Google、「Gemini 2.0 Flash」のネイティブ画像生成を開発者に開放

大規模言語モデルに画像を生成させようとすると、これまでは別の画像生成モデルにプロンプトを横流しする構成が一般的でした。このやり方では、同じキャラクターを描き続けたり、会話の流れで少しずつ修正したりするのが困難でした。

Google はその壁を取り払いました。Gemini 2.0 Flash のネイティブ画像生成機能を、サポート対象の全地域の開発者向けに開放したと発表しました。Google AI Studio および Gemini API を通じて、実験用モデル gemini-2.0-flash-exp から利用できます。

この機能は昨年 12 月から一部のテスター向けに提供されていたもので、わずかなコード記述で利用できます。レスポンスの出力形式にテキストと画像の両方を指定するだけで動作します。

ネイティブ生成がもたらす変化

最大の特徴は、単一のマルチモーダル基盤モデル自身が直接画像を出力する点にあります。テキスト理解や推論能力が画像生成と一体化しています。

これにより、複数の画像を通じて同一のキャラクターや舞台設定の一貫性を維持したビジュアルストーリーが作成しやすくなりました。

また、自然言語の会話を重ねながら少しずつ画像を修正できる点も強みです。文脈を理解しているため、指示を重ねるだけで理想の仕上がりに近づけることができます。

画像内の文字レンダリングにも強みがあります。従来の多くの画像生成モデルは長い文字列の描画で誤字を起こしがちでしたが、Google の社内ベンチマークによれば主要な競合モデルを上回る精度を示しており、招待状や広告画像の作成に適しているとしています。

なぜ重要か

開発者にとって、システム構成の大幅な簡素化につながる点が大きな価値だと考えられます。従来のように言語モデルと画像生成ツールを連携させる複雑なパイプラインを組む必要がなくなり、1 つの API でテキストと画像の両方を扱えるため、ストーリー生成アプリや対話型エージェントの試作ハードルが一気に下がります。

業界の競争という観点でも重要な一手です。OpenAI は 2024 年 5 月の GPT-4o 発表時にネイティブな画像生成能力を披露していましたが、一般提供は保留されたままでした。業界内では 2025 年 3 月に公開されるとの見方が強まっていたところへ、Google が先手を打って開発者全員に開放した格好です。

ただし、今回提供されたモデルは実験版の位置づけにとどまっています。推論ベースのネイティブ生成が、専用の拡散モデルと比べてどこまで画質や表現の安定性を担保できるのか、実際のプロダクト運用における検証はこれからになりそうです。