给 AI 一句话或一张图，它不只要生成镜头，还得听懂描述、守住人物和构图。Google 的 Gemini Omni Flash 在第三方评测 Artificial Analysis Video Arena 首次亮相，便同时登上文生视频和图生视频榜首，两项都小幅领先 ByteDance 的 Seedance 2.0。前者只靠文字生成镜头，后者则要延续参考图片的内容与风格。
据 Artificial Analysis 介绍，这款模型可接收文字、图片和视频，生成带原生音频——画面与对白、环境声或配乐同时产生——的短片，并支持用对话修改局部、尽量保留其余场景。目前输出规格为 3 至 10 秒、720p、24 FPS，横竖屏均可；价格为每秒 0.10 美元，即每分钟 6 美元。它已进入 public preview，并在 Gemini API、Google AI Studio 等渠道开放。需要注意，Arena 通过匿名两两比较估算人类偏好排名，不是单一画质测试；名次仍可能随样本量、提示内容和评审群体变化。