Gemini Omni演示显示AI视频在文字处理上取得进步

Google尚未正式宣布Gemini Omni，但一位Reddit用户在Gemini应用中发现了一个新的视频生成模型。该用户打开Gemini应用后收到弹窗，提示使用“Gemini Omni”进行创作，描述称其为一种新的视频生成模型，能够混合视频、直接在聊天中编辑以及使用模板。用户生成的视频在过去几天内引发了广泛关注，尤其是其中一段粉笔板书视频。

在这段视频中，一位教授在黑板前用粉笔书写完整的数学证明，同时进行讲解，文字清晰可读，动作自然，物理效果也基本令人信服。AI视频一直以来在文字处理上表现不佳，而这段演示表明Omni在这方面取得了显著进步。除了文字，音频、动作和真实性也达到了新的高度，让许多人感到不安，尤其是与以往的AI视频演示相比。

关于Omni的官方信息很少。Max Weinbach通过元数据发现，Omni似乎是Veo的扩展，而非完全从头构建。Veo是Google一直在开发的视频生成模型，而Omni的输出质量比Veo有了明显提升。Google I/O大会将于下周举行，届时Omni很可能正式发布，并公布更多细节。

尽管粉笔板书结果令人印象深刻，但意大利面测试则展示了另一面。原始提示（Will Smith吃意大利面）被Omni的安全限制阻止，用户改写了提示：两位男士在海滨餐厅，白色桌布，走近桌子，一边交谈一边吃意大利面。视频中意大利面凭空出现在空盘子上，进餐动作与咬合不匹配。其他Reddit用户用ByteDance的Seedance 2运行相同提示，得到了更一致的结果。因此，Omni并非在所有方面都领先，文字处理是真正的突破，但在复杂物理交互上仍存在粗糙之处。

另一个被忽视的问题是使用成本。这两段视频（粉笔板书和意大利面）消耗了该用户Google AI Pro计划每日配额的86%。视频生成在配额上非常昂贵，这将成为正式发布后将面临的严峻问题。

Google此前在OpenAI关闭Sora后表示视频领域将长期发展。Omni似乎证明了这一承诺。粉笔板结果显示了文字渲染问题的真正进展，尽管模型并非在所有提示下都能保持一致。下周我们将看到完整的图景。在此之前，这段粉笔板视频值得多看两遍。