Gemini Omni 提示词指南：10 条多模态视频生成提示词（可复制）

Google 在 2026 年 I/O 大会上发布 Gemini Omni 时只说了一句话：”create anything from any input”（任何输入，生成任何东西）——第一步从视频开始。家族里的第一个模型 Gemini Omni Flash 于 2026 年 5 月 19 日上线：一条多模态提示词喂进去（文本、图片、音频、视频片段随便组合），出来一段 10 秒、带同步音效的视频，还能在对话里继续改。它不是”换皮版 Veo”，而是一套全新的提示词打法。下面这份指南只写能核实的能力（对照 Google 发布信息与 API 文档）、提示词结构，以及 10 条可直接复制的模板。

Gemini Omni 到底能做什么

以下是截至本文写作时可核实的能力——先说一句实话：这块变化很快，搭生产流程前请再核对一遍 Google 官方文档。

• 真·多模态输入。文本 + 图片 + 音频 + 视频可以放进同一条指令，模型会综合推理这些输入，而不是把结果拼接起来。给它一张角色照片、一段台词音频、一段打光参考视频，一次输出同时满足三个约束。
• 10 秒片段 + 同步音频。Google 明确表示 10 秒上限是产品策略，不是模型架构限制——所以这个数字以后大概率会变。
• 对话式编辑。说一句 “make the lighting warmer”，模型直接改当前片段，而不是从零重新生成——这是它和”改提示词重跑”类模型最大的工作流差异。
• 参考图工作流。开发者预览版（Gemini API Interactions 接口下的 gemini-omni-flash-preview）提供 text-to-video 与 reference-to-video 任务类型，参考图可以直接引导输出。
• SynthID 水印嵌入每一段生成视频，且不可关闭。
• 使用入口：Gemini 应用、Google Flow、YouTube Shorts 与 YouTube Create；付费走 Google AI 订阅（Google AI Plus 起步，$7.99/月）。更高阶的 Omni Pro 已官宣但没有发布日期。
• 目前刻意缺失的能力：对已生成片段内的人声/音频做编辑被官方暂缓开放。别把生产流程押在这上面。

Gemini Omni 提示词怎么写

Gemini Omni 的思维方式是”约束求解”：内容、格式、参考资料、声音都是一起权衡的输入。提示词也该这么写。

[Task: text-to-video | reference-to-video] [shot type] of [subject + material],
[beats], [environment + time of day], [camera move], [lighting], [style/grade],
[mood], [format: aspect ratio + duration], [audio: voice-over / SFX / ambience].

多模态提示词 3 条规则：

1. 把画幅和时长写进提示词。“9:16, ~7 seconds” 会被当成需要满足的约束来推理——实测能明显减少重跑次数。
2. 参考资料胜过形容词。30 个词的提示词 + 3 张扎实的参考（角色照、风格帧、运镜片段），胜过 300 个词的纯文字。而且要写清每张参考贡献什么。
3. 把音频当输入用，不只是输出。同步音频是原生能力——把旁白台词或音效提示直接写进提示词。但别指望后期给成片换配音，这条编辑链路目前是关着的。

10 条 Gemini Omni 提示词（可复制）

自然奇观

1. 峡湾极光

Wide aerial shot of green and violet aurora rippling over a dark Norwegian fjord,
stars reflected in still black water, camera gliding slowly forward above the
shoreline, cold silver-blue moonlight, documentary realism, awe-struck mood,
audio: soft wind and a single low synth pad. 16:9, 8 seconds.

适合旅游/自然类栏目头图；结尾的低频合成器垫音是情绪的关键一半。

2. 季风瀑布

Drone shot circling a jungle waterfall in heavy monsoon rain, mist exploding off
wet black basalt, saturated green foliage bending in the wind, smooth orbit left,
diffuse overcast light with one break of sun, epic natural-power mood, audio: roar
of falling water and rain on leaves. 16:9, 10 seconds.

考验接触物理（水雾、湿岩石）的素材，很适合做模型能力测试片。

城市人文

3. 深夜面摊

Medium shot of an elderly noodle vendor in a Bangkok night market, steam rising
from a wok, warm tungsten bulbs and neon signs glowing on wet ground, he hands a
steaming bowl toward camera and smiles, slow push-in, lively documentary mood,
audio: sizzling wok, crowd chatter, ladle clangs. 9:16, 8 seconds.

竖版 9:16，直接按 Shorts / Reels 规格写的，出片即发。

4. 地铁小提琴手

Medium shot of a violinist playing in a tiled subway station, commuters blurring
past in motion, cool fluorescent light with a warm tunnel glow at the far end,
camera slowly circling her, lonely beautiful mood, audio: solo violin melody over
low train rumble. 9:16, 10 seconds.

“人物静、人流动”的对比写法，配乐类内容的经典结构。

产品微距

5. 香水英雄镜头

Macro product shot of a faceted glass perfume bottle on black stone, a single drop
of amber oil rolling down one facet, caustic light patterns rippling on the stone,
slow dolly-in, warm 3200K key light with deep shadows, luxury commercial grade,
audio: low atmospheric drone and one soft bell strike at the end. 1:1, 7 seconds.

电商/品牌方提案模板；1:1 画幅适合信息流广告位。

6. 浓缩咖啡注入

Extreme macro of espresso pouring into a clear glass, crema swirling in golden
ribbons, steam curling through a hard side light, slow vertical tilt following the
stream, dark warm palette, tactile satisfying mood, audio: rich pour and faint
grinder hum. 9:16, 6 seconds.

流体 + 蒸汽是多模态模型最爱炫的接触物理，短视频完播率极高。

科幻概念

7. 火星改造无人机

Wide shot of a swarm of insect-like terraforming drones seeding moss over red
Martian rock at dawn, dust plumes drifting through low orange sunlight, one drone
lands close to camera and unfolds its legs, slow forward tracking shot, grounded
hard-sci-fi realism, audio: servo whirrs and thin wind. 16:9, 10 seconds.

写 “grounded hard-sci-fi realism” 是为了压住模型的塑料 CG 味。

8. 记忆档案馆

A researcher walks through a dark archive hall where holographic memory scenes
float inside glass columns — a birthday party, a city street in the rain — casting
cyan light on her face as she passes, slow lateral track, cold blue palette with
warm hologram accents, melancholy sci-fi mood, audio: soft hum and faint echoes of
the memories' sound. 16:9, 8 seconds.

冷蓝主调 + 全息暖色点缀，是”两种色温以内”的教科书写法。

纪录片质感

9. 黏土定格科普 + 旁白

Stop-motion claymation style: a glossy clay protein chain folds itself into a
helix on a workbench of clay tools, camera gently pushing in, warm tabletop
lighting, visible fingerprints in the clay, educational playful mood, audio: calm
voice-over saying "Proteins fold into precise shapes — and the shape is the
function." 16:9, 10 seconds.

旁白台词原样写进提示词，让模型把口播和画面一起解决——这正是 Omni 的发布演示路数。

2D 动画

10. 长成城市的小机器人

Flat 2D vector animation: a small robot character waters a potted plant that grows
into a full city skyline in time-lapse, clean geometric shapes, bold limited
palette of teal, coral and cream, subtle paper texture, static medium shot,
optimistic storybook mood, audio: light marimba motif and a soft watering-can
pour. 16:9, 8 seconds.

品牌故事/公益类内容常用画风；限定三色配色防止画面花掉。

多模态玩法：参考输入与上下文写法

这才是 Omni 真正的杀手锏——参考资料每字节携带的信息量远超形容词：

• 角色锁定（Character lock）——附一张人像，写 “the person in the attached photo”，只描述动作。跨片段保持角色一致。
• 风格锁定（Style lock）——附一张你想要的画面风格帧：”match the grade and composition of the attached frame”。
• 运镜锁定（Motion lock）——附一段短片：”use the camera move from the attached reference clip”。比用五十个词描述环绕运镜划算多了。
• 节奏锁定（Beat lock）——附一条音乐：”cut the visual beats to the attached track”。做 Reels 和音乐剪辑就靠它。
• 上下文标注——多张参考同时上场时，在提示词里标明分工：”[face ref] for the character, [frame ref] for the grade”。不标注的参考会被模型糊成一锅粥。
• 在对话里改——一处小问题别整段重跑。直接说 “keep everything, make the lighting warmer” 或 “swap the dog for a cat”。到后面几轮，把”绝不能变的东西”再复述一遍（”keep the character and camera move identical”）。

FAQ

Gemini Omni 就是 Veo 吗？ 不是。Veo 3.1 是文本/图片生视频 + 同步音频，改需求要改提示词重新生成；Gemini Omni 是文本、图片、音频、视频一条指令一起理解，并且在对话里增量编辑片段。架构不同，工作流也不同。

Gemini Omni 生成的视频能有多长？ 上线时单次生成 10 秒。Google 明确说这个上限是产品策略而非模型能力上限，后续大概率放宽。

可以用参考图吗？ 可以。参考驱动的生成（API 里的 reference-to-video 模式）是核心用法：角色照、产品图、风格帧、运镜短片都能引导输出。记得写清每张参考贡献什么。

它能生成音频吗？ 能——视频自带同步音频，输入侧的音频也能作为生成约束（台词、音乐节奏）。被暂缓开放的是：对已生成片段里的人声/音频做编辑。

有 API 吗？ 开发者预览版 gemini-omni-flash-preview 已通过 Gemini API 的 Interactions 接口开放；普通用户入口是 Gemini 应用、Google Flow 和 YouTube 创作工具。做自动化前请先查官方文档确认当前的开放范围和限额。

多模态提示词的精髓是迭代：备好参考图、抄一条模板、在对话里微调到满意为止。想看其他创作者正在产出什么，来 VideosPrompt 逛逛——片子剪好后，用 FLOWNIB 这类多平台分发工具一次铺开，省去逐个平台上传的功夫。