Gemini Omni
Google DeepMind · 動画
Gemini OmniはGoogle DeepMindのネイティブなマルチモーダルモデル群で、ほぼどんな入力でも受け取り、ほぼどんな出力にも変えるために作られた。最初のリリースであるGemini Omni Flashは動画に焦点を当てる。書いたプロンプトからクリップを生成し、参考画像や音声を入れ、あとは変えたい内容を説明して結果を編集できる。複数のツールをつなぎ合わせるのではなく、生成と修正を1つのモデルで済ませたいクリエイターや開発者に向く。
Gemini Omni について
Gemini Omniとは
Gemini OmniはGoogle DeepMindの最新マルチモーダルAIモデルで、2026年5月20日のGoogle I/Oで発表された。以前の動画モデルがプロンプトを受け取ってクリップを出すものだったのに対し、Omniはany-to-anyの仕組みとして設計されている。テキスト・画像・音声・動画を入力し、矛盾のない結果を出力する。この系統の最初のモデルであるGemini Omni FlashはGeminiアプリ、Google Flow、YouTubeに登場し、APIアクセスは後日とされている。
売りは対話型編集だ。偶然うまくいくまで生成をやり直すのではなく、「バイオリンを消して」「カメラアングルを肩越しに変えて」と変更を説明すれば、モデルがそれを適用し、場面の残りは安定したまま保つ。DeepMindはOmniが世界理解で飛躍したと述べており、生成される物理や物体の挙動が以前より整合して見える。
AI動画生成は人が集まる理由だ。Gemini Omniの料金は、その人がとどまるかを決める部分になる。
最大の制約は守備範囲だ。現時点でOmniは実質的に動画モデルである。any-to-anyという言葉は将来の画像・音声生成を指すが、それはロードマップであって提供済みの機能ではない。DeepMindは生成物すべてにSynthIDとC2PAメタデータを付ける。出力を商用利用するつもりなら、この点は無視できない。
始め方
- Geminiアプリ、Google Flow、YouTubeを開き、Omniを使った動画ツールを探す。
- 欲しいクリップを説明するプロンプトを書くか、参考になる画像・音声・動画をアップロードする。
- 最初のバージョンを生成して確認する。
- 背景や物体の変更など、編集内容を普通の言葉で説明し、その部分をOmniに再生成させる。
- クリップを書き出すか共有する。SynthIDとC2PAのマークはファイルに付いて回ると考えておく。
AIツール情報
Gemini Omniの料金、対応プラットフォーム、性能を簡単に確認できます。
こんな人におすすめ
このツールが最も力を発揮するユーザー、タスク、シーン。
ユーザー
- 動画クリエイター
- マーケティングとSNSチーム
- プロダクトとデザインのチーム
- 開発者
タスク
- テキストから動画
- 対話型動画編集
- 画像から動画
- 参照から動画
シーン
- 1つのコンセプトからSNS向けの短いクリップをまとめて作る。生成1回あたりのクレジット費用が実質的な上限になる。
- 本格的な撮影に入る前に絵コンテを練る。
- 実写映像にAI生成の要素を足す。被写体を新しい環境に置くなどが該当する。
主な機能
any-to-anyマルチモーダル入力
Omniはテキスト・画像・音声・動画を入力として受け取り、動画を出力する。実際には、写真と一文を渡したり、クリップに音声の参照を添えたりして、それらをまとめて扱える。DeepMindはこれを系統の土台と位置づけ、他の出力形式は後日としている。
対話型動画編集
際立つ機能は説明による編集だ。何を変えたいかをOmniに伝えると、周囲の場面を保ったまま編集を適用する。DeepMindのページにある例には、物体を消す、演奏者を別の場面に移す、カメラアングルを変える、といったものがある。やり直しと演出の違いはここにある。
強固な物理と世界理解
DeepMindは世界理解の飛躍をうたっており、その例は物理的な連続性に頼っている。線路を転がるビー玉、音楽に合わせて点く光、おもちゃと触れ合う手などだ。物理が良くなれば、以前の動画モデルを新奇さ以上には使えなくしていた、物体が溶けるようなアーティファクトが減る。
一貫したキャラクターと声
参照から動画の対応により、画像と音声の参照を入れ、キャラクターがクリップ全体で同じ見た目と声を保てる。DeepMindは社内の参照から動画のベンチマークで、全体選好と発話追従で首位の結果を報告し、468件の例に対する人間評価者を挙げている。
記録されたベンチマーク結果
DeepMindが公表したのは曖昧な主張ではなく比較データだ。MetaのベンチマークMovieGenBenchでは、1,003件のプロンプトでOmniが全体選好と指示追従で最良の成績を出した。画像から動画のベンチマークVBenchでは、Omni FlashはGrok-Imagine-VideoとKlingと並び、他のモデルを上回った。数値はいずれもDeepMind自身の評価による。
組み込みのコンテンツ来歴
Geminiアプリ、Google Flow、YouTubeでOmniを使って作成・編集したものには、目に見えないSynthIDウォーターマークとC2PAメタデータが付く。このマークは大半の編集を経ても残り、プラットフォームや視聴者がAI生成動画とカメラ映像を見分ける助けになる。
クレジット制のアクセス
生成は無制限ではなくクレジットで動く。実機での報告によれば、動画1本でおよそ15から40クレジット、編集1回で40程度かかり、月$20のGoogle AI Proプランには1,000クレジットが含まれる。激しく試すとこの枠はすぐ尽きる。1,000クレジットは実際どこまで持つのか。期待するほどではない。
メリットとデメリット
メリット
- 1つのモデルが生成と編集を担うので、工程ごとに別のツールを行き来しなくていい。
- 対話型の編集で、見栄えがするまで動画を作り直す試行錯誤が減る。
- 物理と世界理解の改善で、物体が浮いたり溶けたりする見た目が減る。
- コンテンツにSynthIDとC2PAのマークが付き、責任ある開示を後押しする。
- 初日からGeminiアプリ、Google Flow、YouTubeで使える。
デメリット
- 実質は動画モデルなので、any-to-anyの約束はほぼ将来向きだ。
- クレジット費用が積み上がる。クリップ1本や編集1回で月の枠の無視できない部分が消える。
- 公開APIがまだなく、その上に開発したい開発者を妨げる。
- 出力は依然としてAI動画なので、初期レビューが指摘したようにアーティファクトや連続性の乱れが起こる。
よくある質問
Gemini Omniは動画の作成と編集のために作られている。クリップをテキストで説明し、必要に応じて画像や音声の参照を加えると、動画を生成する。その後は普通の言葉で変更を説明して修正できる。
関連コンテンツ
Gemini Omniに関連するツール、スキル、記事を探す。
Gemini Omniの代替ツール
ngram 2.0
ngram · 動画 · マーケティングngram 2.0はチーム向けのAI動画生成ツールだ。プロンプト、画面録画、製品URLのいずれかから、ナレーション付きのAI解説動画、製品デモ、AIアバター動画を作れる。生成後も全シーンを編集できる。
OpenScreen 2
OpenScreen (open-source project) · 動画 · 生産性向上OpenScreen 2 は Windows、macOS、Linux に対応した無料のオープンソースの画面録画ソフト兼デモ動画編集ツール。クリックに合わせた自動ズーム、枠、ローカル字幕、エージェント編集を備える。
Skreno
Skreno · 動画 · 生産性向上Skreno はブラウザ画面録画ツールだ。タブ、ウインドウ、画面全体をそのまま録り、AI 文字起こしと要約、コンソールログをひとつの共有リンクに載せる。