对话式视频编辑来了：谷歌Gemini Omni让AI懂物理

谷歌在I/O大会上正式发布Gemini Omni，被业界称为视频界的"Nano Banana"时刻。DeepMind的Hassabis表示，这是迈向万能生成模型的第一步，也意味着AI正从预测文本转向模拟现实。Omni将推理与生成能力合二为一，可以生成逼真的视频、图像和交互式模拟，还能表现出对动能、重力等物理规律的直觉，把复杂概念直接可视化。用户可以与模型对话，用自然语言下达编辑指令，甚至克隆自己的数字分身。

产品负责人强调，Gemini Omni并非Veo的简单升级，而是从地基重新写过的模型。它的训练目标被确立为"多模态进、多模态出"——图像、音频、视频、文本共同参与学习，互相作为上下文。这种架构上的变化，使得模型能够以统一的内部表征处理不同模态的信息，而不是为每种任务分别设计网络。正因如此，评估Omni需要同时跑视频生成、视频编辑、图像生成、文本对齐、音频同步五条管线。这些能力之间存在此消彼长的权衡，团队必须在各个维度之间小心取舍，才能找到符合实际需求的最佳平衡点。

多模态联合训练带来了意想不到的涌现能力。Omni没有被显式训练过风格迁移，却能把一段视频自动转成蜡笔画风格；没有被专门教过"续写情节"，却能在走廊怪物出场的场景中自然延续画面。这些能力不是工程师预先设计出来的，而是模型在大量多模态数据中自己"长"出来的。各模态互相印证、互相增强，让Omni的整体表现超越了单一模态模型。可以说，Omni已经不只是"执行指令的模型"，而是在对世界的运行规律进行观察和模拟——这正是多模态架构带来的独特价值。

在应用层面，Gemini Omni支持对话式视频编辑，用户只需一句话就能修改视频内容；数字分身功能则允许用户克隆自身形象与声音，并植入任意场景。以创意内容生产为例，过去完成这类操作需要专业的剪辑软件和漫长的学习过程，如今通过对话即可完成，门槛被大幅降低。但强大的能力也伴随着滥用风险。谷歌为此推出了Avatar Flow安全机制：用户必须一次性注册多角度面孔和录音，通过完整验证后才能生成数字分身，不能通过随意上传一张图片来绕过身份确认。这套机制要求用户先完成一次标准化的生物信息采集，包括不同角度的面部图像和一段清晰的录音，这些信息将用于生成专属的数字化形象，让冒用他人面孔变得困难。同时，所有由Omni生成的视频都将强制嵌入SynthID和C2PA双层水印。即便视频被转载、裁剪或二次编辑，检测工具仍能识别出AI生成的痕迹，为溯源和问责提供了技术保障。

Hassabis评价说，这是走向AGI（通用人工智能）的一步。从更宏观的视角看，Gemini Omni的发布标志着AI竞争的重点已经发生转移：不再只是文本生成，而是对整个世界的生成、编辑与模拟。AI正从"预测下一个词"的模型，进化为能够理解物理规律、参与动态内容创作的世界模拟器。这一转向，或许才是Gemini Omni真正值得关注的里程碑。