Gemini 3.5 Flash Omni Launch: Мултимодалната AI актуализация на Google за създатели

Към 20 май 2026 г. прахта от Google I/O 2026 едва се е уталожила, а анонсите вече изглеждат като значима крачка напред за мултимодалните инструменти. Gemini 3.5 Flash е вече стандартният модел в приложението Gemini и в AI режима на Търсене. Той предлага приблизително четири пъти по-голяма скорост от предшественика си, като подобрява помощта при кодиране и агентското поведение, всичко това при по-ниски разходи за инференция. На същото събитие Google представи Gemini Omni – мултимодален световен модел, способен да превръща всякаква комбинация от текст, неподвижни изображения, видео клипове и аудио в съгласуван видео изход. Ранните демота показаха как моделът свързва кратък текстов промпт с референтна снимка и няколко секунди околно звучене в изненадващо стабилно движение. Незабавното пускане на Gemini Omni Flash е насочено към абонатите на Google AI Plus, Pro и Ultra чрез основното приложение, Google Flow и YouTube Shorts, като по-широк API достъп се очаква през следващите седмици.

Скоростта и последователността са по-важни за създателите от headline спецификациите. Подобрението в производителността на Gemini 3.5 Flash трябва да съкрати времето между промпта и използваемия резултат – нещо, което има значение, когато усъвършенствате последователност през няколко дубли. Агентските ъпгрейди също позволяват на модела да планира прости многостъпкови задачи, например генериране на сториборд и последващо разширяване на избрани кадри в кратки клипове. Смесеният входен подход на Gemini Omni се чувства особено полезен за image-to-video пайплайни. Създател може да подаде съществуваща снимка, референтно стилово видео и кратка гласова бележка с описание на движението на камерата, след което да получи изход, който зачита и трите сигнала едновременно. Такова ниво на контролируемост досега беше трудно постижимо без тежка постпродукция.

По-доброто спазване на промпта и последователността на героите са двете подобрения, които създателите споменават най-често в ранните тестове. Когато движението остава фиксирано към един и същ обект през различните кадри, времето за редактиране намалява осезаемо. Смесените медийни промптове също отварят възможности за по-малки творчески експерименти: поставяне на продуктов рендер в лайфстайл сцена или наслагване на диалог върху генерирани кадри, без да се изгражда целият кадър от нулата. Честно казано, след няколко теста със смесен вход открих, че резултатите са по-използваеми, отколкото очаквах, въпреки че все още не са перфектни при сложни движения на камерата. Мултимодалните напредъци от този тип вече оформят следващото поколение видео инструменти, включително текущия разговор около начина, по който Gemini Omni обработва изрично съдържание, което разгледах по-подробно тук: Gemini omni nsfw: Защо AI видеомоделът на Google блокира изрично съдържание.