Google dodaje generowanie obrazów w czasie rzeczywistym do Gemini Live. Oto jak to działa

Na iOS mechanizm jest ten sam – udostępnianie kamery plus konwersacja w czasie rzeczywistym . Źródła nie wskazują na odrębny, specyficzny dla iPhone’a proces, co sugeruje, że Google zadbało o spójność doświadczenia na obu platformach mobilnych.

Różnica między dotychczasową funkcjonalnością a tą nową jest kluczowa: do tej pory Gemini 2.5 Flash Image pozwalał na generowanie i edycję obrazów za pomocą promptów tekstowych i przesyłanych plików. Teraz ten kreatywny proces został przeniesiony wprost do interakcji głosowej na żywo z podglądem z kamery .

Jaka technologia za tym stoi?

Sercem nowej funkcji jest model Gemini 2.5 Flash Image, znany pod nieoficjalną nazwą Nano Banana. Google określa go jako „najnowocześniejszy model do generowania i edycji obrazów” .

Oto, co potrafi Nano Banana:

• Łączenie kilku obrazów w jeden spójny kompozyt .
• Zachowanie spójności postaci – jeśli tworzysz historyjkę obrazkową z tym samym bohaterem, model zapamiętuje jego wygląd i utrzymuje go podczas kolejnych edycji .
• Celowane przekształcenia za pomocą zwykłych poleceń językowych – nie trzeba znać technicznego żargonu .
• Konwersacyjny przepływ pracy – generowanie i edycja odbywają się w formie dialogu, a nie jednorazowego promptu .

Co jeszcze ogłoszono na Google I/O 2026?

Nowa funkcja w Gemini Live to dopiero jeden z elementów znacznie szerszej wizji Google. Podczas konferencji Google I/O 2026 firma zaprezentowała szereg nowości, które razem składają się na spójny ekosystem multimodalnej AI.

Gemini Omni – „Nano Banana dla wideo”

To bez wątpienia największa gwiazda wydarzenia. Gemini Omni to nowy model, który potrafi tworzyć i edytować wideo na podstawie dowolnych danych wejściowych – tekstu, obrazu, audio, a nawet istniejącego materiału filmowego .

Google opisuje to jako połączenie inteligencji Gemini z najlepszymi modelami generatywnymi firmy (Veo, Nano Banana, Genie) w jeden system, który rozumie świat, fizykę i kontekst .

W praktyce wygląda to tak: mówisz do aplikacji „Zmień tę metalową rzeźbę na fontannę z bąbelkami, ale zostaw przechodzącą obok kobietę bez zmian” – i Gemini Omni robi to, zachowując fizykę sceny i tożsamość postaci . Użytkownicy mogą też tworzyć własne awatary AI ze swoją twarzą i głosem i umieszczać się w generowanych klipach .

Wersja Gemini Omni Flash jest już dostępna dla subskrybentów Google AI Plus, Pro i Ultra, a także w YouTube Shorts .

Gemini 3.5 Flash – nowy domyślny model

Drugim filarem ogłoszeń jest Gemini 3.5 Flash, który zastąpił Gemini 3.1 Flash jako domyślny model w aplikacji Gemini i trybie AI wyszukiwarki Google .

Co go wyróżnia?

• Czterokrotnie szybsze generowanie tokenów niż konkurencyjne modele z najwyższej półki .
• Zoptymalizowany pod kątem zadań agentowych – świetnie radzi sobie z wieloetapowymi workflow, kodowaniem i planowaniem .
• Na benchmarkach przewyższa Gemini 3.1 Pro, GPT-5.5 i Claude Opus 4.7 w zadaniach takich jak wieloetapowe użycie narzędzi (MCP Atlas) czy analiza finansowa .

Przeprojektowana aplikacja Gemini i inne nowości

Google zaprezentowało też odświeżony interfejs aplikacji Gemini w nowym języku projektowym „Neural Expressive” . Gemini Live nie otwiera się już na pełnym ekranie, tylko działa w trybie inline – można płynnie przełączać się między pisaniem a rozmową .

Ponadto ogłoszono Google Pics – nową aplikację do edycji obrazów AI (coś na kształt Canvy, ale zintegrowanego z Google Workspace) oraz Docs Live – możliwość tworzenia i edycji dokumentów Google Docs za pomocą poleceń głosowych .

Jak to pozycjonuje Google w wyścigu multimodalnej AI?

Patrząc na te wszystkie ogłoszenia, widać wyraźnie, że Google stawia na głęboką integrację multimodalną w czasie rzeczywistym, a nie na pojedyncze, odseparowane narzędzia.

• Obraz: Gemini Live pozwala teraz tworzyć i edytować obrazy w trakcie rozmowy z wykorzystaniem kamery .
• Wideo: Gemini Omni przenosi ten sam konwersacyjny model tworzenia i edycji na wideo, łącząc tekst, zdjęcia i istniejące nagrania .
• Rozumowanie + media: Omni łączy inteligencję modelu językowego Gemini z zaawansowanymi modelami generatywnymi, co daje lepsze rozumienie kontekstu i fizyki sceny .

Przewaga Google, przynajmniej na papierze, tkwi w spójności ekosystemu: użytkownik nie musi skakać między narzędziami. W jednej aplikacji może pokazać Gemini, co widzi, poprosić o modyfikację, przejść do edycji wideo i stworzyć spersonalizowanego awatara – wszystko w języku naturalnym.

Kluczowe pytanie brzmi: jak te zintegrowane przepływy pracy sprawdzą się w praktyce, gdy trafią do rąk milionów użytkowników? Na razie Google wysyła jasny sygnał: przyszłość AI to nie osobne modele do tekstu, obrazu i wideo, ale jeden, multimodalny, konwersacyjny interfejs, który rozumie i tworzy świat tak jak człowiek.