Gemini Omni演示顯示AI視頻在文字處理上取得進步

Google尚未正式宣佈Gemini Omni，但一位Reddit用户在Gemini應用中發現了一個新的視頻生成模型。該用户打開Gemini應用後收到彈窗，提示使用“Gemini Omni”進行創作，描述稱其為一種新的視頻生成模型，能夠混合視頻、直接在聊天中編輯以及使用模板。用户生成的視頻在過去幾天內引發了廣泛關注，尤其是其中一段粉筆板書視頻。

在這段視頻中，一位教授在黑板前用粉筆書寫完整的數學證明，同時進行講解，文字清晰可讀，動作自然，物理效果也基本令人信服。AI視頻一直以來在文字處理上表現不佳，而這段演示表明Omni在這方面取得了顯著進步。除了文字，音頻、動作和真實性也達到了新的高度，讓許多人感到不安，尤其是與以往的AI視頻演示相比。

關於Omni的官方信息很少。Max Weinbach通過元數據發現，Omni似乎是Veo的擴展，而非完全從頭構建。Veo是Google一直在開發的視頻生成模型，而Omni的輸出質量比Veo有了明顯提升。Google I/O大會將於下週舉行，屆時Omni很可能正式發佈，並公佈更多細節。

儘管粉筆板書結果令人印象深刻，但意大利麪測試則展示了另一面。原始提示（Will Smith吃意大利麪）被Omni的安全限制阻止，用户改寫了提示：兩位男士在海濱餐廳，白色桌布，走近桌子，一邊交談一邊吃意大利麪。視頻中意大利麪憑空出現在空盤子上，進餐動作與咬合不匹配。其他Reddit用户用ByteDance的Seedance 2運行相同提示，得到了更一致的結果。因此，Omni並非在所有方面都領先，文字處理是真正的突破，但在複雜物理交互上仍存在粗糙之處。

另一個被忽視的問題是使用成本。這兩段視頻（粉筆板書和意大利麪）消耗了該用户Google AI Pro計劃每日配額的86%。視頻生成在配額上非常昂貴，這將成為正式發佈後將面臨的嚴峻問題。

Google此前在OpenAI關閉Sora後表示視頻領域將長期發展。Omni似乎證明了這一承諾。粉筆板結果顯示了文字渲染問題的真正進展，儘管模型並非在所有提示下都能保持一致。下週我們將看到完整的圖景。在此之前，這段粉筆板視頻值得多看兩遍。