Gemini Omni Flash：会話で編集できるGoogleの動画生成モデル
同期音声付きの720p動画を生成するGoogleのany-to-anyモデル。会話を重ねながら編集できる。
Gemini Omni Flash: Google がおしゃべりで編集できるビデオモデルを発表
Gemini Omni Flash は、Google DeepMind による初のany-to-anyマルチモーダル動画生成モデルです——音声インターフェースでも、チャットボットのアップグレードでもなく、OpenAI の「omni」アーキテクチャとはっきりと異なるものです。 先に進む前に、この混同を解いておきましょう。これはこのモデルをどう捉えるべきかを左右する重要なポイントだからです。
OpenAI が GPT-4o をリリースした際、彼らは単一モデルでのリアルタイム音声+視覚入力を示すために「omni」と呼びました。Google の「Omni」の使い方は構造的に異なるものを意味します。それは、あらゆる入力モダリティ(テキスト、画像、音声、動画)を受け入れ、単一のフォワードパスであらゆる出力モダリティを生成するよう設計された新しいモデルファミリーを指しています——まずは動画から始まり、画像や音声生成の出力はロードマップ上で後に予定されています。Google の Omni は生成的アーキテクチャです。OpenAI の「omni」は知覚の話でした。これらは同じ概念ではありません。
このフレーミングが重要なのは、Gemini Omni Flash の本当の強みが音声対話ではなく、複数ターンにわたる会話的でステートフルな動画編集にあるからです。クリップを生成し、照明を変えるよう指示し、シーンを延長するよう依頼し、キャラクターの衣装を入れ替え、カメラアングルを調整する——モデルが自分が作ったものを覚えている、継続的なセッションの中で。この能力に加えて、統合された同期音声と AI Avatar 生成が、このモデルを動画生成の分野において真に新しいものにしています。
Google における「Omni」の本当の意味
Google DeepMind は2026年5月19日の Google I/O で Omni ファミリーを発表しており、開発者・API向けの一般提供は2026年6月30日に開始されました。Omni アーキテクチャは、単一モデルがすべてのモダリティをネイティブに処理すべきだという原則の上に構築されています——アダプターを後付けした連鎖する専門モデル群を通してではなく、一つの統合された表現空間の中でです。
発表時点では、その方程式の「あらゆる出力」の側は、まず動画から始まります。モデルは720p、24fps、16:9・9:16・1:1のアスペクト比で、4秒から10秒の長さのMP4クリップを出力します——同期音声も同一パスで生成されます。画像出力とスタンドアロンの音声出力はロードマップにありますが、まだ稼働していません。
「Flash」は速度とコストのティアであり、Gemini ファミリー全体での Google の命名法と一致しています。Gemini Omni Pro も計画されており、おそらくより高解像度・長尺の領域へと踏み込むことになるでしょう。現時点では、Omni Flash は Gemini API(パブリックプレビューのモデル文字列: gemini-omni-flash-preview)、Google AI Studio、Flow、YouTube、Gemini アプリ、そして——Google Cloud IAM に触れることなく他の150以上のメディアモデルと並行して実行したい実務者向けには——Happycapy から利用可能です。
入力モダリティ:現時点で動くもの、動かないもの
公式ドキュメントは豊富な入力スキーマを記述していますが、一部の入力はAPIでは受け付けられているものの、発表時点では機能していないため、ここは正確を期す価値があります。
発表時点で動作するもの:
- テキストプロンプト(完全サポート)
- 画像——キャラクター/製品の一貫性やスタイル転送のための参照画像を最大7枚まで
- AI Avatars の音声リファレンスとしての音声(顔/声の複製)
スキーマ上は受け付けるが、発表時点では動作しないもの:
- 動画リファレンスの入力
- 汎用的な音声入力(Avatar 以外の用途)
これは重要な注意点です。「動画参照から動画への編集」はコアな使用事例のように聞こえ、スキーマ上は技術的に受け付けられます——しかし、モデルが動画リファレンスを再スタイル化したり延長したりすることを期待して送信すると、予測不能な結果が返ってきます。現時点で信頼できるやり方は、視覚的一貫性には参照画像を使い、シーン方向にはテキストを使い、反復には複数ターン編集フローを使うことです。動画入力は既知の制約であり、Omni の成熟とともにおそらく解消されていくでしょう。
決定的な機能:会話形式の複数ターン編集
他のあらゆる動画生成モデル——Veo 3.1、Seedance 2.0、(コンシューマー向け提供終了前の)Sora 2、Runway、Kling——は、プロンプト1回につきクリップ1本というモデルで動作します。プロンプトを書けば、クリップが得られます。気に入らなければ、新しいプロンプトを書き、新しいクリップが得られます。反復は、切り離された生成イベントの連続です。
Gemini Omni Flash はこのモデルを打ち破ります。Gemini API の previous_interaction_id パラメータを使って、ターンをまたいでステートフルなコンテキストを維持します。クリップを生成すると、モデルはそれをメモリに保持し、その後の指示はゼロからではなく、既存の結果の上に加えられる編集として適用されます。
実際には、ワークフローはこのようになります。
- 「カフェで手紙を読む女性の6秒クリップを生成して。暖かい朝の光、浅い被写界深度で。」
- 「カフェを、街並みが見えるルーフトップテラスに変えて。」
- 「今度は少しズームアウトして、街の環境音を加えて。」
- 「女性のジャケットはグレーではなく、ダークネイビーにして。」
各ターンは、それ以前の内容を保持したままデルタ(差分)を適用します。これは機能的には、人間のビデオエディターと一緒に作業するのに近い感覚です——ただしラウンドトリップごとのコストはクリップの長さに応じておよそ0.10ドルから1.00ドル程度で、数秒で応答します。
正直な注意点として、ドリフト(ずれ)は4〜5ターン目あたりから発生し始めます。モデルはおよそ4回の編集ターンまでは一貫性を確実に維持しますが、5ターン目になるとキャラクターの一貫性、照明の連続性、空間的関係が崩れ始めます。複雑なシーケンスの場合、実務者の間で確立されつつあるパターンは、Seedance 2.0 や Veo 3.1 で高忠実度のベースを生成し、それを Omni Flash の編集セッションに持ち込んで仕上げる——つまり、Omni Flash を主要な生成エンジンとしてではなく、精密な仕上げツールとして扱う、というものです。これについては後ほど触れます。
図: Gemini Omni Flash におけるステートフルな複数ターン編集の仕組み。各ターンで指示が発行され、モデルは previous_interaction_id を通してコンテキストをつなぎ、ゼロから再生成することなく対象を絞った編集を適用します。
音声:多くの人が見過ごしているもう一つの差別化要因
Gemini Omni Flash が生成するすべての動画には、同一の推論パスでレンダリングされる同期音声が含まれます。これは後処理のステップでも、無音のクリップに後から縫い付けられる別の音声モデルでもありません——モデルは物理モデル化されたサウンドシミュレーションを使って、動画とサウンドを同時に生成します。
これが実際に意味するのは、波が岸に打ち寄せる様子を描写するプロンプトなら、波の音が得られるということです。カフェのシーンは環境の会話ノイズやコーヒーマシンの音を生成します。話すキャラクターはリップシンクされたダイアログを生成します。同期はタイトで——1秒未満に楽々収まり——6〜7秒未満のクリップでは品質が保たれます。それを超えるとリップシンクのずれが目立つようになり、これがモデルが現在最適化されている4〜10秒というスイートスポットを裏付けています。
動画+ストック音声+後処理を3つの別々のツールで縫い合わせてきたコンテンツクリエイターにとって、これらすべてを1回の生成呼び出しで得られることは本当に価値があります。常に完璧というわけではありませんが、制作作業のレイヤーをまるごと一つ取り除いてくれる、強力な出発点です。
AI Avatars:隠れた注目ユースケース
Gemini Omni Flash には、AI Avatars と呼ばれる独立した機能が含まれています。顔の参照画像と(音声クローニング用の)音声サンプルを与えると、そのアバターが話すフォトリアリスティックな動画を生成します。これは、音声を入力として使うユースケースの中で発表時点で実際に機能する唯一のものです——具体的には Avatar 用の音声リファレンスとしてです。
マーケティングチーム、eラーニング制作者、大規模な顧客コミュニケーションにとって、Avatar 機能はすぐに実用可能です。ブランドのスポークスパーソン動画を生成し、音声クローン+テキストプロンプトを入れ替えることでローカライズし、30秒で再実行する。Adobe Firefly、Invideo、WPP は、Avatars を主要なワークフロー統合として特に挙げている早期の企業採用者に含まれます。
重要なガードレールもあります。コンテンツポリシーは、同意していない個人の実名や肖像、加齢シミュレーション、格闘シーン、そして合理的にディープフェイクとみなされうるものをブロックします。スピーチ編集——誰かが言ったように見える内容を事後的に改変すること——は、意図的なディープフェイク防止の選択として完全に提供されません。すべての出力には、無効化不可能な SynthID の透かし(人間の視聴者には知覚できないが機械可読)に加えて C2PA Content Credentials が付与されます。これは、現在出荷されている他のどの動画モデルよりも包括的な来歴(provenance)スタックです。
ベンチマーク: Google の主張と、独立して検証された内容
Google の内部ヒューマンレーター評価は、Omni Flash が以下の項目で1位にランクされていると主張しています。
- 動画編集の選好度と指示追従性
- テキストから動画への品質(MovieGenBench)
- リファレンスから動画への一貫性
- 画像から動画(VBench I2V で1位タイ)
これらは魅力的な数字ですが、正直に言えば、これらはすべて Google 社内の評価です。本稿執筆時点で、独立した直接比較ベンチマークは公表されていません。特筆すべきは、Omni Flash が Artificial Analysis Video Arena にまだ提出されていないことです。ここでは Seedance 2.0 が現在、リアルな人間の動きと物理演算で首位に立っています。その提出が行われ、第三者の結果が出てくるまで、これらのベンチマークは決定的なものではなく、あくまで指標として扱うべきです。
初期テスターの実務者コンセンサスは、予想通りの内容と一致しています。強力な意味的正確性、堅実な音声同期、真に新しい会話的編集——しかし、モーション物理演算(「フワフワした」感触、不十分な重量シミュレーション)、頭の向きが変わった際の顔の一貫性の崩れ、非ラテン文字での失敗(ひらがなと画数の多い漢字は、ハンズオンレビューで特に信頼性が低かった)、そして前述の4ターン編集の限界といった、目に見える弱点もあります。
Gemini Omni Flash と競合との比較
Omni Flash と並んで評価する可能性が最も高いモデルとの、正直な比較を以下に示します。
| Gemini Omni Flash | Veo 3.1 | Seedance 2.0 | Sora 2 | |
|---|---|---|---|---|
| 最大解像度 | 720p | 最大4K | 最大1080p | N/A(提供終了) |
| 複数ターン編集 | あり(ステートフル、約4ターン) | なし | なし | なし |
| 音声生成 | あり(パス内、物理モデル化) | あり | なし | なし |
| AI Avatars | あり | なし | なし | なし |
| 概算コスト/秒 | 約0.10ドル | 約0.40〜0.75ドル | 変動 | N/A(API提供終了 2026年9月) |
| 最も得意な点 | ワークフロー/編集、Avatars、音声 | 映画的な品質、長尺 | リアルな人間の動き、物理演算 | N/A |
| 弱点 | 720pの上限、モーション物理演算、4ターンのドリフト | ステートフル編集なし、高価格 | 会話的編集なし、音声なし | 提供終了 |
vs. Veo 3.1: 映画的な品質が主要な成果物であり、会話的に反復する予定がない場合、Veo が正しい選択です。撮影監督やハイエンドの商業制作は、まずそちらから始めるべきです。Omni Flash は、反復速度、統合された音声、Avatar 機能が必要な場合——そして、その用途にとって720pで十分な場合(YouTube Shorts、ソーシャルコンテンツ、製品デモでは通常十分です)に勝ります。
vs. Seedance 2.0: Seedance は現在、人間の動きのリアリズムに関する独立したリーダーボードスコアで先行しています。人が動いている——歩く、踊る、運動する——映像を生成する場合、Seedance の物理シミュレーションには依然としてアドバンテージがあります。新たに生まれつつあるワークフローは、Seedance でベースクリップを生成し、それを Omni Flash で会話的に精緻化する、というものです。専門モデルのモーション品質と、Omni の複数ターンインターフェースの編集の柔軟性の両方が得られます。
vs. Sora 2: 今となっては関連性が低くなっています。OpenAI のコンシューマー向け Sora アプリは2026年4月に提供終了となり、API は2026年9月に提供終了が予定されています。Sora は長期的に見て実行可能な選択肢ではありません。
この比較は、Omni Flash の価格設定を文脈の中に位置づけるものでもあります。秒あたりおよそ0.10ドル(入力トークン100万あたり1.50ドル、動画出力トークン100万あたり17.50ドル)で、10秒のクリップはおよそ1.00ドルかかります。これは Veo 3.1 より4〜7倍安価です。複数ターン編集は複数の生成パスを実行することを意味するため、10秒クリップの4ターン編集セッションは4.00ドルほどになる可能性があります——プロの制作にとってはまだ妥当な範囲ですが、ボリューム見積もりの際には考慮する価値があります。
Omni Flash が実際の制作ワークフローのどこに収まるか
避けるべき誤りは、Omni Flash をあなたが使うすべての動画モデルの代替として扱うことです。発表時点では最高忠実度の選択肢ではなく、そう設計されてもいません。デザインの根本理念は、動画を編集することは、変更のたびに新しいチケットを提出するのではなく、共同作業者と話しているように感じられるべきだ、というものです。
今日、Omni Flash が完全に優位に立つワークフローは以下の通りです。
1. 大量のソーシャルコンテンツ。 TikTok、YouTube Shorts、Instagram Reels には720pで十分です。Avatar 機能と会話的編集を組み合わせれば、他のどのスタックよりも速く、ローカライズされたショートフォームの動画シリーズを制作できます。生成→話しながら精緻化→公開。
2. 製品デモ動画。 製品の参照画像+テキストによる方向付け+会話的な精緻化は、Eコマースや SaaS チームにとって説得力のあるワークフローです。別途の音声制作は不要です。
3. プロトタイピングとストーリーボード制作。 低コストと高速な反復により、Omni Flash は高価な高解像度生成に着手する前にコンセプトを可視化するのに理想的です。プレビジュアライゼーションのレイヤーとして使うとよいでしょう。
4. 専門モデルの出力の上での精緻化。 Veo 3.1 や Seedance 2.0 で高品質のベースを生成する。(動画入力が実装されたら)それをリファレンスとしてインポートするか、手元にあるものを説明した上で、Omni Flash の会話レイヤーを使ってディテールを調整する。これは初期の企業採用者が収斂しつつあるパターンです。
まず専門モデルに頼るべきワークフローは以下の通りです。
- 映画的な4Kコンテンツ → Veo 3.1
- リアルな人間の動き/運動 → Seedance 2.0
- 一貫したキャラクターを伴う長尺(10秒超) → Veo 3.1、または Omni Pro を待つ
Happycapy で Gemini Omni Flash を実行する(Google Cloud のセットアップなしで)
Gemini API を通じて直接 Gemini Omni Flash を動かすには、Google Cloud プロジェクト、API キーのプロビジョニング、パブリックプレビューのモデル文字列の理解、そして通常は API スキーマに対する多少の試行錯誤が必要です。これは、専用のワークフローを構築するエンジニアリングチームにとっては妥当な投資ですが、モデルを素早くテストしたい、あるいは比較のために他の動画生成モデルと並行して実行したいだけなら摩擦になります。
Happycapy は、Veo 3.1、Seedance 2.0、Seedream 4.5 のような画像生成モデルなどを含む150以上のモデルの一つとして、Gemini Omni Flash をブラウザベースのクラウドサンドボックスでホストしています。Google Cloud アカウントは不要です。プロバイダーごとに別々の API キーも不要です。Gemini Omni Flash の生成を実行し、同じプロンプトで Seedance 2.0 の出力と比較し、各モデルが最も得意とする場所でそれを使うマルチモデルワークフローを構築できます——すべて一つのインターフェースの中で。
動画制作をめぐるエージェント型 AI ワークフローを模索するチームにとって、モデル呼び出しを連鎖させる能力——Seedance で生成し、Omni Flash で精緻化し、言語モデルでレポートやキャプションを合成する——を、別々の API 統合を縫い合わせることなく行えることは、意味のある時間の節約になります。
正直な評決
Gemini Omni Flash は、今日実行できる最も見た目がシャープな動画モデルではありません。同等の解像度での生の画質を比較するなら、Seedance 2.0 がモーション物理演算で勝り、Veo 3.1 が映画的な洗練さで勝ります。それは現実の制約であり、720pの上限、4ターンでの編集ドリフト、非ラテン文字での失敗は、一部のワークフローにとって本物の摩擦点です。
しかし、これらの比較は Omni Flash が実際に達成しようとしていることを見逃しています。このモデルは、わずかな忠実度の向上よりもワークフローの流暢さの方が重要だという賭けをしています——そしてその賭けは、実際の制作環境において、思っている以上に成り立っています。「背景を暗くして」と言って結果を得て、「今度は色調をもっと暖かくして」と言ってまた結果を得る——1秒あたり0.10ドルで、継続的なセッションの中で——これは、現在利用可能な他のどんなものとも根本的に異なる、動画生成との関係性です。
Omni ファミリーは明らかに、Google DeepMind における複数年にわたるアーキテクチャの賭けです。Omni Pro が来ます。動画入力(現在は受け付けられているが機能していない)は解消されるでしょう。解像度はスケールしていくでしょう。会話的編集モデルは、ドリフトが発生するまでにより多くのターンをこなせるようになるでしょう。今日評価しているのは、あるファミリーの最初のモデルです——専門モデルをまだ置き換えるものではないとしても、すでにマルチモデルスタックの中に自分の居場所を勝ち取っているモデルです。
実務者へ: 孤立させるのではなく、並行して実行してください。ワークフロー上の優位性が本物である場面ではそれを使い、忠実度が最重要である場面では専門モデルを使ってください。生成品質には Seedance 2.0 + Veo 3.1、会話的な精緻化と Avatars には Omni Flash というスタックが、今日、単独のどのモデルよりも強力です。
Google のマルチモーダルアーキテクチャが GPT Image 2 のような画像生成モデルとどう比較されるかについてのより深い考察、あるいは動画制作パイプラインにおけるMCP サーバー統合がどのようなものかについての文脈は、一読の価値があります。
Google Cloud のセットアップも、プロバイダーごとの API キーも不要で、フルのモデルライブラリと並んで Gemini Omni Flash にアクセスできます。
FAQ
Gemini Omni Flash とは何ですか?
Gemini Omni Flash は、Google DeepMind の新しい「Omni」モデルファミリーにおける最初のモデルであり、あらゆる入力モダリティ(テキスト、画像、音声、動画)を受け入れ、あらゆる出力モダリティを生成するよう設計されています。発表時点では、同期音声付きの動画を出力します。その決定的な機能は会話形式の複数ターン編集です。動画クリップを生成した後、複数の自然言語による指示のターンにわたってそれを精緻化でき、モデルは各編集の間でステートフルなコンテキストを維持します。2026年6月30日に Gemini API を通じて利用可能になりました。
Gemini Omni Flash は GPT-4o の「omni」とどう違うのですか?
名前は紛らわしいですが、アーキテクチャは根本的に異なります。OpenAI が GPT-4o を「omni」と呼んだとき、それは複数のモダリティ(音声+視覚)を入力として同時に知覚できることを意味していました。Google の「Omni」は生成的アーキテクチャを指します。つまり、モダリティをまたいで知覚も生成も行う単一モデルです。Gemini Omni Flash は単にマルチモーダルな入力を処理するだけでなく、マルチモーダルな出力(動画と音声を一緒に)を生成します。Google の Omni ファミリーは生成的マルチモーダルシステムであり、OpenAI の omni ブランディングは知覚的な入力に関するものでした。
Gemini Omni Flash と Veo 3、どちらが優れていますか?
それぞれ異なる目的に最適化されています。Veo 3.1 はより高解像度で、より映画的な出力(Omni Flash の720pに対して最大4K)を生成し、洗練された高忠実度の動画制作にはより良い選択です。Gemini Omni Flash はワークフローで勝ります。ステートフルな複数ターン編集を持つ唯一の動画モデルであり、AI Avatar 生成を含み、同一の推論パスで音声を生成し、Veo 3.1 に比べて秒あたりのコストが約4〜7倍安価です。ソーシャルコンテンツ、製品デモ、反復的なプロトタイピングには、Omni Flash がより良いツールです。映画的またはブロードキャスト品質の出力には、Veo 3.1 が正しい選択です。
Gemini Omni Flash は無料ですか?
API 経由では無料ではありません。API の価格設定は入力トークン100万あたり1.50ドル、動画出力トークン100万あたり17.50ドルです——720p動画1秒あたりおよそ0.10ドル、10秒クリップでおよそ1.00ドルです。無料の API ティアはありません。ただし、Gemini Omni Flash は、YouTube Shorts と YouTube Create(18歳以上)の対象ユーザーには無料で利用可能であり、Google AI の Plus、Pro、Ultra のコンシューマーサブスクリプションを通じても利用できます。エンタープライズアクセスは Gemini Enterprise Agent Platform を通じて提供されます。
Gemini Omni Flash はどの解像度で生成しますか?
発表時点では720p、24fpsです。サポートされているアスペクト比は16:9、9:16、1:1です。クリップの長さは4〜10秒です。より高い解像度(1080p以上)はロードマップにあり、おそらく今後の Gemini Omni Pro ティアに紐づく形になると見られますが、発表時点では利用できません。
Gemini Omni Flash の価格設定はどうなっていますか?
入力トークン: 100万あたり1.50ドル。動画出力トークン: 100万あたり17.50ドル。実用的な観点で言うと、これはおよそ生成された720p動画1秒あたり0.10ドル、10秒のフルクリップでおよそ1.00ドルに相当します。複数ターン編集セッションは複数の生成呼び出しを伴うため、10秒クリップに対する4ターンの精緻化セッションはおよそ4.00ドルかかることになります。価格設定の詳細全体は ai.google.dev/gemini-api/docs/pricing で公開されています。
Gemini Omni と Gemini Flash の違いは何ですか?
Gemini Flash は、高速でコスト効率の良いテキスト・視覚言語モデルの系統——標準的な Gemini ファミリー内の Flash ティアです。Gemini Omni は、動画出力から始まるany-to-anyマルチモーダル生成のために設計された、異なるアーキテクチャに基づく、別の新しいモデルファミリーです。「Gemini Omni Flash」は、Omni アーキテクチャと Flash の速度/コストティアを組み合わせたもので、Omni ファミリーへのアクセスしやすい入口として位置づけられています。これらはアーキテクチャ上、異なるサイズの同一モデルではなく、別個のモデル系統です。Gemini Omni Pro(より高い忠実度、おそらくより高い解像度)は、Gemini Flash テキストモデルとは別に、ロードマップ上に存在しています。
出典
- Google Blog: Gemini Omni announcement
- Google AI Developers: Gemini Omni API documentation
- Google DeepMind: Gemini Omni model page
- Gemini API pricing
- Google Blog: Gemini Omni Flash / Nano / Banana 2 Lite
図: Gemini Omni Flash のアーキテクチャの概観——テキスト、画像、音声リファレンスをまたいだ統合入力処理と、720p、24fps、16:9 / 9:16 / 1:1 フォーマットでの同期された動画+音声出力、クリップあたり4〜10秒。
