Gemini Omni 1.2 Flash、15秒動画と対話型編集に対応

はじめに

動画生成AIの評価軸は、単に映像を作れるかどうかから、制作工程で安定して使えるかどうかへ移りつつある。Google DeepMindのGemini Omni 1.2 Flashは、生成時間の延長だけでなく、参照内容の保持、会話による編集、音声同期、カメラワークをまとめて改善したモデルだ。

主なポイント

• 最長15秒の動画生成：前世代の10秒から対応時間を延長し、3〜15秒を1秒単位で指定できる。商品説明、短い物語、SNS向け広告を1回の生成で構成しやすくなる。
• 参照内容の一貫性を強化：人物、商品、スタイルの画像に加えて、最長3秒の動きのクリップや音声の手掛かりを組み合わせられる。公式例では、バーチャル試着、商品カタログ用の回転映像、ブランド広告などが示されている。顔、衣服の形、パッケージの文字、ブランドカラーをカメラ変更後も保ちやすくする設計だ。
• 対話形式で同じ動画を修正：商品や背景の差し替え、照明や天候の変更、アスペクト比の調整を、複数回の指示で進められる。広告を対象者や掲載場所ごとに展開する際、再説明と再生成の手間を減らせる。
• 音声と口の動きを改善：より自然な会話、明瞭なリップシンク、複数話者の振り分けを重視している。解説動画、アバター動画、複数キャラクターのアニメーションなどへの利用が想定される。
• 連続したカメラ移動に対応：FPV飛行、旋回、急速なズームアウトなどを、不要なジャンプカットや急なスケール変化を抑えながら表現する。
• 試行コストを削減：720p動画の価格は1秒あたり0.07ドルで、Gemini Omni 1.1から30％下がった。360pまたは720pで下書きを作り、修正後に選んだ映像を1080pや4Kへ拡大する流れも示されている。

意味と限界

今回の更新で重要なのは、1回のプロンプトに依存する生成から、「生成、確認、対話で修正、複数版を書き出す」という制作サイクルへ近づいた点だ。広告や商品映像では、派手な一場面よりも、人物や製品が途中で変形しないこと、必要な部分だけ直せることの方が実務上の価値を持つ。15秒への延長は、複数の短いカットをつなぐ作業も減らしうる。

一方、Google DeepMindは、高速なスポーツ動作、頻繁な脚本変更、複雑な物理表現については改善を続けていると説明している。したがって、15秒に対応したことが、あらゆる難しい場面で専門制作レベルの連続性を保証するわけではない。モデルはGemini API、Google Vids、Gemini for business、関連するGoogle Cloudの環境で提供され、企業向けのインフラとProvisioned Throughputにも対応する。生成物には目立たないSynthID透かしが付く。

Gemini Omni 1.2 Flashの強みは、映像の見栄えだけでなく、制御しやすさとコストにある。参照の一貫性と対話編集が実案件でも機能すれば、短尺広告、商品紹介、解説動画の量産に必要な作業を軽くする可能性がある。

出典：Google DeepMind