Gemini Omni 教學：用講的就能生成、修改影片，費用與限制一次搞清楚

過去要做一支 AI 影片，得先把整段畫面「一次講完」，改一個細節往往就要整支重生成。Google 推出的 Gemini Omni 換了一種玩法：你先生成一版，再像聊天一樣一句一句下指令，畫面就跟著改，而且前後場景會保持一致。Google 官方把它形容成「影片版的 Nano Banana」。如果你用過 Nano Banana 改圖那種「打一句話、圖就變」的手感，Gemini Omni 等於把同一套直覺搬到會動的畫面上。

這篇會帶你搞懂 Gemini Omni 是什麼、實際能做什麼、怎麼上手、要花多少錢、和 Veo 差在哪，以及目前有哪些限制。

圖源：Google DeepMind官方

Gemini Omni 是 Google 最新的多模態 AI 影片生成與編輯模型，背後的模型版本叫 Gemini Omni Flash。它建立在 Gemini 本身對世界的理解與原生多模態能力上，所以不只是「把文字變成影片」，還能讀懂你丟進去的圖片、影片、聲音，再把它們揉成一支連貫的成品。

它最大的特色是對話式生成。傳統文字轉影片工具，你的一段提示詞下去就決定生死；Gemini Omni 則允許你「邊看邊改」：生成第一版之後，你可以接著說「把背景換成夜晚」「鏡頭改成過肩視角」「讓這個角色換成另一個人」，而每一次修改都會延續上一版的畫面，不會整支打掉重來。這也是 Google 拿它跟Nano Banana類比的原因：Nano Banana 讓修圖變成一場對話，Gemini Omni 則把這種「聊著聊著就改好」延伸到影片。

值得先知道的一點：Gemini Omni Flash 將在 Gemini 應用程式中取代原本的 Veo 3.1，成為主要的影片生成與編輯模型。

圖源：Google DeepMind官方

Gemini Omni 的能力可以濃縮成四塊。

混合文字、圖片、影片及音訊生成影片

你不必只靠純文字。Gemini Omni 接受文字、圖片、影片、音訊的任意組合當輸入，再整合成單一支影片。舉例來說，你可以丟一張角色圖、一段參考動作影片、再加一句想要的風格描述，讓它把這些素材合成一個畫面；照片參考最多可以放到 5 張。它也能原生生成聲音，讓畫面和音效一起產出，而不是事後再配音。

透過多輪對話持續編輯影片

這是 Gemini Omni 的招牌能力。生成之後，你可以一輪一輪地下修改指令，例如換角色、調整光線、穩定畫面、抽換背景、加特效，而模型會維持整個場景的一致性，讓你像在跟剪輯師對話一樣，一步步把畫面調到理想狀態。它同時支援影片轉影片編輯，也就是直接丟一支既有影片進去改。

結合世界知識與物理現象

Gemini Omni 不只是「畫得像」，它還理解真實世界的運作邏輯。一方面，它對重力、動能、流體這類物理現象有直覺，動作看起來更自然；另一方面，它承接了 Gemini 對歷史、科學、文化脈絡的知識，能把知識型內容用有條理的方式演出來，例如做一支解釋蛋白質摺疊的黏土風格說明影片。

修改場景、動作、風格及物件

你可以用一句話大幅改動畫面內容：轉換整體美術風格（例如把實拍轉成線稿、3D voxel 或全息投影感）、重新設定畫面裡發生的事、套用某張圖或某支影片的動態與風格，甚至直接把畫面中的某個角色或物件替換掉，而畫面其他部分仍保持連貫。

圖源：Google DeepMind官方

Gemini Omni 目前可以在 Gemini 應用程式與 Google Flow 裡使用（Google Flow 是 Google 的 AI 創作工作室）。以下用最簡單的流程說明。

步驟一：進入Gemini App或Google Flow

用你的 Google 帳戶登入 Gemini 應用程式，或前往 Google Flow。在這兩個入口使用 Gemini Omni 的完整功能需要付費方案（想免費先試可用 YouTube Shorts／Create），這點下一段費用會細說。

步驟二：選擇Gemini Omni Flash

在影片生成的介面中，把模型切換到 Gemini Omni Flash。在 Google Flow 裡，它會作為可用的影片生成模型出現。

步驟三：輸入指令並上傳參考素材

打上你想要的畫面描述，並視需要上傳參考素材，可以是圖片（最多 5 張）、一段影片，或一段音訊。指令寫得越具體（主體、動作、鏡頭、風格、聲音），成品越接近你的想像。

步驟四：生成第一版影片

送出後，Gemini Omni 會產出第一版約 10 秒的影片。先把它當草稿看，不用一次到位。

步驟五：透過對話修改並下載影片

覺得哪裡不對，就直接用對話講出來，例如「把背景換成海邊」「鏡頭拉遠一點」「這個物件換成紅色」。模型會在保留原場景的前提下修改。滿意後即可下載使用。

先講結論：Gemini Omni 有免費管道，但也有付費門檻，差別在你從哪裡用。想在 YouTube 上玩，免費就能碰；想在 Gemini 應用程式或 Google Flow 用完整功能，才需要付費方案。以下拆開講，並附上台灣定價。

Gemini Omni可以免費使用嗎？

可以，但看管道。YouTube Shorts 與 YouTube Create app 有提供免費的 Gemini Omni Flash 體驗，只要年滿 18 歲、不用訂閱就能試對話式生影片，這是目前門檻最低的入口。

不過在 Gemini 應用程式與 Google Flow 裡，完整的影片生成與多輪編輯功能需要訂閱 Google AI 付費方案；純免費的 Google 帳號進到 Gemini，多半只能用到基礎的 Omni Flash，遇到影片生成時容易碰上排隊等待與每日配額偏低的限制。想穩定、完整地使用，最低要從 Google AI Plus 開始。

Google AI Plus、Pro與Ultra方案比較

三個方案都能使用 Gemini Omni Flash，差別主要在用量、Google Flow 點數與其他附加福利。以台灣定價為例：

想在 Gemini 應用程式或 Google Flow 裡穩定使用完整功能，從最便宜的 Google AI Plus（每月 NT$260）就能上手；新用戶前兩個月常有五折優惠，等於約每月 NT$130。此外，Google AI 方案支援與最多 5 位家庭成員共享，分攤下來每人負擔會更低。

補充兩點：

1. 用量算法：Gemini 應用程式的用量以「運算量」計算，會隨提示詞複雜度、使用的功能與對話長度變動，每 5 小時重置一次、直到達到每週上限，用完還能另外購買 AI 點數加量。

2. 功能差異：部分功能可能因方案級別、平台（網頁／行動）與地區而異，實際方案內容以官方訂閱頁為準。

很多人會把 Gemini Omni 和 Veo 搞混，因為兩者都是 Google 的影片模型。簡單分：

• Gemini Omni Flash 是新的多模態生成＋編輯模型，將在 Gemini 應用程式中取代 Veo 3.1。它的強項是多模態輸入、對話式多輪編輯，以及對世界知識與物理的理解，適合「先生成、再一句一句改」以及把多種素材合成一支影片的流程。

• Veo 則是 Google 偏電影感生成路線的專門模型，強調高品質的文字轉影片。

該選哪個？如果你的需求是邊聊邊改、拿現成素材去編輯、要求畫面遵循真實邏輯，Gemini Omni 更順手；如果你想的是「一句話直接生成一段有電影感的畫面」，Veo 的取向仍然存在。對多數在 Gemini 應用程式裡創作的人來說，現在預設接觸到的會是 Gemini Omni。

圖源：Google DeepMind官方

一個能重複套用的 Prompt 結構

• 主體：畫面裡的人、物、場景。

• 動作／觸發：要發生什麼事，或「當某事發生時」的條件（例如「當手打開時，掌心浮現一顆星球」）。

• 鏡頭視角：運鏡與角度，例如「鏡頭慢慢推近」「過肩視角」。

• 風格／材質：寫實、線稿、黏土定格、3D 全息等。

• 音訊：要背景音樂、還是「只要真實環境音、不要配樂」。

• 限制條件：時長（例如 10 秒）、比例（例如 16:9）、以及「不要出現什麼」。

把這六格填滿，成品的可控度會明顯提高。

依情境的範例

• 商品介紹：白色背景中一瓶保養品緩慢旋轉，柔和棚拍打光，鏡頭微微推近，寫實風格，只要輕柔背景音樂，10 秒，16:9。

• 知識解說：用黏土定格風格解釋一個科學概念，全部由黏土構成、無人手入鏡，畫面與旁白同步，不要在結尾突然斷音。

• 物理模擬：一顆彈珠在連續軌道上快速滾動的一鏡到底畫面，只要真實碰撞聲、不要配樂。

• 風格轉換：拿一段實拍影片，指令「當人物觸碰鏡子時，整個環境轉成 3D voxel 風格」，其餘畫面維持不變。

同一素材多輪修改前後對比

Gemini Omni 的價值在多輪。舉個流程：先用一段小提琴手演奏的影片當輸入 →（第一輪）「把演奏者移到一片麥田場景」→（第二輪）「讓小提琴變透明」→（第三輪）「鏡頭改成從演奏者肩膀後方拍」。每一輪都只改一件事，模型會延續前一版的畫面，你就能清楚看到每一步的前後差異，而不是每次都得到一支全新的、對不上的影片。

圖源：Google DeepMind官方

再強的工具也有邊界，先了解才不會踩雷。

Gemini Omni一次可以生成多長的影片？

目前 Gemini Omni 單次生成的是約 10 秒的短影片。想做更長的內容，實務上得靠多段生成再自行銜接。

複雜動作及多人場景可能不穩定

雖然 Gemini Omni 對物理有不錯的理解，但高速、複雜或多人同時互動的場景仍是各家 AI 影片模型共同的難點，容易出現動作不連貫或細節錯位。遇到這種情況，建議把畫面拆簡單一點，或用多輪編輯逐步修。

中文文字、旁白及影音同步限制

Gemini Omni 設計上能把「畫面上的文字」和「正在發生的動作」對起來，也能生成旁白。不過就實務經驗，畫面內的中文文字仍可能出現錯字或變形，旁白與嘴型、動作的同步在複雜情境下也未必完美。牽涉到精準中文字卡的內容，成品最好逐支檢查。

方案額度與生成速度限制

如前面費用段所說，Gemini 應用程式採運算量計費，每 5 小時重置、直到週上限；Google Flow 端則吃點數（Plus 200 點、Pro 1,000 點、Ultra 10,000～25,000 點）。用量與生成速度會因方案級別而不同，量大的人要留意額度消耗。

SynthID及C2PA內容標記

所有透過 Gemini 應用程式、Google Flow 或 YouTube 用 Omni 生成、編輯的內容，都會嵌入 Google 的 SynthID 隱形浮水印與 C2PA 內容憑證。這些標記肉眼看不到，但可以用來辨識內容是否由 Google AI 生成，你甚至可以把檔案丟回 Gemini 詢問是否為 AI 產物。對商用或需要標示 AI 內容的情境，這點要先納入考量。

Gemini Omni在台灣可以使用嗎？

可以。Gemini Omni 已在所有 Gemini 應用程式支援的語言與市場推出，台灣在支援範圍內。使用者需年滿 18 歲，並持有 Google AI Plus、Pro 或 Ultra 其中一種方案。要留意的是，Avatar、影片轉影片編輯等部分功能，可能因所在地區而有限制。

Gemini Omni支援中文指令嗎？

支援。Gemini Omni 在 Gemini 應用程式所有可用語言的市場都能使用，你可以用中文下指令。不過如前所述，畫面中要生成的中文文字仍可能出錯，這和「聽不聽得懂中文指令」是兩回事，實作時分開看待。

Gemini Omni生成的影片有浮水印嗎？

有，但是看不見的。所有產出都會帶 SynthID 隱形浮水印與 C2PA 內容憑證，不會在畫面上留下可見的 logo，而是用於辨識這是不是 Google AI 生成的內容。

Gemini Omni 把 AI 影片從「一次講完、改就重來」帶到「先生成、再對話式微調」的階段，對需要反覆修改的創作者來說是明顯的效率提升。先從一個簡單的 10 秒草稿開始，習慣用一句一句的方式把畫面調到位，會比一開始就想寫出完美提示詞更容易上手。