Технологии
Gemini Omni здесь — самая мощная мультимодальная модель Google до сих пор
Google представила Gemini Omni, новую флагманскую мультимодальную модель, способную создавать и редактировать видео, аудио и изображения посредством общения на естественном языке. Анонсированная на Google I/O 2026, модель представляет собой самый значительный скачок в возможностях ИИ Google с момента запуска оригинального Gemini.
Патрик Т ·
Объявление прозвучало в середине второго дня Google I/O 2026 и имело вес компании, которая большую часть двух лет наблюдала, как конкуренты задают условия гонки мультимодальных ИИ. Сундар Пичаи представил Gemini Omni не как простой обновление, а как фундаментальное переосмысление того, на что должен быть способен универсальный ИИ-модель. Сообщение было ясным: Google закончил играть в догонялки.
Gemini Omni может принимать любую комбинацию текста, изображений, аудио и видео в качестве входных данных и создавать любую комбинацию этих же модальностей в качестве выходных данных. Это звучит как спецификация, но демонстрации на I/O показали нечто более значительное: модель не просто обрабатывает эти данные параллельно — она рассуждает по ним одновременно, создавая единое понимание сцены, беседы или творческого задания перед генерацией ответа.
В одном демонстрационном примере дизайнер продукта загрузила грубый эскиз, эталонное фото и голосовую заметку, описывающую её видение нового потребительского продукта. Gemini Omni синтезировал все три входных данных, задал два уточняющих вопроса на естественном языке и создал фотореалистичное изображение продукта вместе с коротким видео, показывающим его в использовании. Вся интеракция заняла менее четырех минут. Та же работа, выполненная с использованием традиционных инструментов, потребовала бы команду дизайнеров, 3D-пайплайн и большую часть рабочего дня.
Новая архитектура для мультимодального рассуждения
Техническая основа Gemini Omni представляет собой отход от подхода, который Google использовал в ранних версиях Gemini. Предыдущие версии обрабатывали различные модальности через отдельные кодировочные пути, прежде чем объединять представления на позднем этапе. Omni, напротив, была обучена с нуля на перемежающихся мультимодальных данных — последовательностях, где текст, изображения, аудио и видео появляются вместе в их естественном контексте, а не как отдельные потоки, которые затем выравниваются.
Практическим следствием этого архитектурного выбора является то, что Gemini Omni демонстрирует то, что исследователи Google называют «кросс-модальной привязкой» — способность закреплять абстрактные концепции через разные сенсорные представления. Когда системе предлагают описать эмоциональный тон музыкального произведения, а затем создать изображение, отражающее этот тон, модель не рассматривает это как две отдельные задачи. Она строит единое внутреннее представление концепции и выражает его через ту модальность, которая наиболее подходящая.
Эта возможность имеет значительные последствия для творческих профессионалов. Видеоредакторы, музыканты, архитекторы и разработчики игр долгое время работали с множеством инструментов, которые не взаимодействуют друг с другом. Gemini Omni представляет собой первую правдоподобную попытку создать единый слой рассуждений, который находится поверх всех этих инструментов и воспринимает их выводы нативно.
Генерация видео в масштабах
Возможно, самой впечатляющей демонстрацией на I/O было создание видео. Google показала, как Gemini Omni создает короткометражный фильм длиной 90 секунд по двухабзацному сценарию, с последовательным дизайном персонажей, связными переходами между сценами и синхронизированной аудиодорожкой. Результат не был телевещательным качеством — модель по-прежнему испытывает трудности с детализированными выражениями лица и сложными физическими взаимодействиями — но он был последовательным так, как ранние системы генерации видео этого не позволяли.
Более важно то, что Gemini Omni может редактировать существующее видео с помощью инструкций на естественном языке. Журналист, тестировавший модель на I/O, описал процесс загрузки необработанной записи интервью и попросил модель «удалить паузы, ускорить темп и добавить ненавязчивую фонового музыки, соответствующую настроению беседы». Модель вернула отредактированную версию через несколько минут. Редактирование было несовершенным — фоновая музыка иногда не совпадала с ритмом речи — но продемонстрированный рабочий процесс был действительно новым.
Google осторожно позиционировала эту возможность как инструмент для профессиональных создателей, а не как их замену. Сообщения компании на конференции I/O неизменно подчеркивали дополнение, а не автоматизацию, что отражает как искреннюю убежденность, так и коммерческую необходимость. Творческие индустрии представляют собой значительную и активную группу, и Google не может позволить себе их отвернуть в тот момент, когда просит их использовать свои инструменты.
Конкурентная среда
Gemini Omni появляется в момент, когда рынок мультимодальных ИИ становится действительно перегруженным. GPT-4o от OpenAI доступен уже больше года и успел создать значительную базу пользователей среди разработчиков и творческих профессионалов. Claude 3.7 Sonnet от Anthropic занял прочное положение в корпоративных рабочих процессах, требующих тщательного анализа документов и изображений. Llama 4 Scout от Meta продемонстрировал конкурентоспособные результаты на мультимодальных тестах при гораздо меньших затратах по сравнению с проприетарными альтернативами.
Преимущество Google, по мнению компании, заключается в дистрибуции. Gemini Omni будет интегрирован в Google Workspace, YouTube Studio, Google Photos и Google Meet в течение ближайших месяцев. Это означает, что модель будет доступна более чем трем миллиардам людей, которые используют инструменты производительности Google, без необходимости посещать отдельный интерфейс ИИ или осваивать новый рабочий процесс.
Интеграция с YouTube особенно значима. Google объявила, что Gemini Omni будет доступен создателям контента на YouTube через YouTube Studio, что позволит им создавать B-roll кадры, делать варианты миниатюр и производить переводы своих видео на несколько языков. Учитывая, что на YouTube загружаются более 800 часов нового видео каждую минуту, масштаб этой реализации сделает Gemini Omni одним из самых широко используемых инструментов ИИ для видео в мире почти сразу после запуска.
Корпоративное внедрение и ценообразование
Google объявила о введении ступенчатой структуры ценообразования для Gemini Omni, которая отражает положение модели как премиум-продукта. Отдельные пользователи на плане Google One AI Premium получат доступ к ограниченной версии возможностей модели, с более высокими лимитами использования, доступными через новый тарифный уровень подписки «Gemini Advanced» стоимостью $29,99 в месяц. Корпоративные клиенты будут получать доступ к модели через платформу Google Cloud Vertex AI, при этом цены будут зависеть от потребления токенов и типа вывода.
Ценообразование для предприятий вызвало критику со стороны разработчиков, которые утверждают, что стоимость за токен при генерации видео в Google значительно выше, чем у конкурирующих сервисов. Google возражает, что интегрированный характер Gemini Omni — его способность рассуждать через разные модальности без необходимости отдельных вызовов API для каждой — делает общую стоимость сложных рабочих процессов ниже, чем это кажется при сравнении стоимости за токен в отдельности.
Что будет дальше
Google представила дорожную карту развития Gemini Omni, которая включает несколько возможностей, еще недоступных на момент запуска. Генерация видео в реальном времени — возможность создавать видеоконтент по мере развития разговора, а не пакетно — описывается как «приоритет на ближайшее время». Интеграция с исследовательской работой Google в области робототехники, которая изучает, как крупные мультимодальные модели могут управлять физическими системами, описывается как цель на более отдалённый срок.
Более насущный вопрос заключается в том, сможет ли Gemini Omni изменить восприятие Google как компании, которая постоянно догоняет в гонке ИИ. Технические демонстрации на I/O были впечатляющими, но технические демонстрации всегда были сильной стороной Google. Настоящим испытанием станут ближайшие месяцы, когда модель окажется в руках миллионов пользователей, и станет очевидной разница между демонстрацией и повседневной реальностью. На данный момент у индустрии ИИ появился новый эталон.