ในงาน Google I/O 2026 Google ประกาศเปิดตัวตระกูลโมเดล Gemini Omni โดยรุ่นแรกที่ปล่อยให้ใช้งานจริงทันทีคือ Gemini Omni Flash โมเดลวิดีโอแบบ multimodal เจนใหม่ที่ออกแบบมาเพื่อ "สร้างผลงานจากทุกรูปแบบ input" ความน่าสนใจของการเปิดตัวครั้งนี้ไม่ใช่แค่เรื่องขีดความสามารถของตัวโมเดล แต่คือการที่ Google ปล่อยฟีเจอร์นี้ลงในแอป Gemini และเครื่องมือสร้าง YouTube Shorts ให้ผู้ใช้ทั่วไปได้ลองฟรีตั้งแต่วันแรก ตามข้อมูลใน ประกาศอย่างเป็นทางการของ Google DeepMind

รายงานจาก TechCrunch ระบุว่า Gemini Omni Flash สามารถรับ input พร้อมกันได้ถึง 4 รูปแบบ (text, image, audio, video) ใน prompt เดียว แล้วสังเคราะห์วิดีโอความยาว 10 วินาทีพร้อมเสียงประกอบในตัว จุดขายหลักของ Omni ไม่ใช่เรื่องความยาวคลิปหรือความละเอียดสูงสุด เพราะในมิตินั้น Sora 2 Pro ของ OpenAI ยังทำความยาวได้มากกว่าที่ 25 วินาที ตามที่ Metapress สรุปไว้ แต่ความได้เปรียบของ Google อยู่ที่การรองรับ multimodal input ที่ยืดหยุ่น การสั่งแก้ไขคลิปแบบคุยต่อเนื่องที่ยังจำฉากและตัวละครเดิมได้ และการเปิดให้ผู้ใช้ระดับ consumer เข้าถึงได้ฟรีทันที

วิดีโอทุกคลิปที่สร้างจาก Omni จะมีลายน้ำดิจิทัล SynthID ฝังอยู่ในโครงสร้างไฟล์โดยไม่สามารถมองเห็นด้วยตาเปล่า ควบคู่กับ visible watermark ที่มุมล่างของภาพ รายงานจาก TechTimes เผยว่าระบบ SynthID ของ Google ตรวจสอบไฟล์ไปแล้วกว่า 100,000 ล้านชิ้น ขณะเดียวกัน Google ยังเลือกที่จะกักฟีเจอร์แก้ไขเสียงพูดหรือการพากย์เสียงทับคนอื่นไว้ก่อน เพื่อป้องกันปัญหาความปลอดภัยและ deepfake

บทความนี้สรุปสิ่งที่ Gemini Omni Flash ทำได้จริงจากการทดสอบของ Paul J Lipsky และ Robby Payne จาก Chrome Unboxed พร้อมเปรียบเทียบกับคู่แข่งอย่าง Sora 2, Veo 3 และ Kling เพื่อเป็นแนวทางสำหรับครีเอเตอร์ นักการตลาด และนักพัฒนาในไทยในการนำไปปรับใช้กับงานจริง

3 จุดเปลี่ยนสำคัญที่ทำให้ Omni Flash โดดเด่น

สิ่งที่สร้างความแตกต่างอย่างแท้จริงในการเปิดตัวรอบนี้ไม่ได้อยู่ที่สเปกด้านตัวเลข แต่อยู่ที่ 3 แกนหลักที่ประกอบเข้าด้วยกันอย่างลงตัว

• รับ Input 4 Modality พร้อมกันในคำสั่งเดียว: ตามข้อมูลใน ประกาศของ Google ผู้ใช้สามารถป้อนทั้งคำบรรยายเรื่องราว ภาพอ้างอิงสไตล์ คลิปต้นฉบับที่ต้องการแก้ และไฟล์เสียงตัวอย่างพร้อมกันได้ในรอบเดียว ขณะที่ TheNextWeb รายงานว่า Sora 2 ยังไม่รองรับการผสานภาพกับเสียงพร้อมกัน ส่วน Veo 3 รองรับเฉพาะข้อความหรือภาพอย่างใดอย่างหนึ่ง
• การแก้ไขแบบ Conversational Loop ที่รักษาความต่อเนื่อง: ฟีเจอร์ที่ Google เรียกว่า "the scene remembers what came before" ช่วยให้การสั่งแก้คลิปทำได้ผ่านการพิมพ์บอกจุดที่ต้องการเปลี่ยน โดยโมเดลจะคงหน้าตาตัวละคร เสื้อผ้า และฉากหลังเดิมไว้ เช่น ในการสาธิตของ Paul J Lipsky เมื่อสั่ง "เปลี่ยนสีเสื้อกั๊กเป็นสีน้ำเงิน" Omni จะเปลี่ยนเฉพาะสีเสื้อ โดยที่ท่าทางและฉากหลังยังคงเดิม ไม่ต้องเริ่ม generate ใหม่ทั้งคลิป
• การกระจายสู่ฐานผู้ใช้ระดับพันล้านคน (Distribution): Google นำ Omni บรรจุลงใน YouTube Shorts และ YouTube Create ทันที ตามรายงานของ TechCrunch ครีเอเตอร์ไทยจึงสามารถสร้างคอนเทนต์ได้ทันทีโดยไม่ต้องจ่ายค่า subscription แยก ต่างจาก Sora ของ OpenAI ที่เคยปิดฟีเจอร์ Cameos ไปก่อนหน้านี้ โดย TechTimes ระบุว่า Omni Avatars พัฒนาต่อยอดขึ้นมาจากพื้นฐานของ Cameos นั้นเอง

เจาะลึกฟีเจอร์จริงและ Workflow การทำงาน

การเริ่มต้นใช้งาน Omni ทำได้โดยการตั้งค่า avatar ของตัวเองในแอปมือถือ ซึ่งใช้เวลาประมาณ 2 นาที ตามที่ Chrome Unboxed รีวิวไว้ ผู้ใช้ต้องขยับใบหน้าตามองศาที่ระบบกำหนดในที่ที่มีแสงเพียงพอ จากนั้นอ่านชุดตัวเลขและประโยคตัวอย่างออกเสียงเพื่อให้ระบบจดจำจังหวะการพูด โทนเสียง และสำเนียง โดย Chrome Unboxed เผยว่า Google จำกัดให้ผู้ใช้ต้องมีอายุ 18 ปีขึ้นไป และต้องสแกนตัวเองสดๆ เท่านั้น ไม่อนุญาตให้อัปโหลดรูปคนอื่น เพื่อสกัดการทำ deepfake ตั้งแต่ขั้นตอนแรก

เมื่อตั้งค่า avatar เรียบร้อย ผู้ใช้สามารถเลือกใช้งานระหว่าง Template สำเร็จรูป หรือจะเขียน prompt ขึ้นมาเอง ในคลิปทดสอบของ Paul J Lipsky มี template เด่นๆ เช่น:

• Metallic: แปลงร่างผู้ใช้ให้กลายเป็นโลหะเหลวสะท้อนแสง
• Meme Me: สังเคราะห์มีมวิดีโอตลกๆ โดยมีตัวเราเป็นตัวเอก
• Indie Pastel: ปรับโทนภาพและมุมกล้องแบบสมมาตรสไตล์ Wes Anderson
• Montage: รวมภาพนิ่งสูงสุด 5 ภาพและคลิปวิดีโอ 1 คลิปมาตัดต่อเป็นสตอรี่สั้น

ในด้านสเปกการสร้างงาน Google กำหนดให้ Flash tier สร้างวิดีโอความยาว 10 วินาทีต่อครั้ง ส่วนความละเอียด 720p และความเร็วในการประมวลผล 60 ถึง 90 วินาทีตามที่ TechTimes รายงานนั้น เป็นผลทดสอบจริงจากฝั่งครีเอเตอร์

หัวใจสำคัญของ workflow ใน Omni คือการสั่งต่อยอดในห้องแชทเดิม Paul J Lipsky สาธิตว่าการพิมพ์คำสั่ง "pick up from the last frame" จะทำให้ AI สร้างเรื่องราวท่อนถัดไปต่อจากเฟรมสุดท้ายได้อย่างแนบเนียน นอกจากนี้ยังมีฟีเจอร์ Video-in / Video-out ที่เปิดให้อัปโหลดคลิปจริงเข้าไป เช่น คลิปกล้องหน้ารถ แล้วสั่งให้ AI เติมฉากภูเขาไฟระเบิดไว้ด้านหลังภูเขาได้โดยที่ภาพหลักไม่เสียรูปทรง ช่วยลดเวลาในการแก้งานซ้ำได้เร็วกว่าการสั่ง render ใหม่ทั้งหมด

เทียบฟีเจอร์: อะไรใหม่จริง และอะไรยังต้องระวัง

สิ่งที่ ใหม่จริง ในตลาดคือการรับ multimodal input หลากหลายรูปแบบในคำสั่งเดียว การแก้ไขคลิปแบบ interactive chat ที่จำบริบทฉากได้ และการเปิดให้ใช้ฟรีบน YouTube Shorts ส่วนสิ่งที่ ทำตามมาตรฐานคู่แข่ง คือระบบ avatar และการซิงก์เสียงพูด ซึ่งโมเดลอย่าง Veo 3 และ Sora 2 ทำได้อยู่แล้ว ในขณะที่ความยาวคลิป 10 วินาทียังตามหลัง Sora 2 Pro (25 วินาที) ตามที่ Metapress สรุปไว้

สำหรับสิ่งที่ ควรระวัง มีอยู่ 2 ประเด็นหลัก ประเด็นแรกคือภาพเริ่มต้น (start frame) จากภาพอ้างอิงที่อัปโหลดเข้าไปยังมีความคลาดเคลื่อนอยู่บ้าง และประเด็นที่สองคือลายน้ำ SynthID ที่ฝังแน่นในทุกคลิปโดยไม่สามารถปิดได้ ซึ่งสำหรับงานโฆษณาหรือแบรนด์ที่มีข้อกำหนดห้ามมี AI watermark จะไม่สามารถนำคลิปจาก Omni ไปใช้งานเชิงพาณิชย์ได้โดยตรง

วางตำแหน่งในตลาด: Omni vs Sora 2 vs Veo 3 vs Kling

การเลือกเครื่องมือให้ตรงกับโจทย์การทำงานต้องเข้าใจจุดแข็งของแต่ละตัว

• เทียบกับ Sora 2 Pro (OpenAI): ตามรายงานของ Metapress Sora 2 Pro ยังได้เปรียบเรื่องความยาวคลิป 25 วินาทีและความนิ่งขององค์ประกอบเมื่อสร้างฉากต่อเนื่องยาวๆ แต่ Omni Flash ชนะเรื่อง workflow การสั่งแก้ในแชท และการมี avatar ให้ใช้งาน
• เทียบกับ Veo 3.1 (Google): Veo 3 วางตำแหน่งสำหรับโปรดักชันระดับมืออาชีพและองค์กรผ่าน Vertex AI ตามที่ WaveSpeed สรุปไว้ ในขณะที่ Omni Flash เน้นความคล่องตัวบนมือถือและกลุ่มผู้ใช้ทั่วไป ทั้งสองตัวจึงทำหน้าที่เกื้อหนุนกันมากกว่าการแข่งกันตรงๆ
• เทียบกับ Kling 3.0 และ Hailuo (MiniMax): ฝั่งโมเดลจีนยังโดดเด่นมากในเรื่องความสวยงามของภาพดิบ (raw visual quality) สไตล์ cinematic และ motion ที่สมจริง เหมาะกับการนำไปทำ final shot งานโฆษณา ส่วน Omni เหมาะสำหรับการระดมไอเดีย (ideation) และการสร้างคลิปสั้นลง Shorts อย่างรวดเร็ว

การตัดสินใจด้านความปลอดภัยของ Google

รายงานจาก TechTimes และ TheNextWeb ระบุตรงกันว่า Google ยังไม่ปล่อยฟีเจอร์แก้ไขเสียงพูดอิสระ (general purpose voice editing) เช่น การเปลี่ยนคำพูดในคลิปของผู้อื่น เพื่อป้องกันปัญหา deepfake ในช่วงที่มาตรการทางกฎหมายยังไม่ครอบคลุม

สำหรับครีเอเตอร์ไทย การมีระบบป้องกันนี้ถือเป็นผลดี การฝังลายน้ำดิจิทัล SynthID ในทุกไฟล์ช่วยให้มีหลักฐานยืนยันความถูกต้องของคอนเทนต์ และสามารถตรวจสอบย้อนกลับผ่านแอป Gemini, Chrome หรือ Google Search ได้หากเกิดกรณีถูกนำใบหน้าหรือเสียงไปแอบอ้าง

สำหรับรุ่นระดับโปรอย่าง Gemini Omni Pro ที่จะขยายขีดจำกัดความยาวคลิป และระบบ API สำหรับนักพัฒนา ทาง Google ระบุว่าจะเปิดตัวตามมาในอีกไม่กี่สัปดาห์ข้างหน้า ตามข้อมูลของ WaveSpeed

โอกาสในการประยุกต์ใช้งานจริงในไทย

1. ครีเอเตอร์ YouTube Shorts และ TikTok: ใช้สร้างภาพตัดสลับ (B-roll) ความยาว 10 วินาทีเพื่อเล่าเรื่อง เช่น ฉากแฟนตาซี ฉากใต้น้ำ หรือสถานที่ท่องเที่ยวต่างประเทศ โดยนำ avatar ตัวเองเข้าไปอยู่ในฉากได้ทันที ช่วยลดต้นทุนการจัดฉากจริง
2. นักการตลาดและธุรกิจ SME: ใช้ทดสอบชิ้นงานโฆษณาแบบ A/B Testing สำหรับยิง Ads บน TikTok หรือ Facebook โดยพิมพ์สั่งปรับเปลี่ยนสีสินค้าหรือฉากหลังทีละเวอร์ชันเพื่อดูว่าชิ้นงานไหนสร้างยอดขายได้ดีที่สุด
3. ครูและผู้ผลิตสื่อการสอน: นำไปสร้างสื่อจำลองภาพประกอบการสอน เช่น การระเบิดของภูเขาไฟ หรือโครงสร้างโมเลกุลทางชีววิทยา เพื่อให้นักเรียนเห็นภาพชัดเจนขึ้น โดยเน้นใช้เป็นภาพประกอบการอธิบายควบคู่กับการตรวจทานเนื้อหาทางวิชาการ
4. Agency และงาน Pitching: ใช้ทำ Mockup ภาพเคลื่อนไหวและ Storyboard ให้ลูกค้าเห็นภาพไอเดียในห้องประชุมได้เร็วกว่าการทำสไลด์ภาพนิ่ง

แนวทางการเริ่มต้นใช้งานในไทย

แพ็กเกจ Google AI Plus ซึ่งรวม Gemini, Nano Banana Pro และ Omni Flash ไว้ด้วยกัน เริ่มเปิดให้บริการในประเทศไทยแล้วตาม ประกาศของ Google โดยสามารถตรวจสอบราคาและสถานะการสมัครได้ผ่านบัญชี Google One

สำหรับผู้ใช้ทั่วไป สามารถเข้าไปที่แอป Gemini แล้วกดเครื่องหมาย + ในหน้าแชท หากบัญชีได้รับการอัปเดตแล้วจะพบปุ่ม Avatars เพื่อเริ่มตั้งค่าใบหน้า หรือเปิดแอป YouTube แล้วเลือกเครื่องมือ AI ในส่วนสร้าง Shorts การทยอยปล่อยฟีเจอร์จะกระจายให้ผู้ใช้ในไทยอย่างต่อเนื่องในระยะเวลา 1 ถึง 2 สัปดาห์

แนวทางที่ดีที่สุดคือการเริ่มต้นทดลองจาก Preset Templates สำเร็จรูปเพื่อให้คุ้นเคยกับธรรมชาติของโมเดล จากนั้นจึงต่อยอดไปสู่การเขียน Custom Prompt และการต่อฉากด้วยคำสั่ง "pick up from the last frame" เพื่อสร้างสตอรี่ที่ยาวขึ้นตามต้องการ