我写下这些文字的时间是 2026 年 5 月 12 日——距离 Google I/O 大会恰好还有 7 天。如果这篇文章里的预测在 5 月 20 日那天就过时了，那也没关系，我宁愿留下记录。如果它们经受住了时间的考验，那就更好了。
我在这里想做的是，梳理一下目前关于「Gemini Omni」真正已知的信息，将可靠信号与猜测区分开，并解释在发布会到来之际，我对 /tools/text-to-video 以及 GeminiOmni 整个技术栈所下的赌注。
应用中的文本字符串
最具体的证据出现在 5 月 5 日，当时 9to5Google 的 APK 拆解 在 Gemini Android 应用中发现了一个新的资源字符串：
使用 Gemini Omni 创作：认识我们的新视频模型，混剪您的视频，直接在聊天中编辑，尝试模板等等。
初次阅读时，有几件事引起了我的注意：
- 「我们的新视频模型」——单数。不是「视频模型」，也不是「视频和音频」。Google 的表述将其定位为下一代视频产品，即使（正如我下面要讨论的）该模型本身可能比这个字符串所暗示的更为通用。
- 「混剪您的视频，直接在聊天中编辑」——这是 Nano Banana 2 在处理图片时已经实现的聊天原生编辑动作。Google 正在将对话式编辑体验扩展到视频领域。
- 「尝试模板」——Google 在 Gemini 应用内部推出了一套模板界面。这暗示了分发层面的考量，而非模型本身。独立开发者们应该意识到，你们的视频工具现在正在与 Gemini 消费者应用里的一键模板展开竞争。
Testing Catalog 进行了后续报道，展示了该应用调试版本中的示例输出。其美学风格更接近 Veo 3.1，与我见过的任何 Imagen 输出都不同，而且这些模板似乎包含了一些图像到视频的流程。
为什么我认为「Omni」比泄露信息暗示的更宏大
「Omni」这个名字本身分量很重。Google 不会轻易将一个模型称为「Omni」。这个命名选择告诉了我三件事：
一个模型，而非三个。 Google 一直以来的模式——Nano Banana 用于上下文图像编辑，Veo 用于视频，Gemini Flash 用于其他所有场景——是在一个聊天界面背后运行三个专门的模型。「Omni」在我看来，意味着这些模型的统一。图片和音频一次处理。视频和图像一次处理。或许文本生成也能与媒体生成在单次前向调用中协同工作。
视频定位是消费者端的宣传点。 营销团队会将最易懂的功能放在公告字符串中。「新视频模型」在主题演讲中解释起来比「统一的多模态生成模型，支持原生音频和聊天原生编辑」要容易得多。但面向开发者的功能面可能比演讲暗示的更广泛。
Omni 参考帧是真正的功能。 如果你用过带有参考帧的 Veo 3.1，就会知道「在整个片段中锁定这个主体」这个交互有多强大。泄露信息中没有提及、但从「混剪您的视频」中可以推断出的关键词，几乎可以肯定是多参考帧 Omni 模式：给它一个主体、一张风格图片和一段脚本，让一个模型产出连贯的片段。
Veo 3.1 已经能做什么
为了校准预期：任何 Veo 3.1 Fast 已经能做到的事情，都是 Omni 发布时的基准线。如今，在每秒 0.15 美元的 Veo 3.1 Fast 上，你可以获得：
- 8 秒 1080p 视频，带有原生同步的空间音频
- 基于参考帧的角色一致性锁定（1–4 个输入帧）
- 适用于布料、水流、头发和折射的物理感知运动
- 文本到视频、图像到视频以及短视频到短视频的混剪
- 对之前生成的片段进行聊天式编辑（例如「在 0:03 处放慢速度」）
对于这个价格来说，这已经是令人难以置信的强大功能了。任何 Omni 发布的功能都将以这个基准来衡量。如果 Omni 没有包含这些功能中每一个可用的版本，独立开发者们会悄悄地继续使用 Veo 3.1。
我愿意为之负责的三个预测
我之前对 Google I/O 发布的预测也有过错误，所以请对这些预测持保留态度。
预测 1：Omni 的主要功能是单提示词内的多模态生成。 你将能够输入一个 Gemini 提示词，然后得到一个包含视频、图像静帧、解说音频以及可能的文字记录的结构化对象——所有这些都是联合生成的，因此它们内部保持一致。这明显是从「一次处理视频和音频」到「一次处理所有内容」的下一步。
预测 2：定价会低于各部分价格之和。 如今，生成一个 30 秒带解说的讲解视频至少需要三次 API 调用：Veo 用于视频，TTS 用于解说，Imagen 用于缩略图。如果 Omni 将这些捆绑在一起，Google 的定价可能会是各部分总和的 70% 左右。这正是将独立开发者从多次调用工作流中拉过来的楔子。
预测 3：第一天不会有可用的 API。 Google 有在 I/O 大会上宣布模型、几周后才开放 API 访问的历史。我预计会是一个受控访问的发布：消费者版 Gemini 应用会立即获得 Omni，AI Studio 在一周内获得，而面向开发者的公开 API 则在 I/O 大会后 2-4 周获得。独立开发者应该为这个时间差做好准备。
基于 Omni 将如期发布的假设，我正在推出的内容
根据以上分析，我在 GeminiOmni 代码库中下了三个具体的赌注：
首页上放置「Coming May 20」占位符。 geminiomni-ai.com 的首页英雄区明确提到了 Omni 模式。我宁愿提前占据这个关键词，即使发布延迟让我看起来有点傻，也好过在发布会当天太平洋时间凌晨 3 点手忙脚乱地更新文案。
服务端提示词路由。 四个工具——文本到视频、图像到视频、Nano Banana 编辑、PDF 聊天——都通过一个带有模型参数的单一内部端点进行路由。当 Omni 的开发者 API 开放时，我只需更改一个配置值，同一个面向用户的工具就会开始使用新模型。无需修改客户端。
暂时不构建独立的「Omni」界面。 在见到实际的 API 并决定合适的用户体验包装之前，我不会构建第五个名为「Omni」的工具磁贴。如果 Omni 的标志性功能是「一个提示词，四种媒体类型」，那么合适的 UI 可能是一个单一的聊天框，而不是四个独立的工具——这是一个比我在发布前就想做出承诺的产品决策。
我在主题演讲中关注的重点
如果你计划在 5 月 19–20 日观看 I/O 大会直播，那么以下三件事将最大程度地影响独立开发者接下来应该发布什么：
- 定价。 Omni 视频输出的每秒价格。如果它等于或低于 Veo 3.1 Fast，那么这笔账就算得过来。如果高出 3–5 倍，那么 Omni 就只是一个消费者功能，而不是面向开发者的平台。
- API 预计上线时间。 Sundar Pichai 或 Demis Hassabis 说的是「今天在 Gemini API 中可用」还是「未来几周内向开发者推出」。这两个时间表天差地别。
- AI Studio 免费版的速率限制。 Google 在此设定的任何限制都将成为独立工具在其自身免费计划中能提供的上限。
我会在 5 月 21 日再次撰文，记录实际发生的情况。在那之前，如果这些预测有误，我很乐意被纠正。
继续阅读
— Lena
