距離 Google I/O 2026 開發者大會（5月19至20日）僅剩一週時間，一個名為「Gemini Omni」的全新原生全模態影片模型介面，意外在國外論壇與科技社群中流出，當中不僅展示了令人咋舌的影片生成能力，更展現了超強的邏輯推演與即時編輯功能。
甚麼是 Gemini Omni？大一統的「全模態」野心與強敵挑戰
根據外國 Reddit 上的搶先體驗用戶及多間科技媒體的追蹤爆料，部分 Gemini 手機應用程式用戶在介面中突然收到一個名為「Create with Gemini Omni」的彈出式提示。介面標語明確寫著：「來見見我們全新的影片生成模型。重混您的影片、直接在對話中剪輯、嘗試各種範本。」（Powered by Omni）。
在過去，Google 的 AI 產品線相對碎片化：文字依賴 Gemini、圖像有 Nano Banana 系列，而影片則交給 Veo 模型。但這次「Omni」的命名強烈暗示了 Google 的終極野心——打造一個真正支援文字、圖像、音訊與影片同時輸入及輸出的「全模態」（All-in-one）系統。
一直以來，影片生成模型最大的弱點在於「文字連貫性」與「物理邏輯」。以往即使是頂尖模型，只要畫面中出現手寫字或複雜的空間互動，往往會出現無法辨認的亂碼或物件扭曲。然而，這次 Gemini Omni 流出的兩大測試片段，徹底顛覆了這個刻板印象，但一切仍認証實。
如此強大逼真的生成效果，背後必然伴隨著龐大的算力代價。Sora 停運的前車之鑑還歷歷在目，Google 又如何解決基礎設施的成本問題？Google 若能順利推出這款具備極致連貫性、能夠完美呈現文字邏輯，並且整合於單一對話框的全模態 AI，必將重新洗牌 AI 影片領域的競爭格局。一切的謎底，有待下週的 Google I/O 大會正式揭曉。
資料來源：
https://9to5google.com/2026/05/11/gemini-omni-video-model-shows-up-with-some-early-demos/
