Google 的 AI 视频工具 Gemini Omni（官方名称 OmniFlash）是 Veo3 的继任者，训练数据涵盖 YouTube 的视频库。它近期被讨论最多的是虚拟形象功能：在手机上采集五分钟，就能得到一个可以放进任意场景的数字分身，再用文本提示指挥它出镜。Social Media Examiner 在 9 月 22 日发布了由 Michael Stelzner 与 AI 视频策略师 Eve Whitaker 合写的操作指南，把入口、成本、录制要求与拼接流程逐一拆开。

入口与成本

Omni 有三类入口。最直接的是 Gemini App，桌面端和移动端都能用，聊天界面点「+」选 Video。需要剪辑与修改功能的，Google Labs 的工具更完整。Open Art、Higgs Field 这类第三方聚合平台是第三条路，把多个 AI 模型收进同一个界面。

成本上，Eve Whitaker 建议新手从 Gemini App 的 20 美元/月订阅起步；Ultra 档约 200 美元/月，解锁 Google 全系工具，多数人暂时用不到。生成按积分消耗，分辨率越高、时长越长扣得越多。Gemini App 另有一条限制：早期用户生成大约五到六条视频后会被限流，一到两小时才恢复，而 Google Labs 和聚合平台的额度宽松得多。Eve 给出的组合是 Google Labs 直订加一个聚合平台：前者解锁 Omni 的完整编辑能力，后者在同一个后台提供多模型访问。

虚拟形象与克隆的差别

HeyGen 那类克隆接受长脚本，一次性生成口播视频。Omni 的虚拟形象更接近一个真实人物的数字代表，Eve 称之为「AI 分身」，可以被文本提示放进任何场景，代价是单次生成只有 10 秒，更长内容要靠剪辑拼接。

创建流程约五分钟。手机打开 Gemini App，点「+」下滑找到 avatar，完成一套类似 Face ID 的拍摄序列：左看、右看、上看、下看；随后朗读屏幕上显示的非常规句子，这些古怪文本用来采集自然语流。命名之后头像跨平台同步，在桌面端 Google Labs 输入 @ 加头像名称就能调用。

头像绑定账号，他人无法调用；客户需要自己的头像，得用自己的账号创建。同一账号目前不能同时保留多个头像，但可以随时删除重建。写脚本这一步 Eve 交给 LLM：告诉 ChatGPT 或 Claude「我要做一条 30 秒广告，Omni 单次只能生成 10 秒」，让对方把脚本拆成符合限制的分段，最终得到能直接粘进 Omni 的提示词。

录制环节的六个变量

头像质量高度依赖采集环境，而 AI 不会在采集时提示问题：光线差、镜头有污渍、背景嘈杂，Omni 会用生成内容填补缺口，成品可能不像本人。六个变量里，光线用自然光最好，避免逆光与强烈侧影，她的头像就在客厅自然光下录制。音频要把背景噪音压到最低，听不清的部分 AI 会自行补上。服装要提前选定，录制时穿的衣物成为头像的默认造型，红衬衫配项链会出现在之后每一次生成。帽子是已知的麻烦：模型没有帽子下面的数据，用提示词摘帽结果不可预测，可行做法是上传目标帽子的照片当参考图，让头像戴上去。语速保持自然，录得夸张，头像之后都会维持那个能量水平。背景反而没那么重要，提示「把我放到墨西哥的海滩上」之后原始背景会被整体替换，不过干净明亮的录制仍影响面部与声音的还原。

四要素提示公式

Eve 把有效的视频提示拆成四要素：主体、动作、环境、镜头。主体是画面里出现的对象，用头像时就是以 @ 加名称调用；动作描述主体在做什么，跳舞、走路、对着镜头说话；环境设定场景，街道、墨西哥的海滩；镜头负责机位与运动。Omni 对自然语言响应良好，不必写成 JSON。

她给出的完整示例是「@Eve Whitaker 在街上跳舞，天上下着网球，一群狗绕着她走，她走到镜头前说：这下注意到我了吗？」镜头语言另有讲究：极远景交代环境，中景适合对话，特写拉近距离。最常见的错误是给 Omni 超过 10 秒的台词，模型会把语速压紧，结尾变得仓促含糊。

10 秒片段怎么拼成长片

10 秒的生成上限并不妨碍做出长视频，前提是前期规划和第三方剪辑工具。90 秒的视频就是九段 10 秒，难点在每段末帧与下一段首帧怎么接。Eve 把这件事交给 LLM，把构思和约束一起说明：我要用九段 10 秒做一条 90 秒视频，需要平滑剪辑，不要跳切。LLM 会给出过渡策略并逐段规划。她近期做过一条头像扮演荒岛漂流者的片子，台词是被困 62 年，LLM 建议在段落之间插入荒岛生活蒙太奇，又额外用掉两段 10 秒。分辨率上她建议社媒内容用 720p 省积分，1080p 留给会议大屏，后期再用第三方工具放大；Omni 支持竖屏 9:16 与横屏 16:9，在提示词里指定。

内容产能提上去之后，冷启动阶段的互动数据往往仍是瓶颈。部分运营者会借助 fb刷赞、ins刷赞这类服务补充初期声量，为算法推荐争取一个被评估的窗口。粉丝助手（fszhushou.com）做的正是这类社媒数据服务，可以当作内容策略之外的辅助选项，工具负责产量，数据负责起点。

钩子只做开头那几秒

Eve 最常用的玩法是钩子：照常拍好一条口播视频，再用 Omni 生成一条两三秒的视觉冲击片段接在最前面，投放到 TikTok、Instagram 和 YouTube Shorts。她做过的钩子包括被 Nickelodeon 的黏液泼满头、骑着水牛出现在待售房前（用 Zillow 的房源照片当参考图）。

她排队买咖啡时打开手机里的 Gemini App，调用头像，用 Zillow 照片作参考提示它骑水牛，取到咖啡时成片已经导出。接传统视频时要注意造型连续：从口播视频里截一帧作为参考图，让头像穿同一套衣服，再到 CapCut 或 Instagram 的 Edits 里把钩子和口播拼起来。

20 美元档能试出多少真实产出，取决于是否需要 Google Labs 的编辑能力；10 秒的片段上限，对习惯写长口播的团队反而是重新学分镜的起点。钩子的创意库存能不能跟上产出速度，是更难解决的那一半。