阻力。
但这些对比忽略了 Omni Flash 真正想要做的事情。这个模型押注的是：工作流的流畅度比边际的保真度提升更重要——而在真实的制作环境中，这个押注在大多数情况下都是成立的。能够说一句"把背景调暗一点"，得到一个结果，再说一句"现在把色调调得暖一些"，再得到一个结果——所有这些都在一个连续的会话中完成，每秒仅需 0.10 美元——这与目前任何其他视频生成方式相比，都是一种根本不同的关系。
Omni 家族显然是 Google DeepMind 一场跨多年的架构布局。Omni Pro 即将到来。目前虽被接受但尚未生效的视频输入功能会逐步补齐。分辨率会不断提升。对话式编辑模型能支撑的轮数也会在漂移出现之前不断增加。你今天评估的，是这个家族中的第一个模型——它已经在多模型技术栈中占据了一席之地，即便它还不能取代专用模型。
对从业者的建议是：把它并行使用，而不是孤立使用。在它的工作流优势真实存在的地方使用它，在保真度至关重要的地方使用专用模型。目前的技术栈是：Seedance 2.0 + Veo 3.1 负责生成质量，Omni Flash 负责对话式精修和 Avatar。这种组合比目前任何单一模型都更强大。
如果想深入了解 Google 的多模态架构与图像生成模型（如 GPT Image 2）相比如何，或者想了解视频制作流水线中的 MCP server 集成是什么样子，这些资源都值得一读。
在完整的模型库中体验 Gemini Omni Flash——无需 Google Cloud 配置，无需为每个提供商单独申请 API key：
常见问题
什么是 Gemini Omni Flash？
Gemini Omni Flash 是 Google DeepMind 全新"Omni"模型家族中的第一个模型，旨在接受任意输入模态（文本、图像、音频、视频），并生成任意输出模态。在发布之初，它输出带同步音频的视频。它最核心的功能是对话式多轮编辑：你可以生成一段视频片段，然后通过多轮自然语言指令对其进行精修，模型会在每次编辑之间保持有状态的上下文。它于 2026 年 6 月 30 日通过 Gemini API 正式上线。
Gemini Omni Flash 与 GPT-4o 的"omni"有什么不同？
这个命名确实容易让人混淆，但两者的架构从根本上是不同的。当 OpenAI 把 GPT-4o 称为"omni"时，指的是它能够同时感知多种模态（语音+视觉）作为输入。而 Google 的"Omni"指的是一种生成式架构：单一模型既能感知，也能跨模态生成。Gemini Omni Flash 不仅仅是处理多模态输入——它还生成多模态输出（视频和音频一起生成）。Google 的 Omni 家族是一个生成式多模态系统；OpenAI 的 omni 品牌讲的是感知输入。
Gemini Omni Flash 和 Veo 3 相比，哪个更好？
它们针对的是不同的优化方向。Veo 3.1 生成更高分辨率、更具影视质感的输出（最高 4K，相比之下 Omni Flash 是 720p），是打磨精致、高保真视频制作的更佳选择。Gemini Omni Flash 在工作流上取胜：它是唯一一个具备有状态多轮编辑的视频模型，包含 AI Avatar 生成功能，在同一次推理中生成音频，而且每秒成本大约比 Veo 3.1 便宜 4 到 7 倍。对于社交内容、产品演示和迭代式原型设计而言，Omni Flash 是更好的工具。对于影视级或广播级质量的输出，Veo 3.1 才是正确的选择。
Gemini Omni Flash 是免费的吗？
通过 API 使用不是免费的。API 定价为每百万输入 token 1.50 美元，每百万视频输出 token 17.50 美元——大约相当于每秒 720p 视频 0.10 美元，一段 10 秒的片段约为 1.00 美元。没有免费的 API 层级。不过，符合条件的用户可以在 YouTube Shorts 和 YouTube Create（18 岁以上）上免费使用 Gemini Omni Flash，也可以通过 Google AI Plus、Pro 和 Ultra 消费者订阅使用。企业级访问可通过 Gemini Enterprise Agent Platform 获取。
Gemini Omni Flash 生成的分辨率是多少？
发布之初为 720p，24fps。支持的宽高比为 16:9、9:16 和 1:1。片段时长为 4 到 10 秒。更高分辨率（1080p 及以上）已列入路线图，可能会与即将推出的 Gemini Omni Pro 档位绑定，但发布之初尚不可用。
Gemini Omni Flash 的定价是多少？
输入 token：每百万 1.50 美元。视频输出 token：每百万 17.50 美元。实际换算下来，大约相当于每秒生成的 720p 视频 0.10 美元，一段完整的 10 秒片段约为 1.00 美元。多轮编辑会话涉及多次生成调用，因此对一段 10 秒片段进行四轮精修的会话，成本大约为 4.00 美元。完整定价详情发布在 ai.google.dev/gemini-api/docs/pricing。
Gemini Omni 和 Gemini Flash 有什么区别？
Gemini Flash 是一系列快速、性价比高的文本与视觉语言模型——是标准 Gemini 系列中的 Flash 档位。Gemini Omni 是一个独立的、全新的模型家族，构建在一种不同的架构之上，专为任意到任意的多模态生成而设计，目前从视频输出开始。"Gemini Omni Flash"将 Omni 架构与 Flash 速度/成本档位结合在一起，将其定位为进入 Omni 家族的易用入口。这两者是架构上截然不同的模型系列，而不是同一模型的不同尺寸版本。Gemini Omni Pro（更高保真度，可能分辨率也更高）已单独列入路线图，与 Gemini Flash 文本模型的路线图是分开的。
参考来源
- Google Blog: Gemini Omni announcement
- Google AI Developers: Gemini Omni API documentation
- Google DeepMind: Gemini Omni model page
- Gemini API pricing
- Google Blog: Gemini Omni Flash / Nano / Banana 2 Lite
图示：Gemini Omni Flash 架构一览——统一处理文本、图像和音频参考等多种输入，输出同步的视频+音频，分辨率为 720p，24fps，支持 16:9 / 9:16 / 1:1 格式，每段片段时长 4–10 秒。
