谷歌（Google）昨日發表全新多模態人工智慧模型Gemini Omni，該工具整合了其Gemini AI模型與多款媒體生成工具，目標是提供能「模擬世界」的下一代AI影片生成能力，並被視為朝人工通用智慧（AGI）邁進的重要一步。
谷歌（Google）於昨日（週二）揭曉旗下最新多模態人工智慧模型Gemini Omni，該工具整合了其Gemini AI模型與多款媒體生成工具，包括Veo、Nano Banana和Genie，目標是提供能「模擬世界」的下一代AI影片生成能力，被視為朝人工通用智慧（AGI）邁進的重要一步。
Gemini Omni的首次發布版本Gemini Omni Flash，將透過谷歌的AI電影製作平台Flow提供。此平台亦將包含AI輔助音樂創作工具Flow Music。DeepMind執行長德米斯·哈薩比斯（Demis Hassabis）形容Gemini Omni是「一個能從任何輸入創造任何內容的新模型」，它結合了Gemini的智慧與谷歌在生成式媒體模型方面的優勢，實現了對世界的更高層次理解、多模態能力及編輯功能。哈薩比斯強調，這一直以來都是Gemini的目標，也是其從一開始就設計為多模態的原因。
谷歌展示了Gemini Omni的多項應用。例如，使用者可以透過會話工具修改自拍影片，輕易地添加或替換影片中的元素，甚至改變周遭環境。此外，Gemini Omni還能生成黏土動畫風格的蛋白質摺疊教育影片。這款模型在影片編輯時，能有效保持角色、背景和動作的一致性，克服了許多現有AI影片模型面臨的挑戰。
Gemini Omni利用Gemini強大的推理能力來理解更廣泛的指令，讓使用者無需詳細描述場景即可實現創意。在Flow平台中，AI助理Flow Agent能夠協助使用者構思場景、組織素材、建議情節修改，並進行批量編輯專案。同時，Flow Tools則讓使用者無需編寫程式碼，即可透過自然語言提示創建客製化的編輯工作流程。
此前，谷歌的AI影像編輯模型Nano Banana曾助推Gemini應用程式的下載量和搜尋熱度，一度超越ChatGPT。而其後繼版本Nano Banana 2在動漫插畫和空間構圖方面表現優異，相較之下，OpenAI的GPT Image 2則在寫實照片和文字渲染上更勝一籌。谷歌表示，未來將逐步擴大Gemini Omni的應用範圍，視其為Gemini多模態設計的長期願景。