谷歌发布 Gemini Omni：用文字、图片和音频就能直接生成视频

Google’s Gemini Omni turns images, audio, and text into video — and that’s just the start

谷歌推出了新的多模态模型 Gemini Omni，能把文字、图片、音频和视频作为输入，通过对话直接生成或编辑视频。首发版本叫 Omni Flash，主打跨模态推理，也就是模型能同时理解不同格式的信息并据此产出视频。但文章没公布具体上线时间、价格、上下文长度限制、跑分成绩，也没说 API 什么时候开放。这点先别太激动，目前看更像是一个技术预告，实际能用起...

推荐理由：Google 把 Gemini 的多模态能力推到了视频生成这一步，Omni Flash 能通过聊天界面把文字、图片、音频甚至视频片段变成新视频，还能编辑。这个更新在 HKR 三个维度上都站得住：玩法直观有传播力，产品形态和输入模态是明确的新信息，而且正好卡在多模态视频生成这个竞争激烈的节点上。正文没公布定价和具体上线时间，所以我会先打个折，把它放在必写但不算顶格的区间。