Google「Veo 3」が画像からの音声付き動画生成に対応、発話も可能に

静止画に動きをつけるだけなら、すでに珍しい技術ではありません。しかし、たった1枚の人物写真から自然なセリフを喋らせ、その場の環境音まで一度に生成できるとなれば、動画制作のハードルは劇的に下がります。

Googleは、映像クリエイター向けAIツール「Flow」において、最新の動画生成モデル「Veo 3」を使った新機能の提供を開始しました。静止画を起点に動画を作る「Frames to Video」で、キャラクターの音声音声を直接生成できるようになりました。

1枚の画像からセリフと環境音を同時生成

Flowは5月の公開以来、すでに数千万本以上の動画生成に利用されています。従来のFrames to VideoでもVeo 3による効果音や環境音の付与は可能でしたが、人物は実質的に無声映画の状態でした。

今週のアップデートにより、開始フレームとして画像をアップロードし、プロンプトで指示を出すだけで、キャラクターに意図したセリフを喋らせることが可能になりました。消費クレジットを抑えて素早く試せる「Veo 3 Fast」でも同機能が利用できます。

ベンチャーキャピタリストのJustine Moore氏は、モデルの静止画1枚からセリフを喋らせ、さらに画面内にもう1人のキャラクターを追加して自然に対話させるデモを公開しました。キャラクターの一貫性を保つ上で大きな進歩だと評価しています。

ただし、Googleは音声生成機能がまだ実験的段階にあり、品質にばらつきが生じる可能性があるほか、一部の画像形式には非対応であると注記しています。また、Flowおよび最上位プラン「Google AI Ultra」の提供対象を新たに76カ国追加し、世界140カ国以上のGoogle AI ProまたはUltraユーザーが利用可能になりました。

なぜ重要か

これまでのAI動画制作では、映像を生成した後に別のリップシンクツールを使い、さらに別の音声合成ソフトを組み合わせるという、複雑なワークフローが当たり前でした。

Googleが映像・環境音・セリフ生成を単一のツールに統合したことは、クリエイターの作業負担を劇的に減らす賢い一歩だと評価できます。特に低コストなVeo 3 Fastに対応させたことで、短編動画やプロトタイプ制作における試行錯誤が極めて身近になります。

一方で、公式が実験的と認めている通り、口の動きの同期精度や発話のトーンがどこまで安定するかという課題は残ります。本格的な商業映像に耐えうるクオリティを出せるか、それとも結局は外部ソフトによる手直しが必要になるかが、今後の普及を左右しそうです。