在不同时间尺度上实现精准的天气预报，对于预测和减轻气候变化的影响至关重要。近年来，基于深度学习的数据驱动方法在中短期预报中取得了显著进展，但由于其自回归方法导致误差累积，难以在更长的次季节至季节（S2S）时间尺度上保持性能。在本研究中，我们提出OmniCast——一种可扩展且具备高精度的概率化天气预报模型，能够统一建模跨时间尺度的天气变化。OmniCast由两个核心组件构成：一是变分自编码器（VAE）模型，用于将原始气象数据编码为连续的、低维的潜在空间表示；二是基于扩散机制的Transformer模型，该模型在给定初始条件令牌的基础上，生成未来一系列潜在状态令牌。在训练阶段，我们随机掩码未来的时间令牌，并通过每个令牌独立的扩散头，训练Transformer模型根据条件信息和可见令牌来估计被掩码令牌的分布。在推理阶段，Transformer通过迭代地解码随机子集的令牌，逐步生成完整的未来令牌序列。这种在时空维度上联合采样的机制，有效缓解了传统自回归方法中误差不断累积的问题。低维潜在空间使得模型能够建模长时间序列的未来潜在状态，从而让Transformer能够学习超越初始条件的天气动力学特征。OmniCast在中短期预报任务中表现与当前领先的概率化方法相当，但推理速度提升10至20倍；在次季节至季节尺度上，其在准确性、物理一致性及概率性能等多个指标上均达到当前最优水平。此外，我们还证明，OmniCast能够生成长达100年的稳定长期预报轨迹。