摘要
1) 一句话总结 Google正式上线了Gemini 2.0的原生多模态生图功能，用户可通过自然语言指令在Google AI Studio免费进行精准的图像编辑、融合与图文内容生成。
2) 关键要点
- 核心技术：Gemini 2.0具备端到端的图像理解与生成能力，无需借助PS或局部重绘工具，仅通过文字指令即可修改图像。
- 访问途径：目前在Google AI Studio（需网络代理）中免费开放，需将模型切换为
Gemini 2.0 Flash Experimental，并将输出格式设置为Images and text。 - 细节修改：支持在保持原图其他细节不变的情况下，精准修改特定元素（如改变发型、闭眼、换脸、替换特定扑克牌、修改图内文字等）。
- 草图与平面图渲染：支持将手绘线稿转化为真实渲染图（可指定材质），或根据2D房屋平面图直接生成每个房间的3D渲染图。
- 多图融合：支持同时上传多张图片进行融合生成（如将产品图与背景图结合）。
- 图文混排：支持直接生成图文并茂的教程（如菜谱步骤）或分镜故事。
3) 风险与不足（基于原文）
- 生成质量上限：目前的图像审美质量和泛化能力仍不及Midjourney (MJ) 或 Flux 等头部绘图模型。
- 稳定性问题：部分细节修改（如替换特定扑克牌）可能无法一次成功，需要多次重新生成（roll）。
- 融合效果瑕疵：在进行多图融合（如产品贴图）时，存在光影不匹配和明显的“贴片感”。
- 访问限制：国内用户访问该功能需要使用网络代理（“魔法”）。
正文
Google这两天动作蛮多。
昨天刚开源Gemma3，然后今天夜里，鸽了N久的Gemini 2.0的原生多模态生图功能，也终于开放了。
这也是我对Gemini 2.0最期待的功能。
在出门回来，玩了一下午后，我觉得终于可以给你们分享一下，这玩意的有趣之处了。
先给你们直观的感受一下，它能干啥。
比如我现在有一张图，是一个很酷的小姐姐。
我想让这个小姐姐，变成长头发。
你无需PS，无需局部重绘，只需要一句话就行。
Gemini 2.0，就会瞬间保证所有的其他细节不变的情况下，把小姐姐变成长发。
我们还可以，一句话，让她把眼睛闭上。
再把她的脸，换成特朗普。。。
这个效果，emmmm，我无法评价。。。
又或者，这是一套扑克牌的图。
我想把把最右边的红桃A扑克牌，变成梅花2。
一句话，就成。
不过这个得roll，我roll了3次才roll出来。
你也可以改文字。
甚至，可以扔一个草图进去，然后说：
请你根据这张手绘线稿图，生成对应的一张真实房屋渲染图。
对这个屋子材质不满意，你还可以，改成木质的。
这，就是言出法随的力量。、
得益于Gemini 2.0的多模态能力，类似于之前的GPT4o，GPT4o是语音端到端，而Gemini 2.0，则是图片端到端。
集图片理解和生成为一身。
而且，画出的图，审美也还凑合，虽然还远远达不到类似MJ、Flux那种质量，泛化能力也差点意思，但，能用了。
在多模态大模型上，能用的言出法随，是非常关键的一点。
说下怎么用。
打开 https://aistudio.google.com/
正常你登录后会看到这个界面（需要魔法）。
然后，在右侧把模型，切换成Gemini 2.0 Flash Experimental。
目前限免，可以随意白嫖。
同时记得output这块，一定是Images and text，千万别只选Text，那你就生成不了图了。
接下来，直接在对话框里，传你图片，加上文字描述就OK。
比如我把我的头像，变成3D实物。
而且你不止可以传一张图，你也可以，传两张图，然后，融图。
虽然它换logo换的还有点贴片感，比较这个太难了，但是产品图，就会好很多了。
比如1和2结合。
光影还是有一些不匹配，有一些贴图感，但不妨碍很准确。
再给半年时间迭代，我觉得，一切都不是问题。
甚至你还可以，不只是图+文字进去，你还可以，直接让它给你生成图文混排的教程。
比如这个做番茄炒蛋的case。
你现在，是真的拥有一个图文混排的教程了。。。
甚至，你还可以，给一个平面图，直接做每个房间的渲染图。
我随手生成了一个两室一厅的平面图。
然后，扔给了Gemini。
怎一个离谱了得。。。
这种一致性，做故事、做分镜，真的就是手到擒来。
两年多了，生成式AI在图像编辑领域的进步，真的也就像悄悄进行的大革命。
从最初需要苦学多年Photoshop和图像处理技术，到如今只需一句话就能实现你的所有创意。
我们不再受限于专业技能的掌握程度，就算是从来没用过PS的小白，也可以轻松地用嘴，将脑海中的创意转化为现实。
言出法随，从这一刻，成真了。
这或许。
就是AI时代。
它们给予我们最珍贵的礼物。