https://www.w2solo.com/geminiomni en-us <p>分享一个自己做的小产品，欢迎大家试用和提意见。</p> <p><strong>产品地址</strong>：<a href="https://gemini-omni.pro" rel="nofollow" target="_blank">https://gemini-omni.pro</a></p> <hr> <h2 id="做这个的原因">做这个的原因</h2> <p>我一直在用各种 AI 视频工具，但发现大多数要么太贵，要么生成效果很割裂——视频是视频，音频是音频，得自己后期合成。Google 去年发布的 Gemini 全模态模型其实已经支持文字、图片、视频、音频一起输入输出，但没有一个好用的免费前端。</p> <p>所以我就自己做了一个。</p> <hr> <h2 id="主要特点">主要特点</h2> <ul> <li> <strong>全模态输入</strong>：一个 prompt 里可以同时放文字描述 + 参考图片 + 参考视频 + 音频</li> <li> <strong>原生音频同步</strong>：不是后期配音，是生成时就同步的音频轨道</li> <li> <strong>对话式编辑</strong>：不满意可以直接在对话框里说"让它更慢一点""换个背景色"，不用重新从头写 prompt</li> <li> <strong>免费可用</strong>：注册送 10 credits，720P 带水印；付费 $29.9/月 解锁 1080P 无水印</li> </ul> <hr> <h2 id="做的过程中几个踩坑点">做的过程中几个踩坑点</h2> <ol> <li> <strong>全模态 API 的 token 计费很复杂</strong>：视频帧数、音频时长、图片分辨率都分开计费，做预估很麻烦，最后用了分段计费的方式让用户大致知道会花多少</li> <li> <strong>对话式编辑的上下文管理</strong>：每一轮编辑都要把之前的生成结果作为参考传回去，上下文窗口压力很大，目前限制了最多 5 轮连续编辑</li> <li> <strong>免费用户的水印</strong>：用 FFmpeg 在 Vercel Edge Function 上实时打水印，但 Edge Function 有 4MB 响应限制，视频不能直接返回，得用 R2 中转</li> </ol> <hr> <p>目前还比较早期，欢迎大家试用，有 bug 或者功能建议直接回复我。</p> <p>网址：<a href="https://gemini-omni.pro" rel="nofollow" target="_blank">https://gemini-omni.pro</a></p> geminiomni Fri, 05 Jun 2026 23:25:06 +0800 https://www.w2solo.com/topics/7497 https://www.w2solo.com/topics/7497