Google 于 2026 年 6 月 30 日发布了 Gemini Omni Flash——一款完全通过自然语言控制的多模态视频模型。无需时间轴，无需关键帧。你描述编辑需求，模型负责执行。
以下是一个真实案例。原始片段在 Codex 会话中打开，并发送了一条提示词：
Replace the object in the woman's hand with a water bottle, using anycap gemini-omni-flash-preview
这就是全部的指令。Codex 将任务路由至 AnyCap，由 gemini-omni-flash-preview 执行处理。结果如下。
之前——原始素材：
之后——通过 AnyCap + gemini-omni-flash-preview 替换为水瓶：
在 Codex 中发送一条提示词。没有打开视频编辑器。没有蒙版，没有合成，没有时间轴。
Gemini Omni Flash 究竟是什么
Gemini Omni Flash 是 Google 专为对话式视频编辑和生成而构建的首款模型。"Omni"指的是其架构：它在同一上下文中处理视频帧、音频和文本，因此在进行任何修改之前，它已经理解了画面上发生的内容。
| 规格 | 详情 |
|---|---|
| 发布时间 | 2026 年 6 月 30 日 |
| 定价 | 每秒输出 $0.10 |
| 分辨率 | 720p |
| 生成上限 | 每次调用 10 秒 |
| 输入类型 | 视频、图片、音频、文本 |
| 交互方式 | 对话式 |
迭代能力比规格参数更重要。你可以发送后续指令——0:04 处的变焦太猛，柔和一些——模型会在不重新处理整个片段的情况下进行调整。正是这种来回对话，让它成为真正意义上的对话式工具，而不只是另一个一次性生成器。
在 AnyCap 中的工作方式
AnyCap 直接接入 Gemini Omni Flash API，并以聊天界面呈现，你无需处理 API 密钥、上传端点或文件管理问题。工作流程如下：
- 上传你的视频或图片
- 用日常语言告诉 AnyCap 你想要什么
- 查看输出，通过后续指令进行优化
- 导出
一些效果良好的提示词示例：
- 找出三个最吸引人的片段，将它们剪切成独立的 60 秒短片。
- 去除填充词和静音段。保持节奏紧凑。
- 重新格式化为 9:16 竖版。添加英文和日文的内嵌字幕。
- 产品揭示环节显得缓慢——将该片段加速至 1.3 倍速。
- 根据这些产品图片生成 10 秒视频。暖光，无配音。
每条提示词都是一次对话轮次。如果结果接近但不完全满意，继续对话即可。AnyCap 将反馈发回给模型，模型在原地优化片段。
最能发挥价值的场景
短视频创作者
将一个长视频制作成五个适合各平台的短片，过去可能需要大半个下午。有了 Gemini Omni Flash，提示词只需一句话：提取五个最精彩的片段，每段不超过 60 秒。以 9:16 格式导出并添加自动字幕。 模型观看素材，挑选高光时刻，完成剪切。你来审核。
营销和品牌团队
将一个宣传片本地化为八种语言，意味着八条独立字幕轨道、八次导出，往往还要经历八轮审核。一次 AnyCap 会话即可处理字幕替换和格式变体。模型对上下文的理解足够深入，无需指定时间戳——将英文字幕替换为法语 这样的指令已经足够。
电商目录级生产
上面的前后对比正是一个产品视频案例：原始素材输入，精修视频输出，只需一段自然语言描述。按每秒 $0.10 计算，一个 10 秒的产品视频成本为 $1.00。对 500 个 SKU 的目录全部执行，总成本为 $500——而非一周的剪辑工时。
长视频：播客与访谈
一段 90 分钟的录制对话中，真正值得引用的内容或许只有 10 分钟。手动找出这些内容所花的时间比录制本身还长。观看这段访谈，找出嘉宾给出具体建议的五个时刻。每个片段不超过 90 秒。 模型读取的是语调和内容，而非仅仅是波形。
企业培训视频更新
合规和入职视频每季度都会过时。无需重新录制，只需告诉 AnyCap：将 3:20 到 4:45 的片段替换为这个新音频文件。保留视觉内容。在 4:00 处添加带有更新政策参考的文字叠加。 模型进行精准替换。
构建视频功能的开发团队
当你的产品包含视频处理功能时，你希望编辑逻辑可编程，而不必让团队为每个新用例编写和维护 FFmpeg 流水线。AnyCap 以适合后端工作流的方式公开 Gemini Omni Flash API——用纯文本描述转换需求，模型负责执行。
AnyCap + Codex：提示词驱动的视频制作
本文开头展示的工作流程完全在 Codex——OpenAI 的智能体编程环境——内部运行。没有打开视频编辑器。没有手动操作 API。整个链路如下：
- 你在 Codex 聊天中描述编辑需求——用日常语言，就像向真人编辑解释一样。
- Codex 将任务路由至 AnyCap——选择正确的工具，构建请求，自动处理上传。
- AnyCap 调用
gemini-omni-flash-preview——模型接收你的视频，应用转换，返回编辑后的片段。 - 结果返回到你的 Codex 会话——审核，发送后续指令，或导出。
生成上述前后对比效果的提示词，是发送给 Codex 的一行文字：
Replace the object in the woman's hand with a water bottle, using anycap gemini-omni-flash-preview
Codex 处理了其余所有事项：选择 AnyCap 能力、上传源视频、传递指令、返回输出。整个往返过程不到两分钟。
Codex + AnyCap 循环为何改变了编辑模式
传统视频编辑需要你操作一个工具——在这里剪切、在那里打蒙版、用这些设置导出。Codex + AnyCap 模式截然不同：你描述一个结果，系统负责找出步骤。
这在以下场景中尤为重要：
- 迭代编辑——后续提示词在不从头重新处理的情况下优化上一次输出。告诉 Codex 替换效果看起来稍微偏离中心，向左移动，
gemini-omni-flash-preview会在下一轮处理中进行调整。 - 批量任务——描述一次转换，Codex 以编程方式将其应用于多个片段。相同的指令，不同的源文件，一致的结果。
- 开发者集成——当你构建包含视频处理的产品时，可以将 AnyCap 作为工具添加到 Codex 智能体中，并在更大的自动化流水线中调用
gemini-omni-flash-preview。无需编写或维护 FFmpeg 流水线。
gemini-omni-flash-preview 能理解画面上的什么
由于模型在同一上下文中处理视频帧、音频和文本，你可以在不提供时间戳的情况下引用画面中的内容：
- 她直视镜头的那一刻——在那里剪切。
- 将桌子上的标志替换为新品牌标识。
- 他解释定价的那个片段——以 1.2 倍速加速。
模型读取素材，找到你所描述的内容，并进行修改。你无需自己定位帧位置。
在 AnyCap 上试用 Gemini Omni Flash →
Gemini Omni Flash 于 2026 年 6 月 30 日发布。定价与规格来自 Google AI。