Google DeepMindが Gemini Omni のページを公開しました。位置づけは明確です。任意の入力からコンテンツを作るモデルで、現時点では動画を中心にしています。
Nano Bananaが画像生成と編集に寄っているとすれば、Gemini Omniは動画向けのマルチモーダル編集モデルに近い存在です。ユーザーは自然言語で動画を段階的に編集でき、後続の変更は前回の変更結果を土台にしながら、シーン、人物、動き、画面の論理的一貫性を保とうとします。
プロジェクトページ：https://deepmind.google/models/gemini-omni/
解決しようとしている問題
従来の動画編集には、タイムライン、レイヤー、マスク、キーフレーム、カラーグレーディング、音声トラック、そして多くの手作業が必要です。AI動画生成ツールはプロンプトからクリップを生成できますが、よくある問題が二つあります。
- 一度生成した結果を細かく修正しにくい。
- 複数回編集すると、人物、シーン、スタイル、動きがぶれやすい。
Gemini Omniが狙っているのはこの二つ目の段階です。単に動画を生成するのではなく、編集者と会話するように、ユーザーが継続して修正を依頼できるようにします。
ページでは、自然で段階的な会話を通じて任意の動画を編集できると説明されています。各編集は前回の結果に基づき、連続性のある統一されたシーンを維持することを目指します。
主な機能
Gemini Omniの機能はいくつかに分けられます。
一つ目は自然言語による動画編集です。ユーザーは動画の美的スタイル、動き、エフェクトの変更を直接依頼できます。たとえば、鏡を液体のように波立たせたり、人物を線画、フェルト人形、透明なホログラム風ワイヤーフレームに変えたり、環境全体を 3D voxel art に変換したりできます。
二つ目は動作の再構成です。手で作った穴を拡大する、玩具に対応する動物の鳴き声を出させる、建物の照明を音楽に合わせて点灯させる、といった形で、動画内で起きること自体を変えられます。
三つ目は参照画像に基づく実写動画の編集です。ユーザーは画像を参照として与え、建物、太陽、飛行物体、その他のオブジェクトを実写の動画シーンに配置するよう依頼できます。
四つ目は複数回の編集で一貫性を保つことです。ページでは、バイオリン奏者を参照画像の環境に移動し、バイオリンを消し、さらにショットを肩越しの角度に変える連続編集の流れが紹介されています。一度きりのプロンプトよりも、実際の制作プロセスに近い使い方です。
五つ目は複数入力の参照です。Gemini Omniは画像、テキスト、動画、音声などの入力を一つの出力に統合でき、スタイル転送、動作転送、キャラクター置換、スケッチから動画への変換などに対応します。
なぜ世界知識を強調するのか
Googleはページの中で、Gemini Omniは単に「映像をリアルにする」だけではなく、Geminiの世界知識、物理的直感、歴史、科学、物語の論理を組み合わせると繰り返し強調しています。
これは重要です。動画モデルが画質だけを追求すると、動きが不自然になったり、物体の関係が混乱したり、文字と映像が同期しなかったりしがちです。Gemini Omniの目標は、見た目だけでなく、ストーリー、物理、意味の面でも一貫した動画にすることです。
ページの例には次のようなものがあります。
- ビー玉が連鎖反応のコースを転がる。
- claymationでタンパク質の折りたたみを説明する。
- stop motion風に海馬の働きを説明する。
- 文字と画面内の物体を対応させて表示する。
- 画面上の単語をリズムに合わせて一語ずつ表示する。
これらの例から、Gemini Omniは単なるショート動画向けエフェクトツールではなく、知識表現、物語、映像と音声の生成をまとめようとしていることがわかります。
Veo、Flow、Nano Bananaとの関係
Googleの現在の製品ラインを見ると、Gemini Omniはマルチモーダルな制作と編集機能の入口に近い存在です。
Veo は動画生成モデルそのものに近く、映画的な動画と音声生成を重視します。Google Flow はクリエイター向けのAIクリエイティブスタジオで、ショット、素材、動画プロジェクトを整理する用途に向いています。Nano Banana は画像作成と細部編集に寄っています。Gemini Omniは「任意の入力から一貫した出力へ」というマルチモーダル編集を重視し、とくに動画での自然言語による複数回制御を前面に出しています。
簡単に整理すると、次のようになります。
- 高品質な動画を生成したいなら、Veoに注目。
- 制作ワークフローの中で動画プロジェクトを整理したいなら、Google Flowに注目。
- 画像を編集したいなら、Nano Bananaに注目。
- 会話形式で動画を修正し、画像、テキスト、動画、音声を参照したいなら、Gemini Omniに注目。
利用入口
ページで挙げられている入口は次の通りです。
- Gemini app。
- Google Flow。
- YouTube Shorts。
ただしページでは、Google AIのサブスクリプションが必要であり、機能は契約プランや地域によって異なるとも説明されています。つまり、すべてのユーザーがすべての地域で完全な機能をすぐに使えるわけではありません。
クリエイターにとっては、より完整な制作ワークスペースに近い Google Flow が特に重要な入口になりそうです。一般ユーザーにとっては、Gemini app と YouTube Shorts のほうが試しやすい入口になるでしょう。
安全性とコンテンツ表示
Gemini Omniのページでは安全プロセスにも触れています。Gemini Omni Flashの開発では、社内の安全性および責任あるAIチームと協力し、自動評価、人間による評価、人間のレッドチーミング、自動レッドチーミング、リリース前の倫理・安全レビューが行われたと説明されています。
コンテンツの透明性については、Gemini app、Google Flow、YouTubeでOmniを使って作成または編集されたコンテンツには、不可視の SynthID デジタルウォーターマークと C2PA Content Credentials が含まれるとされています。ユーザーはGemini appでコンテンツを検証でき、今後はChromeや検索にも拡張される予定です。
これは動画モデルでは特に重要です。動画生成と動画編集がリアルになるほど、出所表示、悪用防止、検証ツールの重要性は高まります。
向いているユーザー
Gemini Omniは次のようなユーザーに向いています。
- 自然言語で素早く動画を修正したいコンテンツクリエイター。
- スケッチ、参照画像、音声、動画素材を組み合わせて完成映像を作りたいデザインチーム。
- ショート動画、広告コンセプト、教育向け解説動画、製品ビジュアル案を作る人。
- Google FlowでAI動画ワークフローを構築したいクリエイター。
- マルチモーダル動画編集の限界を観察したい開発者や研究者。
ただし、すべての場面に向いているわけではありません。本格的な商業映像、ブランドのキービジュアル、映像制作、製品発表動画では、人によるレビュー、著作権確認、事実確認、素材管理が依然として必要です。AIはコンセプト生成や初稿の反復を大きく速めますが、最終確認の代わりにはなりません。
Gemini Omniをどう見るか
Gemini Omniの意味は、AI動画を「一度きりの生成」から「会話しながら修正できる編集」へ進める点にあります。これは単に画質を上げることよりも、実際の制作フローに近い変化です。
複数回編集、一貫性、参照素材の制御、音声と映像の同期、コンテンツ表示が安定すれば、AI動画ツールの使い方は変わります。ユーザーは長いプロンプトを一度書いて結果に賭けるのではなく、監督、編集者、デザイナーのように、シーン、動き、スタイル、物語を段階的に修正していくようになります。
現時点では、実際の提供範囲、価格、地域制限、生成時間、解像度、著作権ポリシー、商用利用ルールを見ていく必要があります。一般的なクリエイターにとって最も実用的な観察点は、Google Flow と Gemini app の中で多段階の動画編集を安定して行えるかどうかです。
参考：