Gemini Omni Video：Google 多模态视频模型正式登陆 MakeClipAI

几周前，我写过一篇关于如何根据视频阶段选择模型的文章。当时提到的模型——Kling、Seedance、Veo 3、Hailuo——工作方式都差不多：给个提示词，或许再传一张参考图，就能生成一个片段。

这个局面正在被打破。

Google 的 Gemini Omni Video 刚刚通过 kie.ai 市场登陆 MakeClipAI。这是平台上第一个真正实现多模态融合的模型。你不再是单纯的"文字转视频"。你可以同时传入图片、视频片段、角色 ID 和音频——所有这些在同一请求中——模型将它们融合成一个连贯的输出。

我用了几天时间测试。以下是它对我撰写 AI 视频提示词方式的真正改变。

"Omni" 到底有什么不同

大多数 AI 视频模型把你的提示词当作一段描述。你写"一座未来主义风格的霓虹夜景城市"，模型就据此生成一个全新的画面。

Gemini Omni 的工作方式完全不同。它被训练成同时融合多种输入：

• 文字提示词：核心描述，和其他模型一样
• 图片 URL（最多 7 张）：用于角色外观、场景风格或分镜参考
• 视频片段（最多 1 个，≤30 秒）：用于混剪、延展或风格迁移的源视频
• 角色 ID（最多 3 个）：来自 gemini-omni-character API 的角色参考——保持角色跨生成的一致性
• 音频 ID（最多 3 个）：来自 gemini-omni-audio 的旁白、对话或音效设计

关键区别在于：它可以同时组合所有这些输入。一张角色参考图 + 一段动态背景视频 + 一段旁白音频 + 一段整体氛围的文字描述。这在之前的模型中是做不到的。

配额系统值得理解

由于模型同时处理多种输入，API 使用了一个简单的配额系统。可以理解为你有 7 个插槽：

• 每张图片占用 1 个插槽
• 每个视频占用 2 个插槽
• 每个角色 ID占用 1 个插槽

公式：(图片数 × 1) + (视频数 × 2) + (角色 ID 数 × 1) ≤ 7

实际场景：

• 7 张图片，不带其他输入
• 1 个视频 + 3 个角色 ID + 2 张图片
• 5 张图片 + 2 个角色 ID
• 或者任意组合不超过 7 即可

这其实相当宽裕。大多数情况下你只需要 1-2 张图片。

它的亮点在哪里

角色一致性是最大的优势。如果你用过其他 AI 视频模型，你应该很清楚那种痛苦——让"同一个"角色在多段镜头中保持外观统一。有了 Gemini Omni，你可以通过角色 API 传入角色参考，它会在多次生成中尊重这个参考。这对叙事类创作来说是一个巨大的进步——多场景故事讲述中，主角需要让观众认出是同一个人。

视频风格迁移同样出色。喂给它一段 10 秒的源视频（特定灯光、运镜、调色风格），它可以生成匹配该风格的新内容。源视频不需要多高的制作水准——即使是粗糙的手机拍摄也能作为有效参考。

音频引导生成虽然还在早期阶段，但很有前景。你可以通过 gemini-omni-audio 端点生成对话或旁白，然后传入音频 ID。生成的视频输出能比较准确地与音频同步，这在后期制作中能省去大量的口型同步或配音对齐工作。

哪些场景不适合

说实话，我们也需要看到它的局限性。

如果你只是做简单的文字转视频——"一只弹钢琴的猫"——Gemini Omni 就是杀鸡用牛刀。你为用不到的的多模态处理付了额外的钱。Seedance 1.5 或 Kling 2.6 能更快更便宜地处理简单提示词。

同样，快速广告测试场景也不适合。如果你想在一个下午快速迭代 20 个钩子文案，配额系统反而增加了摩擦。比较好的做法是先用 Seedance 或 Kling 快速迭代，等到了最终精修版本再用 Gemini Omni。

时长也有限制。最大输出是 10 秒。对于更长的场景，你仍然需要用 Director 模式搭配 Seedance 1.5 或多场景 Kling 3.0。

这对 MakeClipAI 用户意味着什么

Gemini Omni Video 现在可以在模型选择器中直接使用。它和 Veo 3、Kling 3.0、Seedance、Hailuo 并列——一样的"一键生成"工作流程。

价格和高级模型相当：

我的建议：当你需要多模态输入（角色参考 + 音频 + 视频）时使用它。对于标准的文字转视频，继续用 Seedance 或 Kling。把 Gemini Omni 当作你的"合成"模型——当你觉得一个简单提示词加一张参考图不够用的时候，再拿起它。

相关阅读

• 别用贵的模型。还没到时候。
• 跑了两百多次 AI 视频后，我学到的事
• 怎么选 AI 视频模型和管理积分