# 谷歌发布 Gemini Omni：用文字、图片和音频就能直接生成视频

> 原标题：Google&#8217;s Gemini Omni turns images, audio, and text into video — and that&#8217;s just the start

- 来源：TechCrunch · AI
- 发布时间：2026-05-19T17:45:00.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/23879
- 原文：https://techcrunch.com/2026/05/19/googles-gemini-omni-turns-images-audio-and-text-into-video-and-thats-just-the-start/

## 摘要

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。

## 锐评

Omni Flash 连价格和 API 开放时间都没给，我看纯粹就是个抢身位的公关动作。

没有具体上线时间，没有跑分成绩，连 context 限制也全空着，光列出一堆文字、图片和音频能生成视频的输入格式。做产品的人必须要算调用成本和接口排期，现在连它什么时候能用都不知道，这种只有名字的发布在工程上根本没法拿来做评估。
