DeepMind 发布 Gemini Omni 多模态模型

DeepMind 正式发布 Gemini Omni 模型，这是一个原生多模态模型，能够直接处理文本、图像、音频和视频输入并生成混合模态输出。与传统的级联式多模态方案不同，Gemini Omni 在单一模型中统一了所有模态的表示与推理，无需外部 ASR/TTS 模块即可实现端到端的语音理解与生成。

该模型在多项多模态基准测试中取得了领先成绩，并支持实时交互场景。