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。
推荐理由:谷歌推出多模态模型 Gemini Omni,可把文字、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 Omni Flash 主打跨模态推理。