Google 在 2026 年 I/O 大會上推出了 Gemini Omni —— 這是一款多模態模型，它能透過簡單的英語對話，而非時間軸或關鍵影格來編輯影片。網路上瘋傳的演示（氣泡雕塑、液體鏡面、小提琴手）證實了一個真正的轉變：這不僅僅是「文字生成影片」，而是「文字編輯你現有的影片」。這是影片創作領域的「iPhone 相機時刻」。值得注意的是，語音、音訊編輯以及 Pro 等級功能均暫未開放，這顯然是刻意為之。
現在是凌晨 1 點。你已經為一段 30 秒的剪輯奮戰了四個小時。你的專案檔裡有 47 個圖層。你拖曳關鍵影格拖到手腕發疼。客戶這時傳來訊息：「可以把光影調得更溫暖一點嗎？」而身為專業人士的你，正準備從頭來過。
以前這就是工作內容。那段日子已經過去了。
2026 年 5 月 19 日，Google 低調地結束了那個時代。
在 2026 年 I/O 大會上，Google 宣布推出 Gemini Omni —— 這是一款多模態模型，將影片編輯變成了我們大多數人以為還需要十年才能實現的樣子：一場正常的對話。
核心承諾：停止操作影片，開始與它對話
用一句話總結其賣點：你不再需要「操作」影片 —— 你只需要告訴它你想要什麼。
Google 的公告直截了當地指出：「每一條指令都建立在上一條的基礎上。你的角色保持一致，物理規律精確，場景會記得之前發生過的事。」
這並非 Veo 的一次更新。Google DeepMind 的產品頁面給出了更簡潔的定位：「將 Gemini Omni 想像成影片版的 Nano Banana。」去年，Nano Banana 讓照片編輯變得像輸入需求一樣簡單，現在 Omni 將同樣的能力應用到了動態影像上。
該系列的首款模型 —— Gemini Omni Flash —— 已經在 Gemini 應用程式、Google Flow 和 YouTube Shorts 中上線。
這句話將重塑你對整個領域的認知：在 TechCrunch 對 DeepMind 團隊的採訪中，研究工程師 Gabe Barth-Maron 將人們使用 Omni 創作的內容形容為「個人化迷因 (personalized memes)」。
這就是核心論點。影片創作已從工藝轉向表達 —— 正如當年 iPhone 取代單眼相機時，攝影領域所經歷的轉變。
震撼推特的演示
行銷文案看再多也比不上演示帶來的衝擊。以下三個案例目前在網路上廣為流傳：
- 氣泡雕塑： 輸入一段石雕的片段，輸入指令「把這個雕塑變成氣泡做的」，下一次渲染時，它會保留相同的構圖、光影和陰影 —— 但雕塑變成了半透明的肥皂材質，並捕捉到了環境光。
- 液體鏡面： 一隻手觸碰鏡子；指令要求 Omni「讓鏡面像液體一樣美妙地泛起漣漪，並將人的手臂變成反光鏡面材質」。正如 Windows Report 所記錄的，漣漪會向外物理性擴散，且手臂上的鉻材質會反射真實的房間環境。
- 連續編輯： Google 的小提琴手演示展示了同一個主題在三輪編輯後的變化：舞台 → 運輸場景 → 肩後攝影機視角。三次編輯，同一個人。臉部、姿勢、握琴手法 —— 全部保持一致。
這不是「文字生成影片」，這是「文字編輯你現有的影片」。區別看似細微，卻改變了一切。
為什麼創作者們為之瘋狂
這項技術之所以比其他模型發布更具震撼力，原因很簡單：Omni 消除了生成式影片中最糟糕的循環。
舊循環： 生成 → 不滿意 → 重寫整個提示詞 → 等待 90 秒 → 效果依然不佳 → 重複。
新循環： 生成 → 「把光影改成黃金時刻」 → 完成 → 「現在放慢攝影機的推進速度」 → 完成。
Android Central 的評價毫不留情：「Gemini Omni 可能會讓傳統影片編輯軟體顯得過時。」TechRadar 也持相同觀點但更細緻，指出動作現在能在編輯中保持連貫，而不會在每次輸入提示詞後重置。
開發者們已經行動起來。在開發者論壇 V2EX 上，一位中國開發者在發布當天進行了測試並寫道：「基於對話來修改影片內的物體 —— 這種交互方式顯然是未來方向。速度和一致性超出了我的預期。」在 X 上，免疫學家兼 AI 評論員 Dr. Derya Unutmaz 在主題演講後幾分鐘內發推表示：「哇！Google DeepMind 剛剛發布了一款名為 Gemini Omni 的驚人 AI 多模態模型。影片看起來太棒了！必須趕快試試！」
當 AI 領域的 Twitter 菁英與中國開發者社群在數小時內得出同樣的結論時，你正見證一個真正的轉折點。
Google 低調保留的部分
若不提及風險，這封情書就不完整。
Engadget 指出了其中的隱憂：「Veo 3.1 和其他影片生成應用程式的主要問題在於影片常有『恐怖谷』效應，且常被終端使用者詬病。輸出品質是否能符合 Google 誇大的宣傳還有待觀察。」
而 DataCamp 的實測已經發現了一個真正的物理錯誤 —— 一個投石器將砲彈向後發射。評論者還指出，該模型尚未發布基準測試分數，因此第三方獨立驗證還需要數週時間。
此外，還有一個刻意的缺失：現有影片中的語音和音訊編輯。正如 Google 自己承認的那樣，公司「仍在測試此功能，以更了解如何負責任地將其提供給使用者。」翻譯過來就是：深偽 (deepfake) 風險是真實存在的，他們將最危險的功能暫時隱藏了起來。
每個 Omni 輸出的片段都附帶 Google 的隱形 SynthID 水印以及 C2PA 內容憑證 —— 來源可在 Gemini 應用程式、Chrome 和搜尋中驗證。這不是可選項，這是現在的基本規則。
這對你的工作流程意味著什麼
剝去炒作的外衣，你將得到一些真正創新的東西：
- 工具即對話： 沒有時間軸，沒有圖層，沒有關鍵影格。只有文字。
- 回饋循環被壓縮： 過去需要 90 秒的重新生成，現在變成 10 秒的微調。
- 專業護城河縮小： 當任何有品味的人都能像傳送 Slack 訊息一樣快速迭代影片時，瓶頸將從執行能力轉移到創意發想。
對於行銷團隊、獨立創作者、教育工作者，以及任何需要「快速剪輯 10 秒片段」的人來說 —— 這就是轉折點。並非因為模型已經完美，而是因為交互模式終於對了。
未來的影片編輯不再需要軟體。它只需要詞彙。
最後一點 —— 給那些正在開發相關應用的人
每次像這樣的模型發布背後，都有一個尷尬的現實：到下個季度，還會有三個自稱「全球最強影片模型」的公告出現。每一個都會有不同的 SDK、不同的驗證流程、不同的速率限制機制，以及不同的定價模型。你的團隊將會花上一週時間來適應每一個新模型，然後再花一週時間來淘汰上一個。
這正是 Atlas Cloud 要解決的問題。
我們為開發者提供一個存取 300 多個模型的統一端點 —— 包括所有主流基礎模型、領先的開源版本，以及在影像、影片和推理領域的快速發展專家模型。只需一行程式碼即可切換模型。無需重新整合 SDK 即可進行並行基準測試。今天熱門的模型，明天想換成其他模型，通通無須重寫任何程式碼。
因為目前 AI 領域唯一確定的事，就是排行榜每週都在變。請為此做好準備。
