2026/05/20 16:12  
Gemini Omni作為生成式 AI 邁向下一個世代的分水嶺，從「文字預測」跨入理解物理規律的「世界模型（World Models）」。（截自官方部落格）
〔記者邱巧貞／台北報導〕在剛落幕的Google I/O 2026開發者大會上，Google正式發表全新AI模型「Gemini Omni」，不只成為本屆最受矚目的焦點之一，更被外界視為生成式AI邁向下一個世代的重要分水嶺。相較過去AI多半停留在「文字預測」階段，Gemini Omni的出現，也象徵AI正進一步跨入能理解現實世界運作規律的「世界模型（World Models）」，新紀元。
過去幾年，生成式AI工具雖快速普及，但大多仍侷限在「文字生成圖片」、「文字生成影片」或「文字生成文字」等單向模式。然而，Gemini Omni徹底打破這種界線。
Google表示，Gemini Omni主打「Create anything from any input（從任何輸入創造任何內容）」，讓AI不再只是理解文字，而是能同時處理圖片、影片、聲音與文字，甚至直接生成影片內容。
Google指出，Gemini Omni的核心概念，是讓內容創作變得像「聊天」一樣自然。使用者不只能透過文字生成影片，也能上傳照片、既有影片或音訊，再利用自然語言直接修改內容，例如：將靜態照片轉成動畫短片、透過語音指令剪輯影片，或將舊影片重新生成不同風格版本，真正實現「任意輸入、任意創作」的多模態AI能力。
此次Gemini Omni最受矚目的，則是三大核心能力。
首先是「透過對話影片編輯（Conversational Video Editing）」。過去影片後製需要反覆調整時間軸與特效參數，如今創作者只需透過自然語言與AI對話，即可連續修改影片內容。例如：直接下指令「把雕像材質改成泡沫」、「讓燈光變暗」、「改變鏡頭運鏡方式」，AI便能在原有畫面基礎上持續疊加修改，同時維持角色、場景與物理邏輯的一致性，大幅降低過去AI影片常見的閃爍、變形與崩壞問題。
第二大亮點，則是結合Gemini的真實世界知識。Google強調，Gemini Omni不只是追求畫面擬真，更重要的是理解現實世界中的物理邏輯。透過整合Google過去在大型語言模型、圖像與影音生成技術上的累積，Omni已能理解重力、動能、流體動力學、材質反射與空間運動等規則，甚至能結合歷史、科學與文化背景，生成更具邏輯與敘事性的內容。
舉例來說，大會展示中，當角色觸碰鏡面時，鏡面會像液體般產生真實漣漪效果，角色身體甚至同步轉化成鏡面反射材質，成為現場最受關注的示範之一。
第三項核心能力，則是能混搭不同素材、跨媒介生成影片。在Google I/O現場，Google展示「多重輸入參考（Input References）」功能，創作者可同時提供角色圖片、一段動作影片、背景音樂與文字劇情描述，Gemini Omni便能直接理解不同媒介間的上下文關係，快速融合多種素材，生成風格一致、結構完整的全新影音作品。
Google也強調，將持續以負責任的方式發展AI技術，建立相關政策保護使用者與規範AI工具使用。例如使用者可透過「Avatars（虛擬化身）」建立數位版自己，生成具個人外貌與聲音特色的影片；至於進一步修改語音與音訊的功能，目前仍持續測試與評估中。
此外，所有由Gemini Omni生成的影片，都會加入肉眼無法辨識的SynthID數位浮水印，使用者也能透過Gemini App、Chrome中的Gemini，以及Google搜尋驗證影片是否由AI生成。
目前，Omni系列首款模型「Gemini Omni Flash」即日起正式推出，Google AI Plus、Pro與Ultra方案訂閱用戶，可透過Gemini App與Google Flow搶先體驗；本週起，使用者也能陸續在YouTube Shorts與YouTube Create中免費體驗相關功能。