Gemini Omni Flash：完整指南、Prompt与功能

Gemini Omni是Google首款any-to-any模型，于2026年5月19日在Google I/O 2026上发布。首批发布的Gemini Omni Flash支持文本、图像和视频作为输入，生成带同步音频的视频，并以Gemini的现实世界知识为基础。片段最长10秒，分辨率720p，画幅为16:9或9:16，你可以通过对话来优化，而不必反复重新生成。

any-to-any输入

一个Gemini Omni Prompt可以同时接收文本、图像和视频。模型不是把这些输入依次拼接在一起，而是把它们当作一个整体简报来推理，因此一张人物参考图、一张场景照片和一句文字节拍都会共同塑造同一段生成的镜头。你还可以传入多张参考图，把特定主体带入场景中。单独上传音频参考正在逐步开放，尚未在所有地区可用，而在Google的Gemini应用中，你可以通过Avatars用自己的声音出现在视频里。

原生音频

每段片段都会在同一次处理中生成自己的同步音频，因此对白、音效、环境声或音乐会随着画面一起返回，而不是一段无声的渲染。在描述镜头的同一个Prompt中说明你想要的声音，音频便会与动作对齐，而不是事后叠加。

对话式编辑

编辑就是Prompt。用自然语言的后续指令优化片段：「把雕塑做成气泡状」、为场景重新布光、改变某个动作，或添加一个元素，模型会保留镜头的其余部分。它在多轮之间保持上下文，因此多轮编辑会在同一个场景上叠加，而不是从头重来。

角色与物理一致性

角色、物体和风格在对话式编辑中保持一致，并以对重力、动能和流体动力学等力学的更强理解为支撑。当你优化同一个场景时，一致性最强。切换场景或要求大幅度的镜头摇移可能会导致偏移，因此把大改动留到各自单独的生成中。

现实世界知识

Gemini Omni以Gemini对历史、科学和文化的知识为场景打底，因此时代细节、物理表现和文化特征都能保持准确，而不会滑向千篇一律的AI质感。正是这种打底，让它在解说内容以及任何细节必须准确的镜头中都很有用。

SynthID水印

每段片段都带有Google不可见的SynthID水印，用于AI来源标识。它默认开启，对观众不可见，并能在重新编码和缩放等常见转换后依然保留，因此生成的素材在整条制作链路中都保持可识别。

Gemini Omni青睐这样一种简报：把每个参考都当作同一个场景的一部分，为音频命名，并通过对话来编辑，而不是反复重新生成。少数几个做法就能带来大部分质量提升：

• 一次性加载所有参考。文本、一张图像和一段视频可以放进同一个Prompt，因为模型会对它们整体推理，而不是依次拼接。添加参考图，把特定主体带入场景。
• 始终为音频命名。用自然语言写下对白、音效、环境声或音乐，让片段返回时声音与动作对齐，而不是无声。
• 通过对话来编辑。当镜头已经接近理想时，在下一条消息中描述你想要的那一处改动，而不是从头再来。场景会保留其角色、光线和一致性。
• 把节拍控制在10秒以内。没有视频延展或插帧功能，因此规划一个能在片段内完成的单一动作，而不要指望之后再加长。
• 把切换场景留到各自的生成中。当你优化同一个场景时一致性最强；生硬地切换场景或大幅摇移，更适合作为一个全新的镜头。
• 明确指挥你在意的物理表现。指出重量、碰撞，或流体应如何运动，因为真实物理是一个值得引导的强项。

一个出色的Prompt读起来像一份简短的镜头简报，而不是一句说明文字。有两点决定结果：清晰列出镜头中包含什么，以及用具体措辞取代含糊措辞。

一个Prompt应包含什么

通过对话来编辑

编辑就是Prompt。保留场景，只命名要改动的地方，让其余一切从上一轮延续下来。

弱Prompt与强Prompt

明确写出镜头、运动及其时机，以及音频，而不是听天由命。

常见错误

• 让Prompt保持无声：始终至少写一条声音提示，因为模型会随视频一起生成音频。
• 用重新生成代替编辑：当镜头已经接近时，通过对话请求那一处改动，让角色和一致性得以保持。
• 指望延展：没有视频延展功能，因此把一个动作控制在10秒的片段内。
• 密集的画面文字：文字渲染和非常复杂的运动仍是薄弱环节，因此让字幕保持简短，或在后期添加。