分享一个自己做的小产品，欢迎大家试用和提意见。

产品地址：https://gemini-omni.pro

做这个的原因

我一直在用各种 AI 视频工具，但发现大多数要么太贵，要么生成效果很割裂——视频是视频，音频是音频，得自己后期合成。Google 去年发布的 Gemini 全模态模型其实已经支持文字、图片、视频、音频一起输入输出，但没有一个好用的免费前端。

所以我就自己做了一个。

主要特点

• 全模态输入：一个 prompt 里可以同时放文字描述 + 参考图片 + 参考视频 + 音频
• 原生音频同步：不是后期配音，是生成时就同步的音频轨道
• 对话式编辑：不满意可以直接在对话框里说"让它更慢一点""换个背景色"，不用重新从头写 prompt
• 免费可用：注册送 10 credits，720P 带水印；付费 $29.9/月 解锁 1080P 无水印

做的过程中几个踩坑点

1. 全模态 API 的 token 计费很复杂：视频帧数、音频时长、图片分辨率都分开计费，做预估很麻烦，最后用了分段计费的方式让用户大致知道会花多少
2. 对话式编辑的上下文管理：每一轮编辑都要把之前的生成结果作为参考传回去，上下文窗口压力很大，目前限制了最多 5 轮连续编辑
3. 免费用户的水印：用 FFmpeg 在 Vercel Edge Function 上实时打水印，但 Edge Function 有 4MB 响应限制，视频不能直接返回，得用 R2 中转

目前还比较早期，欢迎大家试用，有 bug 或者功能建议直接回复我。

网址：https://gemini-omni.pro