Запуск Gemini 3.5 Flash Omni: Обновление мультимодального ИИ Google для создателей

По состоянию на 20 мая 2026 года пыль после Google I/O 2026 ещё не успела осесть, а анонсы уже ощущаются как важный шаг вперёд для мультимодальных инструментов. Gemini 3.5 Flash теперь стал моделью по умолчанию в приложении Gemini и в AI-режиме Поиска. Она обеспечивает примерно в четыре раза большую скорость по сравнению с предшественницей, улучшает помощь в кодинге и агентное поведение, при этом снижая затраты на инференс. На том же мероприятии Google представила Gemini Omni — мультимодальную мировую модель, способную превращать любой набор текста, статичных изображений, видеоклипов и аудио в coherentный видео-выход. В ранних демо модель объединяла короткий текстовый промпт, референсное фото и несколько секунд фонового звука в удивительно стабильное движение. Мгновенный запуск Gemini Omni Flash доступен подписчикам Google AI Plus, Pro и Ultra через основное приложение, Google Flow и YouTube Shorts, а более широкий доступ к API ожидается в ближайшие недели.

Для создателей контента скорость и стабильность важнее громких характеристик. Прирост производительности Gemini 3.5 Flash заметно сокращает время между промптом и готовым результатом — особенно когда нужно дорабатывать последовательность за несколько итераций. Улучшенные агентные функции позволяют модели планировать простые многошаговые задачи: например, сначала создать раскадровку, а потом превратить выбранные кадры в короткие клипы. Смешанный ввод Gemini Omni особенно полезен в пайплайнах image-to-video. Автор может загрузить готовое фото, референсное видео в нужном стиле и короткую голосовую заметку с описанием движения камеры — и получить результат, который учитывает все три сигнала одновременно. Такой уровень контроля раньше требовал серьёзной постобработки.

Лучшее следование промпту и стабильность персонажей — два улучшения, которые создатели отмечают чаще всего в первых тестах. Когда движение остаётся привязанным к одному и тому же объекту в разных кадрах, время на монтаж заметно сокращается. Мультимедийные промпты также открывают пространство для небольших творческих экспериментов: вставить рендер продукта в lifestyle-сцену или наложить диалог на сгенерированный ролик, не пересобирая весь кадр с нуля. Честно говоря, после нескольких тестов со смешанным вводом я получил более пригодные результаты, чем ожидал, хотя сложные движения камеры всё ещё далеки от идеала. Такие мультимодальные прорывы уже влияют на инструменты видео следующего поколения, включая обсуждение того, как Gemini Omni работает с откровенным контентом — подробнее об этом я рассказал здесь: Gemini omni nsfw: Почему модель видео ИИ Google блокирует откровенный контент.