Google Geminiに画像からの動画生成機能、Veo 3で8秒の音声付き動画を作成

静止画を動かす作業は、これまで専門の動画編集ソフトと多くの手間を要する領域でした。Google はこのハードルを一気に引き下げようとしています。

Google は、対話型 AI サービス「Gemini」において、画像を動画へ変換する「photo-to-video」機能の提供を開始しました。ベースとなっているのは、5月に発表された同社の最先端動画生成モデル「Veo 3」です。

静止画から音声付きの 8 秒動画を生成

使い方はシンプルにまとめられています。Gemini のプロンプト入力欄にあるツールメニューから「Videos」を選択し、任意の写真をアップロードします。

あとは動きの指示や音声に関するプロンプトを入力するだけで、静止画が最大 8 秒間の音声付きダイナミック動画へと変換されます。日常の持ち物を動かしたり、手描きのイラストに命を吹き込んだり、風景写真に風や水の動きと環境音を加えたりすることが可能です。

この新機能は、一部の国と地域の Google AI Pro および Ultra 加入者を対象に順次展開されています。Gemini のウェブ版に加えて、同社の AI 映画制作ツール「Flow」でも同様に利用できます。

Google によれば、Veo 3 の公開から過去 7 週間のあいだに、Gemini と Flow を通じて生成された動画はすでに 4000 万本を突破したとのことです。先週には Veo 3 の基本機能が 150 カ国以上の Pro 会員向けに拡大されたばかりでした。

安全性への配慮として、生成されたすべての動画には AI 生成であることを示す可視ウォーターマークに加え、不可視の電子透かし「SynthID」が埋め込まれます。同社は事前に入念なレッドチーミングを実施し、悪用防止策を講じていると強調しています。

なぜ重要か

私たちは、テキストから動画を作るよりも、画像から動画を作るアプローチのほうが実用面で遥かに大きなインパクトを持つと考えています。

従来のテキストプロンプトによる動画生成は、構図や人物の見た目がランダムになりがちで、意図した通りの絵を出すのが困難でした。写真を起点にできればキャラクターや世界観の破綻を防ぎやすく、しかも効果音まで同時に生成されるため、動画制作の初期プロトタイプ作りが劇的に速くなります。

現時点で試す価値があるかといえば、SNS 向けのショート動画を作るクリエイターやデザイナーなら、月額課金してでも触る価値は十分にあります。一方で、一般ユーザーが試しに使うには有料プラン（Pro または Ultra）への加入が必要なため、まだ敷居はやや高めです。

業界全体を見渡すと、競合の多くが映像の美しさだけを競い、音声は後付けになりがちな中で、Google が「映像と同期した音声」を最初から Gemini の入力窓に統合してきた点は極めて賢明な一手といえます。ただし、任意の人物写真からリアルな動画が作れてしまう危険性は常に伴うため、SynthID などの透かし技術がどこまで悪意ある拡散の抑止力になるかが今後の試金石となります。