我寫下這些文字的時間是 2026 年 5 月 12 日——距離 Google I/O 大會恰好還有 7 天。如果這篇文章裡的預測在 5 月 20 日那天就過時了，那也沒關係，我寧願留下記錄。如果它們經受住了時間的考驗，那就更好了。
我在這裡想做的是，梳理一下目前關於「Gemini Omni」真正已知的資訊，將可靠訊號與猜測區分開，並解釋在釋出會到來之際，我對 /tools/text-to-video 以及 GeminiOmni 整個技術棧所下的賭注。
應用中的文本字串
最具體的證據出現在 5 月 5 日，當時 9to5Google 的 APK 拆解 在 Gemini Android 應用中發現了一個新的資源字串：
使用 Gemini Omni 創作：認識我們的新影片模型，混剪您的影片，直接在聊天中編輯，嘗試模板等等。
初次閱讀時，有幾件事引起了我的注意：
- 「我們的新影片模型」——單數。不是「影片模型」，也不是「影片和音訊」。Google 的表述將其定位為下一代影片產品，即使（正如我下面要討論的）該模型本身可能比這個字串所暗示的更為通用。
- 「混剪您的影片，直接在聊天中編輯」——這是 Nano Banana 2 在處理圖片時已經實現的聊天原生編輯動作。Google 正在將對話式編輯體驗擴充套件到影片領域。
- 「嘗試模板」——Google 在 Gemini 應用內部推出了一套模板介面。這暗示了分發層面的考量，而非模型本身。獨立開發者們應該意識到，你們的影片工具現在正在與 Gemini 消費者應用裡的一鍵模板展開競爭。
Testing Catalog 進行了後續報道，展示了該應用除錯版本中的示例輸出。其美學風格更接近 Veo 3.1，與我見過的任何 Imagen 輸出都不同，而且這些模板似乎包含了一些影像到影片的流程。
為什麼我認為「Omni」比洩露資訊暗示的更宏大
「Omni」這個名字本身分量很重。Google 不會輕易將一個模型稱為「Omni」。這個命名選擇告訴了我三件事：
一個模型，而非三個。 Google 一直以來的模式——Nano Banana 用於上下文影像編輯，Veo 用於影片，Gemini Flash 用於其他所有場景——是在一個聊天介面背後執行三個專門的模型。「Omni」在我看來，意味著這些模型的統一。圖片和音訊一次處理。影片和影像一次處理。或許文本生成也能與媒體生成在單次前向呼叫中協同工作。
影片定位是消費者端的宣傳點。 營銷團隊會將最易懂的功能放在公告字串中。「新影片模型」在主題演講中解釋起來比「統一的多模態生成模型，支援原生音訊和聊天原生編輯」要容易得多。但面向開發者的功能面可能比演講暗示的更廣泛。
Omni 參考幀是真正的功能。 如果你用過帶有參考幀的 Veo 3.1，就會知道「在整個片段中鎖定這個主體」這個互動有多強大。洩露資訊中沒有提及、但從「混剪您的影片」中可以推斷出的關鍵詞，幾乎可以肯定是多參考幀 Omni 模式：給它一個主體、一張風格圖片和一段指令碼，讓一個模型產出連貫的片段。
Veo 3.1 已經能做什麼
為了校準預期：任何 Veo 3.1 Fast 已經能做到的事情，都是 Omni 釋出時的基準線。如今，在每秒 0.15 美元的 Veo 3.1 Fast 上，你可以獲得：
- 8 秒 1080p 影片，帶有原生同步的空間音訊
- 基於參考幀的角色一致性鎖定（1–4 個輸入幀）
- 適用於布料、水流、頭髮和折射的物理感知運動
- 文本到影片、影像到影片以及短影片到短影片的混剪
- 對之前生成的片段進行聊天式編輯（例如「在 0:03 處放慢速度」）
對於這個價格來說，這已經是令人難以置信的強大功能了。任何 Omni 釋出的功能都將以這個基準來衡量。如果 Omni 沒有包含這些功能中每一個可用的版本，獨立開發者們會悄悄地繼續使用 Veo 3.1。
我願意為之負責的三個預測
我之前對 Google I/O 釋出的預測也有過錯誤，所以請對這些預測持保留態度。
預測 1：Omni 的主要功能是單提示詞內的多模態生成。 你將能夠輸入一個 Gemini 提示詞，然後得到一個包含影片、影像靜幀、解說音訊以及可能的文字記錄的結構化物件——所有這些都是聯合生成的，因此它們內部保持一致。這明顯是從「一次處理影片和音訊」到「一次處理所有內容」的下一步。
預測 2：定價會低於各部分價格之和。 如今，生成一個 30 秒帶解說的講解影片至少需要三次 API 呼叫：Veo 用於影片，TTS 用於解說，Imagen 用於縮圖。如果 Omni 將這些捆綁在一起，Google 的定價可能會是各部分總和的 70% 左右。這正是將獨立開發者從多次呼叫工作流中拉過來的楔子。
預測 3：第一天不會有可用的 API。 Google 有在 I/O 大會上宣佈模型、幾周後才開放 API 訪問的歷史。我預計會是一個受控訪問的釋出：消費者版 Gemini 應用會立即獲得 Omni，AI Studio 在一週內獲得，而面向開發者的公開 API 則在 I/O 大會後 2-4 周獲得。獨立開發者應該為這個時間差做好準備。
基於 Omni 將如期釋出的假設，我正在推出的內容
根據以上分析，我在 GeminiOmni 程式碼庫中下了三個具體的賭注：
首頁上放置「Coming May 20」佔位符。 geminiomni-ai.com 的首頁英雄區明確提到了 Omni 模式。我寧願提前佔據這個關鍵詞，即使釋出延遲讓我看起來有點傻，也好過在釋出會當天太平洋時間凌晨 3 點手忙腳亂地更新文案。
服務端提示詞路由。 四個工具——文本到影片、影像到影片、Nano Banana 編輯、PDF 聊天——都通過一個帶有模型引數的單一內部端點進行路由。當 Omni 的開發者 API 開放時，我只需更改一個配置值，同一個面向使用者的工具就會開始使用新模型。無需修改客戶端。
暫時不構建獨立的「Omni」介面。 在見到實際的 API 並決定合適的使用者體驗包裝之前，我不會構建第五個名為「Omni」的工具磁貼。如果 Omni 的標誌性功能是「一個提示詞，四種媒體型別」，那麼合適的 UI 可能是一個單一的聊天框，而不是四個獨立的工具——這是一個比我在釋出前就想做出承諾的產品決策。
我在主題演講中關注的重點
如果你計劃在 5 月 19–20 日觀看 I/O 大會直播，那麼以下三件事將最大程度地影響獨立開發者接下來應該釋出什麼：
- 定價。 Omni 影片輸出的每秒價格。如果它等於或低於 Veo 3.1 Fast，那麼這筆賬就算得過來。如果高出 3–5 倍，那麼 Omni 就只是一個消費者功能，而不是面向開發者的平臺。
- API 預計上線時間。 Sundar Pichai 或 Demis Hassabis 說的是「今天在 Gemini API 中可用」還是「未來幾周內向開發者推出」。這兩個時間表天差地別。
- AI Studio 免費版的速率限制。 Google 在此設定的任何限制都將成為獨立工具在其自身免費計劃中能提供的上限。
我會在 5 月 21 日再次撰文，記錄實際發生的情況。在那之前，如果這些預測有誤，我很樂意被糾正。
繼續閱讀
— Lena
