2026 AI模型指南文本 • 图像 • 语音 • 视频

高难度推理、长时间运行的智能体与多步骤研究；适合常规模型仍无法完成的任务。

复杂编程、研究与文档任务；支持图像输入、工具调用和结构化输出。

兼顾成本的编程与多模态分析，接受文本、图像、视频、音频和 PDF，输出文本。

图像生成与编辑，适合需要遵循详细指令和保留参考图特征的素材制作。

多参考图生成与编辑，适合需要重复生产视觉素材的工作。

复杂视觉指令、品牌一致性和精细设计；对应 Nano Banana Pro。

可被打断的实时语音对话，支持推理与工具调用，适合客服和语音智能体。

低延迟音频对话与多模态交互，通过 Live API 接入。

富有表现力的配音、角色对话与旁白，支持音频标签控制语气。

通过自然语言反复修改短视频，适合对话式生成和编辑。

需要同步音频和镜头控制的短片生成，可按制作要求选择 Standard、Fast 或 Lite。

最长 30 秒的音视频联合生成，支持参考素材控制、视频延长与精细编辑。