เจาะลึกฟีเจอร์ใหม่ล่าสุดของ Google: Gemini Live สร้างและแก้ไขรูปภาพได้ทันทีด้วยเสียงและกล้อง

Google เพิ่มความสามารถอะไรใหม่ให้กับ Gemini Live

Google ได้เปิดตัวฟีเจอร์ การสร้างและแก้ไขรูปภาพโดยตรงแบบเรียลไทม์ ภายใน Gemini Live ซึ่งเป็นโหมด AI สนทนาด้วยเสียง ขณะที่กำลังสนทนาในโหมด Live ผู้ใช้สามารถเปิดใช้ฟีเจอร์แชร์กล้อง เล็งโทรศัพท์ไปที่สิ่งใดสิ่งหนึ่ง แล้วออกคำสั่งด้วยภาษาพูดเพื่อให้ Gemini สร้างหรือแก้ไขรูปภาพให้ทันที ผลลัพธ์ที่ได้จะถูกสร้างหรือแก้ไขขึ้นมาภายในหน้าจอ Live เลย

ฟีเจอร์นี้ทำงานอย่างไรบน Android และ iOS

• Android: ผู้ใช้สามารถใช้การแชร์กล้องของ Gemini Live เพื่อให้ Gemini เห็นสิ่งที่เรากำลังมอง จากนั้นใช้เสียงหรือพิมพ์บอกให้มันสร้างหรือแก้ไขภาพตามที่ต้องการ เบื้องหลังความสามารถนี้ขับเคลื่อนด้วยโมเดล Gemini 2.5 Flash Image หรือที่หลายคนเรียกกันว่า นาโน่กล้วย (Nano Banana)
• iOS: แม้ว่าแหล่งข้อมูลจะไม่ได้ระบุขั้นตอนการทำงานแบบแยกสำหรับ iOS ไว้ แต่ฟีเจอร์หลักของ Gemini Live ก็คือการแชร์กล้องพร้อมกับการสนทนาเพื่อสร้างและแก้ไขภาพแบบเรียลไทม์ ซึ่งทำงานในลักษณะเดียวกัน

หัวใจสำคัญที่แตกต่างคือ ของเดิม การสร้างและแก้ไขภาพผ่าน Gemini 2.5 Flash Image นั้นรองรับการทำงานผ่านข้อความ (Prompt) และการอัปโหลดภาพ แต่ฟีเจอร์ใหม่ใน Gemini Live นี้ ได้นำวงจรการสร้างและแก้ไขภาพนั้น เข้ามาเป็นส่วนหนึ่งของการสนทนาด้วยเสียงและกล้องแบบเรียลไทม์

เทคโนโลยีเบื้องหลังคืออะไร

โมเดลรูปภาพเบื้องหลังคือ Gemini 2.5 Flash Image หรือ นาโน่กล้วย ที่ Google ระบุว่าเป็นโมเดลสร้างและแก้ไขภาพที่ล้ำสมัยที่สุดของพวกเขา ความสามารถสำคัญๆ ได้แก่

• การผสมผสานหลายภาพให้กลายเป็นภาพเดียว
• การรักษาความต่อเนื่องของตัวละครในระหว่างการแก้ไข ซึ่งเหมาะกับการทำสตอรี่บอร์ด
• การแปลงโฉมเฉพาะจุดผ่านคำสั่งภาษาธรรมชาติ
• การทำงานทั้งหมดนี้ผ่านการสนทนาด้วยเสียงหรือข้อความใน Gemini Live

อัปเดตอื่นๆ ในงาน Google I/O 2026 ที่มาต่อยอดความแรงนี้

ณ งาน Google I/O 2026 ยังมีการประกาศใหญ่อีกหลายอย่างที่ต่อยอดจากแรงส่งนี้

Gemini Omni – โมเดลที่ 'เนรมิตอะไรก็ได้จากทุกอินพุต'

นี่คือโมเดลใหม่ที่สามารถสร้างเอาท์พุตจากอินพุตหลากหลายรูปแบบ โดยเริ่มต้นที่วิดีโอ Google อธิบายว่าโมเดลนี้ผสานความฉลาดของ Gemini เข้ากับโมเดล Generative Media ที่ดีที่สุด เพื่อความเข้าใจโลก ความเป็นมัลติโหมด และการตัดต่อในอีกระดับ ถ้าจะให้เข้าใจง่ายๆ Gemini Omni ก็คือ 'นาโน่กล้วยในเวอร์ชันวิดีโอ' ที่ให้คุณสร้างและตัดต่อวิดีโอได้ง่ายเหมือนการสนทนา

Gemini 3.5 Flash – เร็วขึ้น 4 เท่า ฉลาดกว่าเดิม

นี่คือโมเดลใหม่ที่ถูกตั้งเป็นค่าเริ่มต้นสำหรับแอป Gemini และฟีเจอร์ AI Mode ใน Google Search Google ระบุว่ามันสร้างผลลัพธ์ได้เร็วกว่าโมเดลระดับแนวหน้าตัวอื่นๆ ถึง 4 เท่า ในระดับราคาใกล้เคียงกัน และถูกออกแบบมาเพื่องานที่ซับซ้อนอย่างการเขียนโค้ด การทำงานหลายขั้นตอน และงานที่ใช้เวลานานๆ

การอัปเดตอื่นๆ ที่น่าจับตามอง

• Gemini Spark ระบบเอเจนต์ AI ส่วนตัวที่ทำงานเบื้องหลังให้คุณตลอด 24/7
• Google ประกาศว่าเป็นการอัปเกรดระบบ Search ครั้งใหญ่ที่สุดในรอบ 25 ปี
• แอป Gemini ก็ได้รับการออกแบบใหม่ด้วยภาษาดีไซน์ 'Neural Expressive' ทำให้การโต้ตอบลื่นไหลและดูเป็นธรรมชาติมากขึ้น

จุดยืนของ Google ในสมรภูมิ AI มัลติโหมด

จากประกาศเหล่านี้ Google กำลังวางตำแหน่งตัวเองเป็นผู้นำด้วย ระบบ AI มัลติโหมดแบบครบวงจรและเรียลไทม์ ที่ครอบคลุมทั้งการสนทนา การใช้กล้อง การสร้างภาพ และการสร้างวิดีโอ

• รูปภาพ: Gemini Live ปิดลูปให้คุณสมบูรณ์แบบ คุณสามารถ 'ให้ Gemini เห็นในสิ่งที่คุณเห็น' แล้ว 'ขอให้มันสร้างหรือแก้ไขภาพ' จากสิ่งนั้นได้ทันที
• วิดีโอ: Gemini Omni นำแนวคิดการสร้างและแก้ไขผ่านการสนทนานี้ไปต่อยอดกับวิดีโอ โดยรับอินพุตเป็นข้อความ รูปภาพ หรือวิดีโอ
• ความฉลาด + การสร้างสรรค์: สิ่งที่ทำให้ Google ได้เปรียบคือ ความสามารถในการเชื่อมต่อ 'โมเดลภาษา' ที่เข้าใจและใช้เหตุผล กับ 'โมเดลสร้างสรรค์สื่อ' เพื่อให้ทุกอย่างเกิดขึ้นได้ในการสนทนาเดียว

โดยสรุปแล้ว จุดแข็งของ Google อยู่ที่ความลึกของการผสานรวมเทคโนโลยี Gemini Live ทำให้การสื่อสารด้วยภาพและเสียงเป็นเรื่องเดียวกัน ส่วน Gemini Omni ก็พร้อมจะยกระดับการสร้างคอนเทนต์วิดีโอในแบบที่คุยกันรู้เรื่อง คำถามสำคัญต่อไปคือ เมื่อฟีเจอร์เหล่านี้เปิดให้ใช้ในวงกว้างมากขึ้น มันจะทำงานได้ 'เจ๋ง' แบบที่โชว์ไว้บนเวทีจริงหรือไม่