一年前我要做一条视频，需要的东西是这样一串清单：一台相机、一份脚本、一个会剪辑的人，再加上我自己好几个小时。
现在这串清单只剩一样东西——我得知道自己想要什么，然后把它说出来。
7月16日，谷歌在 Google Vids 里同时上线了两个功能：Gemini Omni 和个人数字分身。这两个东西加在一起的效果是，我打一句话进去，出来的是一条能直接发的成片。没有相机，没有麦克风，没有剪辑软件。
我盯着这个更新看了很久，因为它表面上是”又一个 AI 视频工具”，往下扒一层，动的是另一样东西。
它不是生成器，是一个会改片子的搭档
先说清楚 Gemini Omni 到底是什么。它在 2026 年的 Google I/O 上第一次亮相，定位是一个”全能模型”——能接受文字、图片、草图、语音录音，也能接受你已经拍好的素材。
这几个输入源里，最后一项最容易被忽略，但恰恰是分水岭。
它不只会凭空造新片，它能理解你手里已经有的东西，然后改它。
大多数 AI 视频工具停在第一步：你给提示词，它吐一段素材，不满意就重来一遍，像抽卡。Gemini Omni 走的是第二步——第一条片子出来之后，我可以继续跟它对话：换个背景、把光修一下、加个效果、把这一段的场景调整一下。
我不是在时间轴上一帧一帧地拖，我是在跟它聊天。
更关键的是，这套修改能力不只对 AI 生成的画面有效。我拿自己手机拍的素材照样能用。厨房里光线很糟的一段，不用重拍，直接跟它说”把光修好”。
这一条的分量比听上去重。它意味着 AI 不再是替代拍摄的另一条路，而是接管了拍摄之后的整个环节。
我自己的判断：真正被取代的不是”拍”，是”剪”。拍摄本来就有大量业余替代方案，手机早就够用了；卡住绝大多数人的一直是拍完之后那几个小时——导入、粗剪、调色、加字、导出。这一环现在被一句话吃掉了。
打个比方：你要的是椅子，不是木工课
我试着找一个不用术语的说法。
老式的视频剪辑，像是从零开始做一把椅子。你得有木头、有工具、有胶水，还得有几个小时的耐心。做出来的椅子好不好，取决于你的手艺。
Gemini Omni 更像是：你把想要的椅子描述给一个人听，那个人手里已经有木头、有工具、有手艺，几分钟后把成品递给你。
这个比方里藏着一个容易被跳过的前提——你得先知道自己要一把什么样的椅子。
木料和工具不再稀缺之后，稀缺的是描述能力。这是我在这次更新里看到的最大的一个变化，也是绝大多数讨论都绕开的一点：门槛没有消失，它换了个位置。
以前的门槛在”能不能做出来”，现在的门槛在”能不能说清楚”。前者靠时间和设备解决，后者只能靠脑子。
第二个功能更炸：你的脸和你的声音
现在说第二块，个人数字分身。这个是普通人反应最大的一个。
流程简单到有点可怕：上传一张自拍，再录一小段语音，谷歌就给你建一个数字版的你，能对着镜头念稿子。我打字进去，那个”我”就用我的脸、我的声音，把这些话说出来。
可以把它理解成一个替身演员，只不过这个替身长得和我一模一样，而且只为我一个人工作。
这里的用途已经很明确了。新员工的入职培训视频、公司内部的更新通报——这类内容有两个共同点：需要有个人出镜说话，但内容本身高度重复、更新频繁。以前每改一版就得重录一次，现在改的是文字。
我想强调的是这个功能真正瞄准的场景。它不是给你拍电影用的，它是给”必须有张脸，但没必要真拍”的那一大类内容用的。这类内容在企业内部的体量，远比大多数人以为的大。
谁能用：这次谷歌没有全员放开
值得注意的是，谷歌没有一键给所有人打开。
Gemini Omni 和个人分身，面向的是 Google AI Pro 和 Ultra 订阅用户，以及符合条件的 Google Workspace 企业客户。
这个投放范围本身就是一个信号。Google Vids 本来就长在 Workspace 里面——和成千上万家企业放文档、表格、幻灯片的是同一个地方。谷歌自己说过，过去一年里已经有数百万条视频是用 Vids 做出来的，这还是在这次更新落地之前。
所以这不是一个你得专门去找、去下载、去注册的新 App。它是加在一个你每天都会打开的工具上面的。
这条我认为是整件事里最容易被低估的一点。新工具的死亡率极高，不是因为不好用，是因为没人记得打开。而这次的分发路径，是直接塞进已有的工作流里。
企业侧留了开关，这不是小事
谷歌还在里面加了一层管理权限。
企业的管理员可以通过 Workspace 管理控制台，管理甚至直接关掉整个团队的个人分身功能。
一个老板不会被默认打开的功能绑架，这是一个选择题，不是一道必答题。
我为什么专门拿出一节讲这个？因为它说明谷歌很清楚数字分身这东西在企业里的真实处境——它同时是效率工具和风险源。一家公司里如果每个人都能生成一个会说话的自己，那么”这段视频到底是不是他本人说的”就会变成一个需要制度回答的问题。
给出开关，本质上是承认这个功能需要被治理。 这比功能本身更能说明谷歌对它的定位：这是要进企业合规流程的东西，不是一个玩具。
无形水印和身份验证：真正的护城河在这里
安全这部分，谷歌没有偷懒，而我认为这才是整个更新里技术含量最高、也最被低估的一块。
第一层，做个人分身需要一道安全验证，和你真实的谷歌账号绑定。 别人没法在你不知情的情况下造一个你出来。分身是锁在账号上的。
第二层，用这个方式做出来的每一条片子，都带有来自 Google DeepMind 的 SynthID 隐形水印。 任何人都能去检验一条视频是不是 AI 生成的。
把这两层放在一起看，逻辑就出来了：生成能力本身已经不稀缺了，稀缺的是”可信”。
一个谁都能一句话出片的世界里，最值钱的不是出片，是能证明这条片子是谁做的、是不是真人拍的。谷歌在放开生成能力的同一天，把身份验证和溯源水印一起放了进去——这两件事必须同时做，先放生成再补溯源，就晚了。
我的看法是：接下来几年，AI 视频领域真正的竞争壁垒不在画质，在这套身份和溯源体系。画质会迅速拉平，信任不会。
限制说清楚：现在还不是所有人的游戏
必须把限制讲明白，不然容易被带节奏。
上线阶段仅支持英文，仅面向 18 岁及以上用户。 而且，在欧洲经济区、瑞士和英国还不可用。
如果你在这几个地区，现在能做的就是盯着政策变化。这几个地区的缺席不是技术问题，是监管问题——恰恰是对 AI 生成内容和生物特征数据管得最严的几个地方。
这也从侧面印证了上一节的判断：数字分身涉及的是人的脸和声音，属于生物特征范畴。这个功能能走多远，取决于监管而不是模型能力。
至于英文限制，我预计会比地区限制解除得快得多。语音克隆和口型同步的多语言扩展，是纯工程问题。
被忽略的一条：你可以画一张草图给它
回过头再看 Gemini Omni 的输入清单，有一项几乎没人讨论——草图。
它能接受的不只是文字和图片，还包括你随手画的草图，以及一段语音录音。官方的说法是，你可以上传一张照片或者一张粗糙的草图，好让 AI 理解你想要的那种感觉。
这一条为什么重要？因为它补上了纯文字描述最大的一个短板。
有些东西是说不清楚的。 镜头怎么摆、人在画面里占多大、光从哪个方向来——这些用文字写要写一长段，而且写完了对方还未必理解对；但随手画三个框、标两个箭头，五秒钟就说明白了。
导演用分镜脚本沟通了一百年，靠的就是这个道理：空间关系用画的，比用说的效率高一个数量级。
所以我判断，真正把这个工具用出水平的人，最后大概率不是靠写出多华丽的提示词，而是靠”随手画一张丑草图 + 一句大白话”这种组合。语音输入同理——把想法说出来，比打字更接近思考的原速。
多模态输入在这里不是一个参数表上的卖点，它是在给”描述能力”这个新门槛铺台阶。既然门槛已经从”会不会做”移到了”说不说得清”，那么能让人更容易说清楚的每一种输入方式，都是在实打实地降低门槛。
我会怎么用它：三个真正划算的场景
抛开概念，说点能落地的。
第一，重复性高、更新频繁的说明类视频。 产品功能更新说明、操作流程演示、内部培训。这类视频的特征是每次改动都很小，但过去每改一次就要完整重录。现在改的是脚本，成本几乎归零。
第二，需要”人味”但不值得真拍的内容。 落地页上那段介绍视频、给新关注者的欢迎视频、投放用的短广告。这类内容有出镜的人会明显好过纯图文，但为它专门布光架机器又不划算。数字分身正好卡在这个空档里。
第三，已有素材的抢救。 这个是我最看重的一条，也是最少人提的。手里那些因为光线、背景、某个小瑕疵而废掉的素材，现在可以用对话把它救回来。存量素材的价值被重新激活了，这比生成新素材更实在。
反过来说，我不建议现在就用它做的：需要真实性背书的内容。客户证言、创始人访谈、任何”我以我本人的身份向你保证”的场景——即便技术上做得出来，一旦被发现是分身，信任的损失远大于省下的那点拍摄成本。
工具的门槛降到地板上之后，稀缺的就不再是执行力，而是判断力——你要清楚地知道自己想要什么，并且能把它说出来。
这一轮变化里，最大的转移是：过去需要一整个团队才能干成的事，现在只需要你给出一句清楚的话。
设备不再是壁垒，剪辑技能不再是壁垒。留下来的壁垒只有两条——你对内容本身的判断，以及你有没有能力用语言精确地描述你要的东西。
现在开始动手测试的人，会在所有人反应过来之前，先搞清楚这东西到底怎么用。这个时间差，就是这次更新给普通人留的最大一块红利。
