Gemini 3.5 Omni 與 Omni Flash：多模態追蹤指南

一份關於 Google 實際發布了什麼、什麼仍是展示，以及開發者本週應該怎麼做的工作筆記。

我花了一個下午試圖弄清楚能否從程式碼呼叫 Gemini 3.5 Omni。結果是不行，至少現在還不行。Gemini 應用程式向我展示了 Omni Flash 從一張照片加一行提示詞生成影片的過程，效果很好——但我真正需要的，一個可以接入流水線的 API 端點，並不存在。這個落差就是整個故事的核心。本文記錄了截至 2026 年 6 月初 Omni 的真實狀況，以及對任何在生產環境中運行影片生成的人來說，什麼改變了（什麼沒有）。

如果你趕時間，簡短版本：Omni 是一個真實的影片生成模型，已向消費者上線，而開發者 API 存取仍處於「即將到來的幾週內」。現在不要基於它進行開發。以下是詳細說明。

Google 將什麼介紹為「Gemini Omni」

定位：用於影片、圖像和模擬生成的多模態世界模型

Google 自身的描述是，Gemini Omni 可以從任何輸入創建任何內容，從影片開始。關鍵詞在於開始。目前 Omni 公開只做一件事：接收文字、圖像、音訊和現有影片片段，然後輸出影片。

使其超越純文字轉影片的原因在於它能夠跨這些輸入進行推理，而不是將它們拼湊在一起。Omni 對所有這些輸入進行整體推理以產生一致的輸出。Google 也重點強調了物理特性——TechCrunch 對 I/O 發布的報導指出，輸出旨在反映對運動、重力和流體行為的理解。在展示中，這意味著更少的肢體扭曲和背景融化。等我親自跑過四十個片段，而不是九個，再相信這個一致性的說法。

Omni 與 Gemini 3.5 Flash / Pro 的差異（輸出模態）

這是大多數報導說不清楚的部分，我直說了。Omni 和 3.5 系列不是同一類模型。

模型	輸入	輸出	用途
Gemini Omni / Omni Flash	文字、圖像、音訊、影片	影片	生成和編輯影像
Gemini 3.5 Flash	文字、圖像、音訊、影片	文字、程式碼	代理任務、推理、UI 生成
Gemini 3.5 Pro	文字、圖像、音訊、影片	文字、程式碼	同上，上限更高（仍在推廣中）

3.5 Flash 是輸入多模態——它理解你的影片並給你一個答案。Omni 是輸出多模態——它理解你的輸入並返回一段影片。Google 的部落格說得很清楚：Gemini Omni 是我們的新模型，可以從任何輸入創建任何內容，從影片開始；而 3.5 是將前沿智能與代理工作行動相結合的系列。如果你一直將「Gemini 3.5 能做影片」視為一種能力，請把它拆成兩種。它們存在於你架構的不同部分。

Omni Flash 定位與完整 Omni 的比較

Omni Flash 是實際發布的變體。它是更快、更便宜的層級，報導指出其片段上限約為 10 秒——被描述為部署選擇而非硬性模型限制，這暗示後續會延長。一個更高保真度、支援更長片段的 Omni 層級位於其上方，但那個版本大多仍停留在展示片段中。所以當有人說「Omni 已上線」，他們指的是 Omni Flash，在消費者應用程式中。

I/O 2026 確認的內容

面向公眾的公告與開發者存取時間的差距

I/O 於 2026 年 5 月 19-20 日舉行。Google 確認了 Omni、3.5 系列，以及一堆代理功能。重要的分野是：消費者存取已上線，開發者存取還沒有。Gemini Omni Flash 正在向全球所有 Google AI Plus、Pro 和 Ultra 訂閱用戶透過 Gemini 應用程式和 Google Flow 推廣，YouTube Shorts 也有免費存取。然後是每個開發者都應該標記的那句話：在接下來的幾週內，我們也將透過 API 向開發者和企業客戶推廣。

「接下來的幾週內。」沒有日期。沒有模型 ID。沒有定價表。

Omni 在哪裡展示以及展示了什麼

展示的是對話式影片編輯——改變一個元素、改變整個場景、在多輪對話中保持角色一致。其中一個例子：輸入一段小提琴手的片段，然後發出「將小提琴手帶到新環境」和「讓小提琴消失」等編輯指令，每次都在上一次的基礎上繼續。這是一個以編輯為主的產品定位，與純文字轉影片相比是一個截然不同的賭注。Google 也確認了每個 Omni 輸出都帶有 SynthID 水印，如果你的下游使用有來源要求，這一點很重要。

展示與開發者可用性之間的落差

這裡是我停下來思考的地方。消費者推廣和 API 是兩個不同的產品，有兩個不同的可靠性故事。這不是悲觀主義，只是「我看到它在應用程式裡運作」和「我可以在凌晨三點批次作業觸發時依賴它」之間的差距。

這對多模態開發者意味著什麼

影片生成是與多模態理解不同的問題

如果你的產品已經呼叫 Gemini 3.5 來理解上傳的媒體，Omni 不會取代這個功能。它是一個額外的能力——生成——你會把它加上去，而不是直接替換。在架構圖中將它們視為同一項目，就是讓自己日後措手不及的方式。

Omni 在現有影片模型（如 Veo 等）中的位置

這是實際的問題。Google 已經透過有文件記載的 Gemini API 和 Vertex AI 路徑提供 Veo 3.1，所以今天 Veo 是你實際上可以整合的 Google 影片模型。Omni 在 API 層面目前還不是 Veo 的替代品——沒有遷移文件說每個 Veo 路由都換成 Omni，Veo 頁面仍然有效。不過，在意圖上的差異是真實的：Veo 圍繞文字轉影片構建，而 Omni 的核心是多輸入推理和對話式編輯。對開發者而言，這意味著 Omni 的定位是將一條鏈條——轉錄、圖像理解、生成——整合成一次呼叫。這是否值得重新構建，完全取決於它是否真的推出了 API。

如果 Omni 實現開發者存取，什麼會改變

如果——當——API 到來時，吸引力不在於節省原始成本。而在於減少介面。一個接受混合媒體並返回編輯後影片的模型，意味著更少的 SDK 需要維護、更少的錯誤分類需要處理、更少的 SLA 需要追蹤。這才是我真正在意的那種摩擦力降低。但「如果它上線」在那句話中承擔了很多份量。

目前尚未確認的內容

我特別標記這些，因為把它們當作已定論來寫，就是讓團隊踩坑的方式。

API 可用性和時間 — 需要核實。「接下來的幾週內」是唯一的官方信號。截至 2026 年 6 月初，Google 的開發者文件中沒有端點、沒有模型 ID。
影片工作負載的定價 — 未知。消費者存取已捆綁入Google AI 訂閱層級（Plus、Pro、Ultra），但按次計費的 API 定價尚未公布。影片幀數會快速推高 token 計數，不要假設與文字模型相同的經濟邏輯。
輸出規格 — Omni Flash 片段上限似乎接近 10 秒；API 層級的完整解析度、最大長度和精確控制輸入尚未有文件記載。
商業使用權 — 對開發者使用尚未說明。SynthID 水印已確認；透過 API 生成輸出的授權條款尚未確認。

如果某個廠商或部落格告訴你 Omni API「已對所有人開放」，他們的說法超出了現有證據。我查過了。

今天如何圍繞 Omni 做規劃

不要在展示的基礎上遷移生產工作負載

顯而易見，但值得說出來，因為展示確實令人印象深刻，而這正是團隊犯錯的時候。展示是在受控條件下的最佳情況。生產是在兩倍流量下的最差情況。在有具備文件記載的延遲和限制的端點出現之前，Omni 留在你的「觀察中」欄，而不是「依賴」欄。

跨多個影片生成模型測試備用路徑

我對同一個生成任務跑多個模型，正是為了不讓這樣的發布讓我陷入困境。如果 Omni 的 API 下個月上線，很好——我希望能夠把它插進來，與我已經在用的東西對比，而不是重建我的流水線後才發現它對我的特定場景更差。從每次模型發布中得到的教訓：在別人的展示中「非常好」毫無意義，直到它在你的工作流程以你的頻率下表現良好。

以模型聚合作為對抗廠商特定推廣的對沖

這是與我工作方式相關的部分。當一個模型先向消費者發布，開發者「在接下來的幾週內」才能存取時，那些不手忙腳亂的開發者，是那些從未將自己綁定在單一提供商發布行程上的人。透過像 WaveSpeedAI 這樣的統一多模型存取層運行影片生成，意味著新模型是你在準備好時進行測試和採用的東西，而不是被迫進行的遷移。我不是說這對所有人都適用——如果你只使用一個模型，這個抽象層就是額外開銷。但以我的切換頻率，對多個模型的一個存取層，勝過為每個廠商維護一個整合。價值不在於「更多模型」，而在於不必在每次格局改變時重新構建。而這個月，格局改變了。

常見問題

Gemini Omni 今天可以透過 API 存取嗎？ 不行。截至 2026 年 6 月初，Omni Flash 在 Gemini 應用程式、Google Flow 和 YouTube Shorts 中對 AI Plus/Pro/Ultra 訂閱用戶開放。Google 表示開發者和企業 API 存取「在接下來的幾週內」，但目前沒有已公布的模型 ID、端點或定價。

Gemini Omni 和 Gemini 3.5 Pro 有什麼區別？ 輸出模態。Omni 生成影片（輸出多模態）。Gemini 3.5 Pro 理解文字、圖像、音訊和影片，但輸出文字和程式碼（輸入多模態）。不同的工作，你架構的不同部分。

Gemini Omni 能生成影片嗎？ 是的——這是它的核心功能。它接受文字、圖像、音訊和影片片段作為輸入並生成影片，支援多輪對話式編輯。所有輸出都帶有 SynthID 水印。

開發者何時可以期待存取 Omni？ 未確認。Google 唯一的公開措辭是「在接下來的幾週內」。在 Google 發布 API 文件之前，將你在其他地方看到的任何具體日期視為推測。

Omni 與 Veo 等其他影片生成模型相比如何？ Veo 3.1 是你今天可以透過 Gemini API 和 Vertex AI 實際呼叫的模型。Omni 的特點是多輸入推理和以編輯為主的設計，而非純文字轉影片。但在 Omni 的 API 上線之前，Veo 仍然是生產影片生成的實際 Google 基準。

結論

對我來說，結論是這樣的：Omni 是真實的，編輯式方法是一個不同且有趣的賭注，Gemini 3.5 Omni 值得密切關注。但本週不值得基於它進行開發。消費者已上線、開發者待定、規格未知——這是一個觀察項目，而非依賴項。

所以，行動方案是無聊但正確的：保持你的影片生成靈活性，在應用程式中測試 Omni 以形成自己的判斷，在有你可以真正指向的端點之前，不要重新整理你的生產流水線。當 API 出現時，我會把它與我現在使用的東西對比，報告哪個經得住考驗。

待核實。文件上線後會有更多更新。

往期文章：