Gemini Omni 能够接收图像、音频、视频和文本的组合输入，并将其转化为单一连贯的视频输出。

可以上传指定的角色图像、场景图片或原始视频作为参考素材。模型能够提取参考视频中的特定运动轨迹（如人物行走、动物游动），并将其应用到上传的静态图像或指定的材质上；或者根据输入的音频节奏，自动匹配并生成同步的视觉特效转换。

用户可以通过多轮自然语言对话来修改已生成的视频细节。在连续下达指令时，模型会基于上一步的画面进行调整。在修改过程中，系统能够保持视频中角色特征的前后一致性，并记住前序已经发生的场景。

在无需重新生成整个视频的前提下可以输入指令替换视频中的特定物体、增加新角色、改变环境光线，或在保持原有动作主线的情况下直接切换摄像机视角和视觉风格。

该模型内置了对重力、动能以及流体动力学等基础物理规律的判断规则，以减少视频画面中出现违背现实常理的运动错误。

Omni 结合了历史、科学和文化领域的知识库。业务人员只需输入简短的文字提示，模型即可生成用于解释复杂科学概念（例如蛋白质折叠过程）的定格动画或动态演示视频。