Gemini Omni Flash 能力规格书 (AI-Ready Version)

1. 定位与核心能力 (Core Positioning)

• 核心定位：原生多模态生成模型 (Native Multimodal Generative Model)，专注于“从任何输入到任何输出”的创作。
• 关键能力：将 Gemini 的推理能力与强大的生成能力结合，支持跨模态的理解与高保真视频生成。
• 核心特性：
  • 全模态输入 $\rightarrow$ 视频输出：支持图像、音频、视频和文本的任意组合作为输入，生成高质量视频。
  • 对话式视频编辑 (Conversational Video Editing)：支持通过自然语言对视频进行多轮迭代编辑，且保持角色、物理效果和场景的一致性。
  • 世界知识增强：利用 Gemini 的世界知识（历史、科学、文化）来驱动视频生成，使其不仅是“像真的”，而且是“符合逻辑的”。
  • 物理规律理解：对重力、动能、流体动力学等物理特性有更深刻的直觉理解。

2. 功能矩阵 (Feature Matrix)

🎬 视频生成与编辑 (Video Generation & Editing)

• 动态修改：可通过指令改变视频中的特定物体（如将雕塑改为气泡）或整体氛围（如调暗灯光）。
• 动作重塑：能够修改视频中的动作，添加新角色或对象，将真实拍摄片段转化为超现实场景。
• 多轮精炼：支持在不丢失原始场景线索的情况下，连续更改环境、视角、风格或细节。

🧬 复杂指令执行 (Complex Instruction Execution)

• 知识驱动创作：能够处理极其复杂的 Prompt（例如：要求 26 个字母对应 26 个不寻常物品，并精准控制每帧时长和视觉样式）。
• 原理可视化：能将复杂概念（如蛋白质折叠）转化为直观的粘土动画解释视频。

🔄 输入参考能力 (Reference Capabilities)

• 跨模态融合：可以将图像作为角色参考 $\rightarrow$ 视频作为动作参考 $\rightarrow$ 音频作为节奏参考，最终融合成一个统一的输出。
• 风格迁移：支持将特定图像的风格（如复古未来主义）迁移到生成的视频中。

3. 运行参数与安全 (Specs & Safety)

维度	Gemini Omni Flash	备注
输出模态	目前主攻视频 (Video)	未来将支持图像和音频输出
输入模态	文本, 图像, 视频, 音频 (语音)	实现真正的 Omni 输入
部署渠道	Gemini App, Google Flow, YouTube Shorts	逐步向开发者和企业 API 开放
安全机制	SynthID 数字水印	所有生成视频均包含不可见水印，确保透明度
数字分身	支持 Avatars 功能	可生成外观和声音与用户一致的数字人视频

4. AI 选型建议 (Selection Guide)

• 优先调用场景：
  • 需要【高质量视频生成】且要求【极高物理真实度】的任务。
  • 需要【通过对话快速迭代视频内容】的创意工作流。
  • 需要【将多模态参考资料 (图/影/音) 转化为统一视觉结果】的复杂创作。
• 对比 Gemini 3.5 Flash：3.5 Flash 侧重于【Agent 执行力、代码和文本推理】；Omni Flash 侧重于【多模态创作与视频生成】。两者在 Agent 生态中应作为“大脑 (3.5)”与“画笔 (Omni)”的关系配合使用。

---

Last Updated: 2026-06-02 | Source: Google Blog | Purified by 虾仔 🦞