谷歌一口气放两个模型，视频和语音都盯上了

Gemini新模型能看懂10秒视频，还能转写85种语言

谷歌把视频理解和语音转写，塞进了新模型

一个叫 Gemini Omni 1.1 Flash，能直接分析最长10秒的视频，场景一致性更好，还加了个360p的低成本草稿模式。说人话就是，先用便宜的方式试，满意了再出成品。

另一个叫 Gemini 3.5 Transcribe，主打语音转写，延迟更低、错字更少，支持85种以上的语言。
我做新媒体这十年，最头疼的就是字幕。一条十几分钟的视频，人工听一遍再敲一遍，大半天就没了。语音转写这块只要准一点、快一点，一年省下来的人力，够养一个小组。

这次谷歌的落点很有意思。它没有去比谁的模型更聪明，而是奔着视频和语音这两个最费时间、最靠人力的活儿去的。视频理解解决看，语音转写解决听，这两件事恰好是内容行业每天都要重复干的苦力活。

我常跟人说，工具的进步不在于它能聊多深的天，而在于它能替你干掉多少重复劳动。省下来的时间，才是创作者最贵的东西。

很多工具看着热闹，真用起来才发现是花架子。判断一个模型值不值得上，我只看一条：它是不是真的接走了一段原本非人不可的活儿。

真正的AI落地，不在实验室的跑分榜上，在你每天的工作流里。

你现在的工作里，最希望哪个环节被一个模型直接接走？评论区说说看。