• Android 用戶：可以直接在 Gemini Live 中，使用相機分享功能，讓 Gemini「看見」你鏡頭下的主體，再以自然語言要求它生成或編輯圖片 。更廣泛的影像生成功能，則是由 Gemini 2.5 Flash Image（內部暱稱 nano-banana）這個模型所驅動 。
• iOS 用戶：核心體驗與 Android 相同，皆是在 Live 對話中結合相機分享與即時指令。雖然目前文獻未針對 iOS 提供獨立的操作流程，但基礎邏輯是一致的 。

要特別留意的是，既有 Gemini App 中的影像生成功能，是基於文字或圖片上傳的轉換，而這次在 Gemini Live 中的新功能，則是將這個創作與編輯的過程，帶入了即時語音與影像的對話情境中 。

⚙️ 幕後推手：nano-banana 技術揭秘

這一切的技術核心，仰賴 Google DeepMind 的最新影像模型：Gemini 2.5 Flash Image，它有個可愛的內部暱稱 「nano-banana」，是 Google 目前最先進的影像生成與編輯模型 。它的關鍵能力包括：

• 多圖融合：將多張不同的圖片無縫結合成一張構圖 。
• 角色一致性：在連續的編輯中，保持故事角色或主體的外貌特徵穩定，這對於敘事創作至關重要 。
• 自然語言精準轉換：透過對話式指令，對影像進行特定區域的修改（例如「把這件紅色衣服換成藍色西裝」）。
• 結合世界知識：不僅是像素運算，Gemini 能運用自己的知識庫來生成更符合現實或常理的影像 。

此模型已透過 API 和 Google AI Studio 提供給開發者，每百萬輸出 token 的定價為 30 美元，每張圖片計算為 1290 個輸出 token 。

🚀 I/O 2026 的全局佈局：從影像到影片的全面進化

Google 在 I/O 2026 上的一系列重磅發布，清晰地展現了其圍繞著 Gemini 打造一條「從理解到創造」的統一多模態管線的野心。除了 Gemini Live 的影像功能，還有更多重大更新：

1. Gemini Omni：從任何輸入，創造任何輸出，從影片開始

這是大會上最受矚目的新模型。官方宣稱 Gemini Omni 是一個能「從任何輸入創造出任何東西」的模型，而第一步就是影片 。

• 對話式影片編輯：它被外界比喻為「影像版 nano-banana」，你不需要繁瑣的剪輯軟體，只需像對話一樣告訴 Omni ：「把場景裡的金屬雕像變成泡泡做的」、「把人物衣服換掉」，它就能在保留物理特性和角色一致性的情況下完成編輯 。
• 多模態融合：它能結合文字、圖片、影片和音訊，生成高品質且符合現實世界知識的影片 。
• AI 分身：你還可以創造一個長相和聲音都像你的自訂 AI 頭像，將自己放入生成的影片中 。

2. Gemini 3.5 Flash：更快的速度，更強的代理能力

Gemini 3.5 Flash 成為 Gemini App 和 Google 搜尋「AI 模式」的新預設模型 。其核心賣點是 「以 Flash 系列的速度，提供媲美旗艦模型的智慧」 。

• 極速輸出：Google 表示其 token 輸出速度，比其他同級前沿模型快上四倍，這對於需要低延遲的即時互動場景至關重要 。
• 代理任務優化：此模型專為處理多步驟工具調用、編碼和複雜規劃等「代理式」工作流程而生 。在 MCP Atlas（多步驟工具使用）、Finance Agent v2（財務分析）等基準測試中，其表現超越了 GPT-5.5 和 Claude Opus 4.7 。

3. 其它重要更新

• 搜尋引擎大改造：Google 將這次 AI 搜尋的更新，定位為 25年來最大規模的升級 。
• Gemini App 重新設計：伴隨著新模型，App 也迎來了全新介面，其設計語言命名為「Neural Expressive」，旨在讓回應變得更直觀、更豐富 。
• 工作空間 AI 化：宣布了 Docs Live（用說的就能寫文件）、Gmail Live 以及全新 AI 影像編輯工具 Google Pics 等生產力工具 。

🌐 在多模態 AI 競賽中的定位

Google 的策略核心，並非只開發一個強大的影像或影片模型，而是建立深度整合的即時多模態管線。

• 影像層面：Gemini Live 實現了「看見即創造」的即時對話式影像生成與編輯 。
• 影片層面：Gemini Omni 將相同的對話式創作邏輯延伸到影片領域，支援多重輸入與精準編輯 。
• 推理與創造的結合：Google 強調 Omni 結合了 Gemini 的核心智慧與生成式媒體模型，不僅僅是生成，更能理解物理世界並進行推理 。

Google 的優勢在於其生態系統的垂直整合能力，從底層的 Gemini 模型、上層的應用程式（搜尋、Workspace），到終端設備（Android 手機），形成一個能直接面向數十億用戶的封閉迴路。關鍵挑戰則在於，當這些功能大規模上線後，其實際體驗能否如展示般流暢且可靠 。

從「nano-banana」到「Omni」，Google 正將 AI 助理的角色從「問答機」轉變為一個能理解你的意圖、看見你的世界，並即時為你創造內容的「全能夥伴」。

• Android 用戶：可以直接在 Gemini Live 中，使用相機分享功能，讓 Gemini「看見」你鏡頭下的主體，再以自然語言要求它生成或編輯圖片 。更廣泛的影像生成功能，則是由 Gemini 2.5 Flash Image（內部暱稱 nano-banana）這個模型所驅動 。
• iOS 用戶：核心體驗與 Android 相同，皆是在 Live 對話中結合相機分享與即時指令。雖然目前文獻未針對 iOS 提供獨立的操作流程，但基礎邏輯是一致的 。

要特別留意的是，既有 Gemini App 中的影像生成功能，是基於文字或圖片上傳的轉換，而這次在 Gemini Live 中的新功能，則是將這個創作與編輯的過程，帶入了即時語音與影像的對話情境中 。

⚙️ 幕後推手：nano-banana 技術揭秘

這一切的技術核心，仰賴 Google DeepMind 的最新影像模型：Gemini 2.5 Flash Image，它有個可愛的內部暱稱 「nano-banana」，是 Google 目前最先進的影像生成與編輯模型 。它的關鍵能力包括：

• 多圖融合：將多張不同的圖片無縫結合成一張構圖 。
• 角色一致性：在連續的編輯中，保持故事角色或主體的外貌特徵穩定，這對於敘事創作至關重要 。
• 自然語言精準轉換：透過對話式指令，對影像進行特定區域的修改（例如「把這件紅色衣服換成藍色西裝」）。
• 結合世界知識：不僅是像素運算，Gemini 能運用自己的知識庫來生成更符合現實或常理的影像 。

此模型已透過 API 和 Google AI Studio 提供給開發者，每百萬輸出 token 的定價為 30 美元，每張圖片計算為 1290 個輸出 token 。

🚀 I/O 2026 的全局佈局：從影像到影片的全面進化

Google 在 I/O 2026 上的一系列重磅發布，清晰地展現了其圍繞著 Gemini 打造一條「從理解到創造」的統一多模態管線的野心。除了 Gemini Live 的影像功能，還有更多重大更新：

1. Gemini Omni：從任何輸入，創造任何輸出，從影片開始

這是大會上最受矚目的新模型。官方宣稱 Gemini Omni 是一個能「從任何輸入創造出任何東西」的模型，而第一步就是影片 。

• 對話式影片編輯：它被外界比喻為「影像版 nano-banana」，你不需要繁瑣的剪輯軟體，只需像對話一樣告訴 Omni ：「把場景裡的金屬雕像變成泡泡做的」、「把人物衣服換掉」，它就能在保留物理特性和角色一致性的情況下完成編輯 。
• 多模態融合：它能結合文字、圖片、影片和音訊，生成高品質且符合現實世界知識的影片 。
• AI 分身：你還可以創造一個長相和聲音都像你的自訂 AI 頭像，將自己放入生成的影片中 。

2. Gemini 3.5 Flash：更快的速度，更強的代理能力

Gemini 3.5 Flash 成為 Gemini App 和 Google 搜尋「AI 模式」的新預設模型 。其核心賣點是 「以 Flash 系列的速度，提供媲美旗艦模型的智慧」 。

• 極速輸出：Google 表示其 token 輸出速度，比其他同級前沿模型快上四倍，這對於需要低延遲的即時互動場景至關重要 。
• 代理任務優化：此模型專為處理多步驟工具調用、編碼和複雜規劃等「代理式」工作流程而生 。在 MCP Atlas（多步驟工具使用）、Finance Agent v2（財務分析）等基準測試中，其表現超越了 GPT-5.5 和 Claude Opus 4.7 。

3. 其它重要更新

• 搜尋引擎大改造：Google 將這次 AI 搜尋的更新，定位為 25年來最大規模的升級 。
• Gemini App 重新設計：伴隨著新模型，App 也迎來了全新介面，其設計語言命名為「Neural Expressive」，旨在讓回應變得更直觀、更豐富 。
• 工作空間 AI 化：宣布了 Docs Live（用說的就能寫文件）、Gmail Live 以及全新 AI 影像編輯工具 Google Pics 等生產力工具 。

🌐 在多模態 AI 競賽中的定位

Google 的策略核心，並非只開發一個強大的影像或影片模型，而是建立深度整合的即時多模態管線。

• 影像層面：Gemini Live 實現了「看見即創造」的即時對話式影像生成與編輯 。
• 影片層面：Gemini Omni 將相同的對話式創作邏輯延伸到影片領域，支援多重輸入與精準編輯 。
• 推理與創造的結合：Google 強調 Omni 結合了 Gemini 的核心智慧與生成式媒體模型，不僅僅是生成，更能理解物理世界並進行推理 。

Google 的優勢在於其生態系統的垂直整合能力，從底層的 Gemini 模型、上層的應用程式（搜尋、Workspace），到終端設備（Android 手機），形成一個能直接面向數十億用戶的封閉迴路。關鍵挑戰則在於，當這些功能大規模上線後，其實際體驗能否如展示般流暢且可靠 。

從「nano-banana」到「Omni」，Google 正將 AI 助理的角色從「問答機」轉變為一個能理解你的意圖、看見你的世界，並即時為你創造內容的「全能夥伴」。