將一段自拍視頻交給模型，然後說「鏡面像液體一樣起波紋」、「把人物變成木偶」、「保留原來的房間和動作」，過去需要剪輯師在時間軸上逐層完成的工作，如今可以像修改文案一樣連續詢問。Google DeepMind 在11月5日發布 Gemini Omni 1.2 Flash 模型卡，將這款模型描述為能從文字、圖像、音頻和視頻輸入生成帶聲音的高解析度視頻，並支持通過自然對話反複編輯。視頻製作的入口正在從軟件面板移動到語言，但這也讓編輯痕跡、人物授權和事實可信度更難被肉眼識別。

對話編輯真正省下了什麼

傳統的影片製作方式通常是「一次提示、一次結果」。如果創作者想要改變人物的動作、光線或鏡頭，往往需要重新製作，之前的版本中的人物和場景也可能会產生變化。Gemini Omni 強調連續編輯：每次修改都是建立在上一次的結果之上，盡量保持場景的連貫性。這種機制將複雜的操作分解成一系列可以理解的步驟，創作者不必先學習蒙版、關鍵帧和合成节点，就能逐步達到目標。

模型卡列出的輸入包含文字、圖片、音頻和視頻，輸出則是帶有音頻的視頻。產品頁面進一步展示了如何利用參考素材來改變畫面風格、重寫動作以及補充聲音的案例。這樣不僅能縮短製作時間，還能降低表達成本。一位導演可以先描述「人物觸碰到鏡子」，再補充材質、音效和鏡頭節奏，而不需要一次性寫下長到難以控制的提示詞。

速度版模型所瞄准的並不是一部電影

“Flash”意味著產品更關注速度和成本。廣告團隊、短視頻創作者、遊戲工作室和教學內容製作方通常需要快速測試多個版本：同一素材換比例、換語言、換節奏，再根據反饋繼續修改。若模型能在較短時間內維持角色、對白和動作的一致性，最先被改變的將是高頻迭代，而不是一次性的大制作。

這也會重新安排團隊的分工。過去由執行人員完成的大量格式調整和初步合成，可能會先交給模型處理；人們將把時間放在選擇鏡頭、控制節奏、核實事實和處理版權上。創意崗位不會因為按鈕變少而自動消失，但「會操作某款軟件」所帶來的優勢會變弱，理解敘事、審美和受眾價值的重要性則會上升。

能改聲音的人物，風險比換背景更大

DeepMind在模型卡中特別提到，視頻編輯能力可以改變人物說話內容，目前對此進行限制，並繼續研究如何安全開放。這句話非常關鍵。更換天空顏色和讓一個真實人物說出從來沒有說過的話，不是同一种風險。後者可能涉及名譽、詐騙、政治傳播和證據汙染，而且生成質量越高，普通用戶越難憑直覺判斷。

Google 表示系統在訓練前與訓練後採用的安全措施，並通過 SynthID 在 AI 內容中加入水印。水印能為平台核驗提供線索，但它並非萬能證據：視頻經過裁剪、轉碼或二次拍攝後，識別能力可能會受到影響；不支持驗證的應用也不會自動提醒觀眾。真正有效的治理還需要來源記錄、人物授權、平台標註和濫用投訴機制共同作用。

模型卡也暴露了信息空白

這份模型卡沒有給出完整的訓練數據清單，而是將若干內容指向基礎模型 Gemini Omni Flash；已知的限制部分也主要引用基礎模型資料。對於一般創作者來說，這不會影響試用；但對於企業法務、媒體和教育機構而言，卻意味着仍需自己解答數據許可、地區開放、人物肖像和輸出責任等問題。

模型卡同時說明，Omni 1.2、Flash 并未被認為能帶來相對於 Gemini 3.1、Pro 或 3.7、Flash 的實質性前沿能力躍升，因此沿用相關安全評估。這是風險分類上的判斷，並不等於每個視頻編輯場景都已經得到驗證。能夠大規模修改聲音和畫面的產品，其社會風險更多來自於可獲得性、速度與傳播，而不仅仅來自於模型是否達到某個前沿能力等級。

視頻軟體正變成意圖系統

未來的視頻工具可能不再要求用戶從素材箱、軌道和濾鏡開始，而是會先問「你希望觀眾看到什麼」。模型再將這一句自然語言翻譯成鏡頭、音軌和效果。這樣的入口會讓更多人擁有表達能力，也會讓成片數量暴增。稀缺資源隨之從製作技巧轉向可信來源、獨特素材和可辨認的作者責任。

Gemini Omni 1.2 Flash 最值得關注的，不是它能生成多美麗的畫面，而是編輯動作正從手工操作變成可對話、可連續調用的服務。當創作門檻下降時，平台和創作者必須同時提高證明門檻：這是誰的面孔、誰的聲音、哪些部分經過修改、觀眾如何驗證。否則，最方便的編輯工具也有可能成為最便宜的偽造工具。