Hướng dẫn viết prompt Gemini Omni với ảnh, video và âm thanh tham chiếu

Gemini Omni đáng chú ý vì nó đưa cách viết prompt video vượt ra ngoài một ô văn bản duy nhất. Prompt văn bản vẫn quan trọng, nhưng kết quả mạnh nhất thường đến từ một bản brief sáng tạo rõ ràng kèm các đầu vào tham chiếu: ảnh cho diện mạo hình ảnh, một video ngắn cho ngôn ngữ chuyển động, và âm thanh cho nhịp điệu, nhịp độ hoặc chỉ dẫn bằng giọng nói. Nếu coi các tham chiếu ấy như những tệp đính kèm ngẫu nhiên, mô hình sẽ phải đoán điều cần giữ lại. Nếu bạn gắn cho mỗi tham chiếu một mục đích, quy trình làm việc sẽ dễ kiểm soát hơn.

Bài viết này hướng dẫn cách xây dựng prompt dựa trên tham chiếu cho Gemini Omni mà không sao chép các ví dụ chính thức. Nội dung dựa trên hướng dẫn prompt Gemini Omni chính thức của Google DeepMind, trong đó nói đến các yếu tố kiểm soát như cỡ cảnh, chuyển động, phong cách, ánh sáng, địa điểm, hành động, hiển thị chữ và tư liệu tham chiếu. Bạn có thể đọc nguồn chính thức tại đây: https://deepmind.google/models/gemini-omni/prompt-guide/.

Có 2 lưu ý quan trọng trước khi bắt đầu. Thứ nhất, tính năng có thể khác nhau tùy gói Google AI, nền tảng sử dụng và khu vực. Đừng cho rằng mọi quy trình tham chiếu đều có sẵn cho mọi người dùng ở mọi quốc gia. Thứ hai, Gemini Omni đã thay thế tên gọi Veo ở một số phần trong trải nghiệm ứng dụng Gemini, nhưng điều đó không có nghĩa là mọi sản phẩm Veo, trang mô hình, lối truy cập dành cho nhà phát triển hay thảo luận trong doanh nghiệp đã biến mất trên toàn cầu. Về chi tiết truy cập, hãy xem bài hướng dẫn riêng của chúng tôi về khả năng sử dụng, giá và quyền truy cập dành cho nhà phát triển của Gemini Omni API.

Nếu bạn mới làm quen với nhóm sản phẩm này, hãy bắt đầu với trang tổng hợp Gemini Omni. Nếu chỉ cần quy trình tạo video cơ bản, hãy so sánh trước các công cụ AI tạo video từ văn bản và công cụ AI tạo video từ ảnh. Bài viết này dành cho những người sáng tạo muốn có một hệ thống viết prompt đa phương thức lặp lại được.

Ý tưởng cốt lõi: mỗi tham chiếu cần một nhiệm vụ

Sai lầm phổ biến nhất khi viết prompt có tham chiếu là đính kèm tệp rồi nói: "làm một video giống như thế này". Nghe có vẻ hiệu quả, nhưng thực ra mơ hồ. "Giống như thế này" nghĩa là cùng nhân vật? Cùng cú chuyển động máy quay? Cùng căn phòng? Cùng bảng màu? Cùng thời điểm của các nhịp beat? Cùng độ méo hình do ống kính? Mô hình có thể suy ra điều gì đó hợp lý, nhưng hợp lý chưa chắc là điều chiến dịch của bạn cần.

Cách tốt hơn là giao cho mỗi tham chiếu một nhiệm vụ. Ảnh tham chiếu có thể xác định chủ thể, trang phục, thiết kế sản phẩm, bảng màu hoặc bố cục poster. Video tham chiếu có thể xác định chuyển động, nhịp dựng, cách vận hành máy quay hoặc kiểu chuyển cảnh. Tệp âm thanh tham chiếu có thể xác định không khí, nhịp điệu lời nói, nhịp nhạc hoặc thời điểm của hành động trên màn hình. Khi đó prompt văn bản trở thành ghi chú của đạo diễn, cho Gemini Omni biết cần mượn phần nào và bỏ qua phần nào.

Hãy xem prompt như một bản brief sản xuất gồm 3 lớp: kết quả mong muốn, bản đồ tham chiếu và chỉ đạo cảnh. Gemini Omni có thể hiểu ý định ở tầm cao hơn, nhưng sự nhất quán của thương hiệu vẫn phụ thuộc vào việc loại bỏ mơ hồ.

Công thức prompt tham chiếu thực tế

Hãy dùng công thức này khi bạn đính kèm ảnh, video hoặc âm thanh tham chiếu:

Tạo [format and duration] cho [audience/use case]. Dùng Ảnh tham chiếu A cho [visual identity], Video tham chiếu B cho [motion/camera/editing] và Âm thanh tham chiếu C cho [timing/mood/dialogue]. Cảnh diễn ra tại [location]. Chủ thể thực hiện [action]. Máy quay: [framing and movement]. Ánh sáng: [lighting]. Phong cách: [visual style]. Chữ: [what text appears, where, and how]. Giữ nguyên [must keep]. Tránh [must not include].

Đây là chính công thức đó dưới dạng mẫu dùng lại được:

Tạo video [duration] [aspect ratio] cho [platform or campaign].
Mục tiêu: [single-sentence communication objective].
Ảnh tham chiếu A: chỉ dùng cho [character/product/wardrobe/palette/composition].
Video tham chiếu B: chỉ dùng cho [camera motion/action timing/edit rhythm/transition style].
Âm thanh tham chiếu C: chỉ dùng cho [music energy/speech cadence/beat markers/ambient mood].
Bối cảnh: [location, time of day, environment details].
Hành động: [main subject action in chronological order].
Máy quay: [shot size, lens feeling, movement, perspective].
Ánh sáng và phong cách: [mood, color, realism level, texture].
Hiển thị chữ: [exact words, placement, animation, duration, legibility].
Ràng buộc: giữ nguyên [specific elements]; tránh [specific errors or unwanted elements].

Cụm từ then chốt là "chỉ dùng cho" (use only for). Nó ngăn các tham chiếu lan sang sai phần của kết quả. Ví dụ, nếu âm thanh tham chiếu chỉ dùng cho nhịp độ, hãy nói rõ như vậy. Nếu video tham chiếu chỉ dùng cho cú chuyển động dolly-in của máy quay, hãy nói rõ là không sao chép con người, địa điểm hay dấu hiệu thương hiệu trong video đó.

Khi nào nên dùng ảnh tham chiếu

Ảnh tham chiếu thường là điểm neo tốt nhất cho tính nhất quán về hình ảnh. Hãy dùng khi video phải giữ nguyên hình dạng sản phẩm, thiết kế nhân vật, trang phục, bố cục căn phòng, bảng màu, thiết kế bao bì, phong cách minh họa hoặc bố cục poster. Ảnh đặc biệt hữu ích trong các quy trình tạo video từ ảnh, nơi khung hình đầu tiên hoặc diện mạo hình ảnh quan trọng hơn mô tả văn bản chung chung.

Chỉ dẫn tốt cho ảnh tham chiếu phải cụ thể. Thay vì viết "dùng ảnh này", hãy viết: "Dùng Ảnh tham chiếu A cho hình dạng sản phẩm chính, lớp hoàn thiện đen nhám, nút nhấn màu cam và góc ba phần tư ở chính giữa. Không sao chép hậu cảnh hay mẩu ghi chú viết tay xuất hiện trong ảnh." Cách viết này cho Gemini Omni biết tín hiệu nào quan trọng.

Để giữ nhân vật đồng nhất, hãy mô tả những đặc điểm hình ảnh an toàn như trang phục, dáng người, kiểu tóc, biểu cảm và vai trò. Với công việc có thương hiệu, hãy dùng tư liệu của chính bạn và nêu rõ điều gì phải chính xác.

Ví dụ prompt dùng ảnh tham chiếu

Tạo một video dọc dài 8 giây giới thiệu sản phẩm cho trang đích trên điện thoại.
Mục tiêu: giúp người xem hiểu rằng thiết bị này nhỏ gọn, cao cấp và dễ mang theo.
Ảnh tham chiếu A: chỉ dùng cho hình dạng sản phẩm, chất liệu bạc dịu, các góc bo tròn và đèn trạng thái nhỏ màu xanh dương. Không sao chép bàn, bàn tay hay hậu cảnh trong ảnh.
Bối cảnh: sản phẩm nằm trên một khay du lịch gọn gàng, cạnh một cuốn hộ chiếu và tai nghe không dây.
Hành động: máy quay bắt đầu cận vào đèn trạng thái màu xanh, kéo lùi để lộ toàn bộ thiết bị, sau đó thiết bị xoay nhẹ 20 độ khi khay trượt vào một chiếc ba lô.
Máy quay: cận cảnh macro chuyển sang kéo lùi mượt, độ sâu trường ảnh nông, bố cục kiểu quảng cáo công nghệ cao cấp.
Ánh sáng và phong cách: ánh sáng dịu của phòng chờ sân bay, phản chiếu chân thực, bảng màu trung tính ấm.
Hiển thị chữ: hiện dòng chữ "Sẵn sàng trước giờ lên máy bay" bằng chữ trắng nhỏ ở góc dưới bên trái trong 2 giây cuối.
Ràng buộc: giữ nguyên tỷ lệ sản phẩm và đèn xanh; tránh cổng kết nối thừa, nút bấm thừa hoặc logo sai.

Hãy để ý rằng prompt không yêu cầu mô hình tự bịa mọi thứ từ đầu. Nó dùng ảnh như một nguồn được kiểm soát cho sản phẩm, đồng thời vẫn cho cảnh đủ định hướng để trở thành một quảng cáo hoàn chỉnh.

Khi nào nên dùng video tham chiếu

Video tham chiếu phát huy tốt nhất khi chuyển động quan trọng hơn hình thức bên ngoài. Hãy dùng cho cách dàn dựng chuyển động máy quay, chuyển động của chủ thể, nhịp dựng, thời điểm của cử chỉ, tương tác với vật thể hoặc ngôn ngữ chuyển cảnh. Một thương hiệu thời trang có thể dùng video tham chiếu cho nhịp bước trên sàn diễn. Một công ty SaaS có thể dùng video quay màn hình để thể hiện chuyển động của con trỏ chuột. Một thương hiệu thực phẩm có thể dùng một clip để cho thấy tốc độ và góc rót sốt.

Đừng giả định mô hình biết bạn quan tâm phần nào của video. Một video tham chiếu chứa rất nhiều tín hiệu: con người, địa điểm, màu sắc, độ rung của máy quay, nhiễu hình, ánh sáng, bố cục và nhịp thời gian. Nếu chỉ muốn lấy cú chuyển động máy quay, hãy nói rõ. Nếu chỉ muốn lấy nhịp hành động, hãy nói rõ. Nếu muốn kết quả không sao chép bối cảnh, cũng hãy nói rõ.

Ví dụ prompt dùng video tham chiếu

Tạo một đoạn teaser ra mắt dạng ngang dài 10 giây cho một ứng dụng năng suất.
Mục tiêu: truyền tải rằng một dự án lộn xộn trở nên ngăn nắp chỉ bằng một chuyển động.
Video tham chiếu B: chỉ dùng cho chuyển động máy quay: một cú push-in chậm nhìn từ trên cao, tiếp theo là một cú snap zoom nhanh ở cuối. Không sao chép căn phòng, con người, đồ vật, bảng màu hay yếu tố thương hiệu từ video tham chiếu.
Bối cảnh: một chiếc bàn gọn gàng với giấy ghi chú, laptop và một máy tính bảng hiển thị các thẻ công việc trừu tượng.
Hành động: những tờ giấy ghi chú rải rác trượt vào các cột gọn gàng trên màn hình máy tính bảng, rồi biến thành một bảng điều khiển đơn giản.
Máy quay: push-in từ trên cao trong 7 giây, sau đó snap zoom vào bảng điều khiển đã hoàn chỉnh.
Ánh sáng và phong cách: ánh sáng ban ngày rực rỡ trong studio, chất thương mại chân thực sắc nét, bóng đổ mềm.
Hiển thị chữ: tạo hiệu ứng chuyển động cho dòng chữ "Từ hỗn loạn đến rõ ràng" chạy dọc mép trên, bám theo cú zoom cuối.
Ràng buộc: giữ bảng điều khiển ở mức trừu tượng và không hiển thị dữ liệu riêng tư đọc được.

Văn bản giải thích mục tiêu; video tham chiếu minh họa cảm giác chuyển động thực tế.

Khi nào nên dùng âm thanh tham chiếu

Âm thanh tham chiếu hữu ích khi nhịp thời gian, cảm xúc, nhịp điệu lời nói hoặc thiết kế âm thanh chi phối bản dựng. Chúng giúp bạn chỉ ra sản phẩm nên xuất hiện ở đâu, tiêu đề nên rơi vào lúc nào, cảnh nên "thở" nhanh hay chậm, hoặc clip nên có sắc thái cảm xúc nào. Âm thanh có thể là nhạc, giọng nói, âm thanh môi trường hoặc một bản âm thanh định nhịp thô, tùy vào nền tảng sử dụng và các tính năng hiện có.

Vì quy trình dùng âm thanh có thể khác nhau tùy gói và khu vực, hãy viết thận trọng. Hãy xem âm thanh tham chiếu là nguồn định hướng, không phải bảo đảm tái tạo chính xác. Nếu bạn cần nhạc có bản quyền hợp lệ, giọng lồng tiếng đã được cấp phép hoặc âm thanh thương hiệu chính xác, hãy kiểm tra quyền sử dụng và quy định của nền tảng trước khi sản xuất.

Ví dụ prompt dùng âm thanh tham chiếu

Tạo một video vuông dài 12 giây cho mạng xã hội, giới thiệu công cụ lên kế hoạch du lịch.
Mục tiêu: khiến ứng dụng mang lại cảm giác bình tĩnh, nhanh và đáng tin.
Âm thanh tham chiếu C: chỉ dùng cho nhịp độ và không khí. Bám theo đoạn nhạc nhẹ nhàng dâng lên ở đầu, nhịp mạnh hơn ở giây thứ 5 và đoạn kết êm ái. Không tái tạo nguyên văn giai điệu.
Bối cảnh: một du khách ngồi bên cửa sổ lúc bình minh trong khi giao diện điện thoại dựng nên lịch trình cuối tuần.
Hành động: ở nhịp đầu tiên, thẻ điểm đến xuất hiện; đến giây thứ 5, ba thẻ hoạt động tự sắp xếp; ở nhịp cuối, lịch trình trở thành một kế hoạch gọn gàng, sẵn sàng để chia sẻ.
Máy quay: cận cảnh cầm tay chậm với hiệu ứng thị sai tinh tế giữa điện thoại, tách cà phê và cửa sổ.
Ánh sáng và phong cách: bình minh ấm áp, phong cách sống du lịch chân thực, lớp giao diện phủ lên tối giản.
Hiển thị chữ: hiện dòng chữ "Lên kế hoạch cuối tuần trong vài phút" ở giữa, phía trên điện thoại, từ giây 6 đến giây 10.
Ràng buộc: giữ giao diện ở mức chung chung, tránh logo hãng hàng không và giữ mọi chữ dễ đọc.

Các mốc thời gian rất quan trọng. Nếu muốn chữ trên màn hình xuất hiện cùng một nhịp, hãy nói rõ là nhịp nào. Nếu muốn bản dựng êm hơn, hãy nói clip nên "thở" giữa các hành động thay vì cắt liên tục.

Cách kết hợp ảnh, video và âm thanh tham chiếu trong một prompt

Quy trình mạnh nhất là bộ ba: ảnh cho diện mạo, video cho chuyển động, âm thanh cho nhịp điệu. Đây cũng là quy trình dễ bị quá tải nhất. Giải pháp là viết bản đồ tham chiếu trước khi viết cảnh.

Hãy dùng danh sách kiểm tra này:

Đây là một prompt đa phương thức hoàn chỉnh:

Tạo một video dọc dài 15 giây cho một trợ lý học tập AI mới.
Mục tiêu: cho thấy một sinh viên có thể biến bài giảng dài thành kế hoạch học tập rõ ràng.
Ảnh tham chiếu A: chỉ dùng cho phong cách giao diện ứng dụng: các thẻ bo tròn, nền xanh navy đậm, điểm nhấn xanh bạc hà và các biểu tượng thân thiện. Không sao chép chữ mẫu trong ảnh.
Video tham chiếu B: chỉ dùng cho ngôn ngữ chuyển động: điện thoại di chuyển ngang mượt mà, hiệu ứng xếp chồng thẻ nhẹ nhàng và cú cận cảnh cuối vào nút hành động chính. Không sao chép lớp học, con người hay dấu hiệu thương hiệu.
Âm thanh tham chiếu C: chỉ dùng cho nhịp độ: phần mở đầu yên tĩnh, nhịp mạnh hơn quanh giây thứ 6 và đoạn kết trọn vẹn. Không tái tạo nguyên văn giai điệu.
Bối cảnh: một sinh viên học bên chiếc bàn nhỏ vào buổi tối với laptop, vở và điện thoại.
Hành động: giây 0-4 cho thấy ghi chú bài giảng như một cuộn giấy lộn xộn; giây 4-8 cho thấy ứng dụng gom ghi chú thành các chủ đề; giây 8-12 cho thấy kế hoạch học 3 ngày; giây 12-15 cho thấy sinh viên mỉm cười và chạm vào "Bắt đầu ôn tập".
Máy quay: khung hình gần kiểu lifestyle, push-in chậm, rồi cận cảnh điện thoại gọn gàng cho cú chạm cuối.
Ánh sáng và phong cách: đèn bàn ấm áp, phong cách sinh viên hiện đại chân thực, chỉn chu nhưng không bóng bẩy.
Hiển thị chữ: hiện dòng chữ "Từ bài giảng đến kế hoạch học" ở phía trên từ giây 8 đến giây 13, độ tương phản cao và không đổi chính tả.
Ràng buộc: giữ hệ màu của ứng dụng từ Ảnh tham chiếu A; tránh chữ nhỏ không đọc được, thừa ngón tay, cạnh điện thoại méo hoặc logo trường đại học thật.

Prompt này giao cho mỗi tư liệu một nhiệm vụ, rồi mô tả clip hoàn chỉnh theo trình tự thời gian. Đó là quy trình bạn nên lặp lại.

Hiển thị chữ: chính xác về từ ngữ, vị trí và thời gian xuất hiện

Hướng dẫn chính thức nêu bật việc hiển thị chữ như một phần có thể kiểm soát khi viết prompt, và đây là chỗ nhiều người sáng tạo vẫn viết prompt chưa đủ. Nếu chữ quan trọng, hãy cung cấp chính xác từng chữ. Đồng thời hãy chỉ rõ chữ xuất hiện ở đâu, hiện trong bao lâu, có chuyển động hay không và phía sau nó cần diễn ra điều gì.

Yếu: "Thêm một tiêu đề về việc tiết kiệm thời gian."

Mạnh: "Hiển thị đúng dòng chữ 'Tiết kiệm 5 giờ trong tuần này' bằng chữ trắng đậm, đặt ở giữa phần ba phía trên, hiển thị từ giây 3 đến giây 7, không có chữ nào khác trên màn hình. Giữ hậu cảnh tối hơn phía sau tiêu đề để dễ đọc."

Với quảng cáo, chữ không phải đồ trang trí. Nó thường là thông điệp thúc đẩy chuyển đổi. Hãy coi nó như một thành phần sản xuất riêng.

Mở rộng prompt: nhờ AI hỗ trợ nhưng vẫn giữ quyền biên tập

Gemini có thể giúp mở rộng một prompt đơn giản thành bản brief sản xuất đầy đủ hơn, đặc biệt ở ngôn ngữ máy quay, ánh sáng, chi tiết địa điểm và tính liên tục. Dù vậy, hãy xem lại kết quả trước khi tạo. Loại bỏ các thông tin bịa đặt, tuyên bố về thương hiệu, thông tin riêng tư, những cam kết kỹ thuật không có căn cứ và sự phức tạp không cần thiết. Sau đó bổ sung chỉ dẫn chính xác về hiển thị chữ và thời gian. Để phân tích sâu hơn về các thành phần của prompt, hãy đọc Hướng dẫn prompt Gemini Omni: các yếu tố thiết yếu.

Khắc phục sự cố với prompt tham chiếu

Nếu kết quả bỏ qua ảnh tham chiếu, hãy thay những cách nói mơ hồ về phong cách bằng các yếu tố cụ thể cần giữ nguyên. Nếu nó sao chép sai hậu cảnh từ video, hãy nói rõ video chỉ dùng cho chuyển động. Nếu bị lệch nhịp, hãy thêm mốc thời gian. Nếu chữ bị sai chính tả hoặc quá nhỏ, hãy rút gọn nội dung chữ và chỉ rõ vị trí, độ tương phản và thời gian hiển thị.

Khi prompt quá dài, hãy cắt nó thành các mức ưu tiên: phải giữ nguyên, nên ảnh hưởng và phải tránh. Mô hình vẫn hưởng lợi từ một thứ bậc sáng tạo rõ ràng.

Câu hỏi thường gặp

1. Prompt tham chiếu trong Gemini Omni là gì?

Prompt tham chiếu là prompt video dùng tư liệu đính kèm làm định hướng sáng tạo. Ảnh có thể xác định diện mạo, video có thể xác định chuyển động, còn âm thanh có thể xác định nhịp độ hoặc không khí. Prompt văn bản giải thích mỗi tham chiếu nên ảnh hưởng đến clip cuối như thế nào.

2. Tôi có thể dùng ảnh, video và âm thanh tham chiếu cùng lúc không?

Tùy vào khả năng cung cấp sản phẩm, gói dịch vụ và khu vực, các quy trình tham chiếu đa phương thức có thể có sẵn ở một số nền tảng của Gemini Omni. Khi dùng nhiều tham chiếu, hãy giao cho mỗi tham chiếu một nhiệm vụ rõ ràng để mô hình biết cần giữ gì và bỏ qua gì.

3. Gemini Omni có giống Veo không?

Không. Google đã giới thiệu Gemini Omni ở một số phần trong trải nghiệm ứng dụng Gemini, và các trang chính thức có đề cập đến mối quan hệ giữa Gemini Omni và Veo. Tuy nhiên, bạn không nên cho rằng mọi đề cập đến Veo trong các sản phẩm, tài liệu hay quy trình dành cho nhà phát triển của Google đã chấm dứt trên toàn cầu.

4. Làm sao để Gemini Omni không sao chép sai phần của tham chiếu?

Hãy dùng ngôn ngữ loại trừ. Ví dụ: "Chỉ dùng Video tham chiếu B cho chuyển động máy quay; không sao chép căn phòng, con người, màu sắc hay logo." Bạn tách nhiệm vụ của tham chiếu khỏi các chi tiết không mong muốn càng rõ thì càng dễ kiểm soát kết quả.

5. Cấu trúc prompt tốt nhất cho video dựa trên tham chiếu là gì?

Hãy dùng cấu trúc của một bản brief sản xuất: mục tiêu, bản đồ tham chiếu, bối cảnh, hành động, máy quay, ánh sáng, phong cách, hiển thị chữ, ràng buộc và danh sách cần tránh. Cách này thể hiện ý định rõ hơn một câu viết lỏng lẻo.

Điều cần nhớ cuối cùng

Viết prompt có tham chiếu không phải là đính kèm thêm nhiều tệp. Đó là cho Gemini Omni một thứ bậc sáng tạo rõ ràng hơn. Dùng ảnh cho diện mạo, video cho chuyển động, âm thanh cho nhịp điệu và văn bản cho chỉ đạo cuối cùng. Sau đó nêu rõ điều gì cần giữ, điều gì cần bỏ qua và clip hoàn chỉnh nên truyền tải ý tưởng ra sao.

Nếu muốn học thêm, hãy bắt đầu từ trang tổng hợp Gemini Omni, rồi so sánh các cách tạo video thực tế qua quy trình tạo video từ văn bản và tạo video từ ảnh.

<script type="application/ld+json"> { "@context": "https://schema.org", "@type": "Article", "headline": "Gemini Omni Reference Image, Video, and Audio Prompting Guide", "description": "A practical guide to Gemini Omni reference prompting with images, videos, and audio, including prompt templates, examples, troubleshooting, and FAQ.", "author": { "@type": "Person", "name": "Emma Chen" }, "publisher": { "@type": "Organization", "name": "veo3ai.io" }, "mainEntityOfPage": { "@type": "WebPage", "@id": "https://veo3ai.io/blog/gemini-omni-reference-image-video-audio-prompting-guide" }, "datePublished": "2026-05-21", "dateModified": "2026-05-21" } </script>

<script type="application/ld+json"> { "@context": "https://schema.org", "@type": "FAQPage", "mainEntity": [ { "@type": "Question", "name": "What is a reference prompt in Gemini Omni?", "acceptedAnswer": { "@type": "Answer", "text": "A reference prompt is a video prompt that uses attached media as creative direction. An image can define appearance, a video can define motion, and audio can define pacing or mood. The text prompt explains how each reference should influence the final clip." } }, { "@type": "Question", "name": "Can I use image, video, and audio references together?", "acceptedAnswer": { "@type": "Answer", "text": "Depending on product availability, plan, and geography, multimodal reference workflows may be available in some Gemini Omni surfaces. When you use multiple references, assign each one a clear job so the model knows what to preserve and what to ignore." } }, { "@type": "Question", "name": "Is Gemini Omni the same as Veo?", "acceptedAnswer": { "@type": "Answer", "text": "No. Google has introduced Gemini Omni in parts of the Gemini app experience, and official pages discuss the relationship between Gemini Omni and Veo. However, you should not assume that every Veo reference across Google products, docs, or developer workflows has globally ended." } }, { "@type": "Question", "name": "How do I stop Gemini Omni from copying the wrong part of a reference?", "acceptedAnswer": { "@type": "Answer", "text": "Use exclusion language. For example, tell the model to use a reference video only for camera motion and not to copy the room, people, colors, or logos. Separating the reference job from unwanted details improves control." } }, { "@type": "Question", "name": "What is the best prompt structure for reference-based videos?", "acceptedAnswer": { "@type": "Answer", "text": "Use a production-brief structure: goal, reference map, scene, action, camera, lighting, style, text rendering, constraints, and avoid list. This is clearer than a single loose sentence." } } ] } </script>