# 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

> 原标题：谷歌发布Gemini Omni多模态生成模型

- 来源：AI HOT 精选
- 发布时间：2026-05-19T19:07:38.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/23760
- 原文：https://x.com/GeminiApp/status/2056814052039356806

## 摘要

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。

## 锐评

没有推理成本，也没有上线时间，Gemini Omni 目前就是一个发在推上的展示品。

能同时把图像、视频和文本混着喂进去直接吐视频，这种输入方式确实省事，省掉了前面拼素材的麻烦。跑产品全得看账本，模型大小不知道，单次推理费用也不知道，算力成本全空着，技术再好也没法排进系统架构。谷歌连什么时候能开放调用都没定，我看这东西暂时没法放进实际业务里考虑。
