Google 在 I/O 2026 上发布了 Gemini Omni -- 一个能接受任意输入、生成任意输出的多模态模型。视频生成是它的第一步，但和 Seedance 这类纯视频生成模型不同，Omni 的核心卖点是"对话式视频编辑"。

Gemini Omni 是什么

Gemini Omni 整合了 Google 目前最先进的几款生成式媒体模型：图像模型 Nano Banana、视频生成模型 Veo、以及世界模型 Genie。它不是简单地生成视频，而是理解视频中的物理关系、运动关系和场景逻辑。

DeepMind CEO Demis Hassabis 亲自上台发布，定位是"世界模型"（World Model）。

核心能力

对话式视频编辑

这是 Omni 最实用的功能。上传你拍的视频，然后用自然语言告诉它怎么改。不是一次性生成，而是多轮对话，每条指令在前一条基础上继续操作。

演示案例：拍了一段手摸镜子的视频，告诉 Omni "当人触摸镜子时，让镜子像液体一样泛起涟漪，人的手臂变成反光材质"。视频没有被完全重绘，人物动作保留，但镜子的物理状态和手臂材质被精准替换。

关键特性：

• 角色、环境、物理效果和场景上下文在多轮修改中保持一致
• 可以修改特定元素，也可以改动整个场景
• 支持修改环境、角度、风格、细节

物理模拟

Omni 能理解重力、流体力学等物理概念。让它生成"一条在连锁反应轨道上快速滚动的弹珠"，它能展现出对动能和重力的精确理解，而不仅仅是视觉上的"看起来像"。