谷歌发了 Gemini Omni,一个能把图文视频混着输入、直接出视频的多模态模型
谷歌发布Gemini Omni多模态生成模型
谷歌在推上宣布了 Gemini Omni,说它能吃图像、视频和文本,吐出来的是基于 Gemini 现实世界知识生成的视频。目前只展示了视频生成这一个方向,正文没提模型大小、推理成本、能不能公开用、什么时候上线。我会先打个折:这更像一个预告,不是能立刻上手的东西。
推荐理由:谷歌在推上宣布 Gemini Omni 支持图像、视频和文本混合输入并直接生成视频,目前仅展示视频生成方向,模型规模与开放时间尚未公布。