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：谷歌扔了个 Gemini Omni，能拿图片、视频和文字一起喂进去，直接吐视频出来。我会先打个折：正文没披露模型多大、收不收费、什么时候能用，所以现在只能当个预告看。对跑视频管线的从业者来说，这个输入组合有点意思，但缺了价格和落地时间，暂时没法算账。