Google、新動画モデル「Gemini Omni」披露：対話型の動画編集に対応

OpenAIがSoraのアプリ展開を終了し、動画生成AIの熱狂が一服したように見えたタイミングで、Googleが新たな手を打ってきた。

Googleの新しいマルチモーダルモデル「Gemini Omni」の存在が明らかになった。単にプロンプトから映像を吐き出すだけでなく、Geminiの推論能力をそのまま動画エンジンに統合した意欲作だ。

最初の展開モデルとなる「Gemini Omni Flash」は、10秒の動画生成に対応し、Geminiアプリや制作ツール「Flow」、YouTube Shorts向けに順次提供される。

推論力とレンダリングの融合

従来の動画生成モデルの多くは、大量のピクセルパターンを学習してそれらしく並べる仕組みだったため、物理法則の破綻や文字の崩れが日常茶飯事だった。

Gemini Omniは、テキスト、画像、音声、動画を最初から同じ基盤で推論するネイティブ・マルチモーダル設計を採用している。事象の文脈や理屈を理解した上でレンダリングを行うのが特徴だ。

判明したデモでは、「黒板に三角関数の恒等式の数学的証明を書きながら解説する教授」というプロンプトに対し、数式を崩さずに正しく描写し、解説の手順と手の動きを一致させていた。また、過去にAI動画の難問とされた「パスタを食べる男性」のシーンも、屋外席で自然に食事する姿が高精度に再現されている。

ただし、初期テスターの報告によると、この2回のプロンプト実行だけでAI Proプランの1日あたり利用枠の86%を消費したとされており、計算負荷の重さもうかがえる。

対話による編集とアバター機能

Gemini Omniのもうひとつの目玉は、チャットを通じた動画編集機能だ。

これまでAI生成動画の修正は、ほぼ最初から作り直すしかなかった。Omniでは「彫刻をシャボン玉に変えて」と自然言語で指示するだけで、カメラワークや光の当たり方を保ったまま対象物だけを置き換えることができる。

さらに、自分の姿と声を使ったデジタルアバターの作成機能も用意された。ディープフェイク対策として、ランダムに表示される数字を読み上げる認証プロセスが必須となっており、生成された動画には電子透かし「SynthID」が埋め込まれる。

初期版が10秒に制限されている点について、DeepMindの開発陣は技術的な限界ではなく、まずは手軽なミームや日常のショート動画用途として普及させるためだと説明している。一方で、指示が曖昧だと意図しない部分まで過剰に編集してしまうリスクもあるという。

なぜ重要か

Googleは、動画生成AIの競争軸を「当て物のようにガチャを回す作業」から「対話しながら仕上げる制作環境」へとシフトさせようとしている。

クリエイターにとって、言葉で指示を出しながら映像を微修正できる操作性は極めて実用的だ。10秒という尺であっても、Shortsなどで自分のアバターを動かし、正確なテキストを表示できるツールは日々のコンテンツ制作に直結する。

業界全体にとっても、大規模言語モデルの知識や推論を動画生成に持ち込むアプローチの有効性が示された意味は大きい。物理法則の理解や正確な文字レンダリングは、従来の拡散モデル単体では越えにくかった壁だからだ。

手堅い短尺モデルから一般ユーザー層を取り込みにいく戦略は巧みだが、初期テストで見られた過酷なリソース消費と、プロンプトの厳密さが求められる編集の難しさをどこまで緩和できるかが普及の鍵を握るだろう。