傳了一段時間的 Gemini Omni 系列模型，終於在 Google I/O 2026 正式亮相，首款推出的是 Gemini Omni Flash，主打原生多模態，可以把圖片、音訊、影片、文字等不同素材一起作為輸入，並直接產出一段完整影片，而且生成完還能用對話式編輯，也就是跟人講話一樣，要求修改影片裡的細節。AI 影片工具的進化速度真的是有夠快。
Google 推出 Gemini Omni Flash：多模態原生影片模型，可用對話直接編輯影片內容
Veo 3.1 模型主要還是透過「文字轉影片」的方式，來生成影片，而 Omni Flash 比較不同，它是一次吸收圖片、音訊、影片、文字四種輸入，然後讓模型理解所有素材之間的關係，並生成一段整合後的影片。也就是說，不是把不同來源的素材分開處理後再硬拼起來，而是模型會一次理解所有輸入素材、一次推理出該怎麼合成。
官方文章就示範了一個例子：丟一張參考圖、一段運鏡影片、一段背景音樂進去，Omni Flash 會做出風格跟著圖、運鏡跟著影片、節拍對到音樂的成品。音訊輸入這部分 Google 初期只開放語音檔當參考，其他類型的音訊會陸續加入。
提示詞：Dynamic sci-fi film style video based on image_0.png. Elements light up similar to video_0.mp4 synchronized to the beat of the music from audio_0.wav
再來是 Omni Flash 最大的亮點：對話式編輯。
傳統 AI 影片工具的操作流程通常是「提示詞生成 → 看到不滿意 → 重打提示詞 → 再生成」，每改一個小細節都要重跑一輪，又慢又花額度。
Omni Flash 變成能邊聊邊改，像是拍一段影片或生成一段影片之後，想動哪裡就打字跟它說，例如「Make the violin invisible」（把小提琴變透明）、「Change the camera angle to be over the violinist’s shoulder」（鏡頭換到從小提琴手肩膀後拍）、「Dim the lights in the room」（把房間燈光調暗），下一個版本就出來。
最初的影片：
「Make the violin invisible」（把小提琴變透明）：
這個也蠻猛的，上傳自拍影片後，輸入「When the person touches the mirror, make the mirror ripple beautifully like liquid」，當手指摸到鏡子的瞬間，鏡面像水波一樣擴散：
Google 也補充 Omni Flash 對重力、動能、流體力學的理解都大幅提升，所以生成的場景會更接近真實物理法則。
Omni Flash 還有一個值得注意的功能叫「虛擬化身（Avatars）」，使用者可以建立一個數位版本的自己，做出外觀跟聲音都很像本人的影片。進一步編輯影片以修改音訊和語音的功能目前還在內部測試，而且會以負責任的方式推出。
即日起 Google AI Plus、Pro、Ultra 訂閱用戶可以在 Gemini App 跟 Google Flow 搶先嘗試，本週開始 YouTube Shorts 跟 YouTube Create App 也會開放免費體驗。要注意的是，目前生成一段影片就會吃掉大量每日配額，所以使用上要多注意。
