从曝光的Demo来看，Gemini Omni在视频生成中实现数学公式的准确推导，这确实解决了Sora等模型长期存在的文本一致性问题。但更值得关注的是其全模态输入输出架构——这不是简单的文生视频，而是将文本、图像、音频、视频在统一空间内联合建模。个人经验中，此前多模态模型往往在模态对齐上存在瓶颈，比如视频中的文字符号与语义理解脱节。Omni能实时编辑并保持一致性，说明其底层采用了类似跨模态注意力融合的机制，而非单纯的扩散模型拼接。
我质疑的一点是：10秒720p视频的生成质量是否能在复杂场景下稳定复现？Demo中的黑板推导场景相对静态，动态场景下物体替换和去水印的鲁棒性存疑。目前看，Omni更像是谷歌在多模态统一框架下的技术宣示，而非成熟产品。
两个值得讨论的问题：1）全模态输入输出对算力消耗的影响有多大？能否在消费级硬件上部署？2）Sora停服是否意味着OpenAI在视频生成上选择了不同技术路径？
行业格局上，谷歌若将Omni集成到I/O生态，可能重塑AI视频生成从“生成工具”向“实时交互媒体平台”的转型。但技术落地还需解决长视频生成中的时序一致性，以及多模态对齐带来的训练效率问题。